Sujet de Thèse
Dates :
2023/10/01 - 2026/09/30
Etudiant :
Encadrant(s) :
Description :
Depuis quelques années, le pronostic de défaillance/durée de vie résiduelle (RUL-Remaining Useful Life) des systèmes manufacturiers est un domaine de recherche scientifique important et prometteur car il joue un rôle central dans la communauté de pronostic et de la gestion de la santé (PHM- Prognostics and Health Management). En effet, une prédiction précise et fiable de la RUL est primordiale pour le maintien en condition opérationnel (MCO) des systèmes industriels pour pouvoir prendre la bonne action (maintenance et/ou contrôle) au bon moment. Ainsi, l'utilisation de la RUL dans le processus décisionnel pour la planification de la production et/ou de la maintenance et le soutien logistique change le paradigme passant d'une décision réactive à une décision proactive basée sur l'anticipation des pannes. Dans la littérature, plusieurs approches de pronostic pour le calcul de la RUL ont été proposées et appliquées efficacement dans différentes applications industrielles avec une tendance actuelle conduisant à des approches guidées par les données.
Dans ces approches, un enjeu majeur impactant les performances des modèles de pronostic et leur utilisation est la qualité des données fournies par le système de surveillance (capteurs de mesure). Il est démontré que la dégradation de capteurs de mesure peut impacter de manière significative l'incertitude des données et, par conséquent, l'efficacité du pronostic sur l'état de santé du système. Dans ce sens, le bruit sur les mesures a été largement étudié dans la littérature en considérant les erreurs statistiques à variance constante ou dépendant du temps. Néanmoins, dans les applications réelles, l'état de dégradation du système « lui-même » peut affecter le processus de dégradation de capteurs de mesure, et par conséquence, leur performance de mesure. Une telle relation n'a pas encore été totalement étudiée dans la littérature. Par exemple, dans la pratique, en raison de l'environnement d'exploitation variable et des dommages cumulés par le système, les capteurs de mesure (c'est-à-dire le système de surveillance) peuvent subir également l'effet de l'environnement ou/et de la dégradation du système (par exemple des vibrations liées à l'usure d'un roulement). Un tel phénomène conduit à considérer l'interaction entre l'état du système et la performance des capteurs de mesure, même si les capteurs se détériorent généralement sur une longue période de fonctionnement.
Ces défis scientifiques s'inscrivent pleinement dans la discipline scientifique/industriel PHM (IEEE PHM, PHM society) mais aussi dans les communautés IFAC (TC5.1., TC6.4) ou CIRP.
Dans ce contexte, l'objectif global de la thèse proposée est de développer des approches de pronostic adaptées à la prédiction de défaillance/RUL d'un système manufacturier en considérant les erreurs de mesures causées par la dégradation du système de surveillance. Plus précisément, la thèse abordera les trois verrous scientifiques majeurs suivants :
- Comment modéliser les processus de dégradation du système manufacturier et du système de surveillance associé en considérant à la fois les conditions opératoires et l'interaction de dégradation entre ces deux systèmes ?
- Comment modéliser l'impact de la dégradation du système de surveillance dans les erreurs de mesure ?
- Quelles sont les approches de pronostic appropriées pour la prédiction de défaillance/RUL du système manufacturier à partir de données bruitées causée par la dégradation du système de surveillance ?
Pour répondre à ces verrous scientifiques, ce travail de thèse doit se structurer sur trois phases majeures correspondant aux trois contributions scientifiques fortes attendues: (1) la modélisation des processus de dégradation du système manufacturier et de son système de surveillance prenant en compte non seulement des conditions opérationnelles mais aussi de l'interaction/dépendances de dégradation entre ces deux systèmes ; (2) le développement de modèles d'erreurs de mesure causées à la fois par la dégradation du système et celle du système de surveillance; (3) sur la base des modèles de dégradation et d'erreurs de mesure, le développement d'approches de pronostic guidées par les données pour la prédiction des défaillances/RUL du système manufacturier.
Ces contributions apportent des réponses aux verrous scientifiques se référant à l'objectif initial visé :
- Modélisation et qualification des impacts des interactions de dégradation entre le système manufacturier et son système de surveillance (capteurs de mesure)
- Développement de modèles de dégradation pour le système manufacturier et ses capteurs de mesures en tenant compte des impacts de l'interaction de dégradation et des conditions opératoires
- Développement de modèles d'erreurs de mesure (linéaires ou non linéaires) prenant en compte l'impact de la dégradation de capteurs de mesure
- Élaboration d'algorithmes de pronostic, sur la base des filtres particulaires ou/et réseaux neurones profonds, pour la prédiction de défaillance/RUL du système à partir de données bruitées causées par la dégradation du système de surveillance.
Ces contributions face à ces verrous s'appuient sur la base des outils scientifiques qui sont majoritairement des outils mathématiques (ex. modèles de copules, distributions de mélange, processus stochastique) et des algorithmes de pronostic guidées par les données (ex. filtre particulaire, réseaux neurones...).
