• Langue : Français
• Discipline : Automatique et Informatique industrielle
• Identifiant : 2010LIL10146
• Type de thèse : Doctorat
• Date de soutenance : 01/12/2010

Résumé en langue originale

Une maintenance prévisionnelle efficace repose d’une part sur une modélisation précise de connaissances expertes préexistantes (AMDEC, Arbre de défaillance, etc.) et d’autre part sur des outils de supervision et de pronostic sensibles aux évolutions du procédé. La performance de ces outils repose sur l’analyse et l’estimation en temps réel de l’état du procédé, mais également sur la prévision de ses états futurs. Sur cette base, des indicateurs tels que les valeurs probabilistes issues du pronostic de défaillances peuvent être exploités pour la planification efficiente d’actions de maintenance. En partant des connaissances expertes préétablies, nous proposons une approche de supervision adaptative basée sur une technique de reconnaissance des formes, AUDyC (AUto-adaptive and Dynamical Clustering), qui est particulièrement adapté aux systèmes dynamiques évolutifs et complexes. Cette approche permet de suivre en temps réel l’état de fonctionnement du procédé, avec un minimum de connaissances a priori sur ses caractéristiques physiques, de détecter et de diagnostiquer tout changement de son comportement, même si le système évolue vers un état jusqu’alors inconnu et d’actualiser la base de connaissance par intégration de nouveautés. Une approche de pronostic de défaillance couplée au processus de supervision adaptative est alors proposée afin de fournir en temps réel, l’état futur d’un procédé tout en estimant la probabilité qu’une défaillance survienne à un instant futur ainsi que la fiabilité de ce pronostic. Cette architecture de supervision adaptative et de pronostic proposée est utilisée pour la maintenance prévisionnelle des composants d’un système réel de thermorégulation.

Résumé traduit

An effective predictive maintenance relies on the one hand, on an accurate modeling of available expert knowledge (Failure Mode, Effects and Criticality Analysis, Fault Tree, etc) and on the other hand, on monitoring tools that are sensitive to changes in the process under consideration. The performance of the monitoring tools consists not only in their ability to estimate and analyze the process state in real-time, but also in their capability to predict the future states. On this basis, indicators derived from the probabilistic prediction of failure occurrences can be exploited for the efficient planning of maintenance actions. Based on the predefined expert knowledge, we propose an approach of supervision based on a pattern recognition technique, the AUDyC algorithm (Auto-adaptive and Dynamical Clustering), which is particularly suitable for dynamic and complex systems monitoring. The proposed supervision approach allows us to (i) monitor the operational status of the system in real-time, with a minimum prior physical knowledge, (ii) detect and diagnose any change in the system behavior, even if the system evolves to a previously unknown state, (iii) update the basis of knowledge about the system by integrating new features into it. In order to provide in real-time an estimate of the future state of the system, a prognosis technique is coupled with the above mentioned supervision unit. This makes it possible to compute, with a certain reliability, the probability that a failure occurs at a given future time. Finally, the whole architecture for both supervision and prognosis is applied for the predictive maintenance of a real thermoregulation system.