The use of diffusion process for deterioration modeling, condition-based maintenance and prognosis

Aujourd’hui la prédiction des défaillances de certains systèmes industriels est devenue indispensable pour l’amélioration de la fiabilité et de la rentabilité de ces derniers. Cette prédiction s’appuie principalement sur l’analyse d’évolution du niveau de dégradation du système. Pour les systèmes dont l’état de détérioration n’est pas directement observable, la définition d’indicateurs de santé mesurables est nécessaire. Une modélisation du processus de dégradation à partir de ces données peut être ensuite effectuée. Dans cette thèse, nous considérons un ensemble d’indicateurs non-monotones pour un système opérant dans un environnement dynamique. Compte tenu des principales caractéristiques des données ainsi que de l’impact des conditions environnementales et de leur instabilité, une modélisation stochastique de l’évolution de ces indicateurs est proposée. Les modèles proposés se basent principalement sur une combinaison d’un processus de Wiener et de processus de sauts. Les motivations, les méthodes de calibration, l’utilité et les limites de chaque modèle sont discutées. Nous proposons ensuite une approche pour l’aide à la décision concernant les actions de maintenance préventive. Cette approche consiste à évaluer la valeur d’une option réelle qui présente la possibilité d’«Attendre avant d’Agir» suite à un signal d’avertissement sur une défaillance probable. Une application de cette approche pour le cas d'une éolienne équipée d’un système de surveillance et de gestion est traitéeA major concern for engineers and managers nowadays is to make high quality products and highly reliable systems. In this context, reliability analysis and failure prediction, besides of efficient maintenance decision-making are strongly required. Deterioration modeling and analysis is a fundamental step for the understanding and the anticipation of system behavior. Consider a functional system operating in unstable conditions or environment where the deterioration level is not observable and could not be determined by direct measures. For this system a set of measurable health indicator that indirectly reflects the system working conditions and deterioration level can be defined and examined. Considering these indicators, the development of a mathematical model describing the system behavior is required.In this thesis, we consider a set of non-monotone indicators evolving in a dynamic environment. Taking into account the major features of the data evolution as well as the impact of dynamic environment consequences and potential shocks, stochastic models based on Wiener and jump processes are proposed for these indicators. Each model is calibrated and tested, and their limits are discussed. A decision-making approach for preventive maintenance strategies is then proposed. In this approach, knowing the RUL of the system, a simulation-based real options analysis is used in order to determine the best date to maintain. Considering a case study of a wind turbine with PHM structure, the decision optimization approach is describe