Ces différentes propositions de modélisation et développement seront mises en oeuvre sur le logiciel Matlab/python. Quelques mesures de performance seront sélectionnées pour évaluer la performance des modèles/approches proposés. Des exemples numériques seront utilisés pour valider ces propositions (au moins en laboratoire) en essayant aussi d'étendre cette étape de validation par exploitation de données réelles issues de cas industriels (ex., Continental, INEOS, SEW USOCOME dans le cadre de projets européens comme AI-PROFICIENT et MODAPTO).
Dans ces approches, un enjeu majeur impactant les performances des modèles de pronostic et leur utilisation est la qualité des données fournies par le système de surveillance (capteurs de mesure). Il est démontré que la dégradation de capteurs de mesure peut impacter de manière significative l'incertitude des données et, par conséquent, l'efficacité du pronostic sur l'état de santé du système. Dans ce sens, le bruit sur les mesures a été largement étudié dans la littérature en considérant les erreurs statistiques à variance constante ou dépendant du temps. Néanmoins, dans les applications réelles, l'état de dégradation du système « lui-même » peut affecter le processus de dégradation de capteurs de mesure, et par conséquence, leur performance de mesure. Une telle relation n'a pas encore été totalement étudiée dans la littérature. Par exemple, dans la pratique, en raison de l'environnement d'exploitation variable et des dommages cumulés par le système, les capteurs de mesure (c'est-à-dire le système de surveillance) peuvent subir également l'effet de l'environnement ou/et de la dégradation du système (par exemple des vibrations liées à l'usure d'un roulement). Un tel phénomène conduit à considérer l'interaction entre l'état du système et la performance des capteurs de mesure, même si les capteurs se détériorent généralement sur une longue période de fonctionnement.
Ces défis scientifiques s'inscrivent pleinement dans la discipline scientifique/industriel PHM (IEEE PHM, PHM society) mais aussi dans les communautés IFAC (TC5.1., TC6.4) ou CIRP.
Dans ce contexte, l'objectif global de la thèse proposée est de développer des approches de pronostic adaptées à la prédiction de défaillance/RUL d'un système manufacturier en considérant les erreurs de mesures causées par la dégradation du système de surveillance. Plus précisément, la thèse abordera les trois verrous scientifiques majeurs suivants :
- Comment modéliser les processus de dégradation du système manufacturier et du système de surveillance associé en considérant à la fois les conditions opératoires et l'interaction de dégradation entre ces deux systèmes ?
- Comment modéliser l'impact de la dégradation du système de surveillance dans les erreurs de mesure ?
- Quelles sont les approches de pronostic appropriées pour la prédiction de défaillance/RUL du système manufacturier à partir de données bruitées causée par la dégradation du système de surveillance ?
Pour répondre à ces verrous scientifiques, ce travail de thèse doit se structurer sur trois phases majeures correspondant aux trois contributions scientifiques fortes attendues: (1) la modélisation des processus de dégradation du système manufacturier et de son système de surveillance prenant en compte non seulement des conditions opérationnelles mais aussi de l'interaction/dépendances de dégradation entre ces deux systèmes ; (2) le développement de modèles d'erreurs de mesure causées à la fois par la dégradation du système et celle du système de surveillance; (3) sur la base des modèles de dégradation et d'erreurs de mesure, le développement d'approches de pronostic guidées par les données pour la prédiction des défaillances/RUL du système manufacturier.
Ces contributions apportent des réponses aux verrous scientifiques se référant à l'objectif initial visé :
- Modélisation et qualification des impacts des interactions de dégradation entre le système manufacturier et son système de surveillance (capteurs de mesure)
- Développement de modèles de dégradation pour le système manufacturier et ses capteurs de mesures en tenant compte des impacts de l'interaction de dégradation et des conditions opératoires
- Développement de modèles d'erreurs de mesure (linéaires ou non linéaires) prenant en compte l'impact de la dégradation de capteurs de mesure
- Élaboration d'algorithmes de pronostic, sur la base des filtres particulaires ou/et réseaux neurones profonds, pour la prédiction de défaillance/RUL du système à partir de données bruitées causées par la dégradation du système de surveillance.
Ces contributions face à ces verrous s'appuient sur la base des outils scientifiques qui sont majoritairement des outils mathématiques (ex. modèles de copules, distributions de mélange, processus stochastique) et des algorithmes de pronostic guidées par les données (ex. filtre particulaire, réseaux neurones...).
Ces différentes propositions de modélisation et développement seront mises en oeuvre sur le logiciel Matlab/python. Quelques mesures de performance seront sélectionnées pour évaluer la performance des modèles/approches proposés. Des exemples numériques seront utilisés pour valider ces propositions (au moins en laboratoire) en essayant aussi d'étendre cette étape de validation par exploitation de données réelles issues de cas industriels (ex., Continental, INEOS, SEW USOCOME dans le cadre de projets européens comme AI-PROFICIENT et MODAPTO).
Mots clés :
Dégradation,pronostic,processus stochastique,réseaux neurones, maintenance
Département(s) :
Modélisation Pilotage des Systèmes Industriels |