Approche guidée par les données pour le pronostic des pannes des systèmes industriels - de l'utilisation d'aucune, peu, à de multples séquences de dégradation historiques

Le pronostic des pannes consiste en l’estimation de la durée de vie résiduelle (RUL). Il s’agit d’un élément essentiel de la stratégie de maintenance prédictive qui peut contribuer à améliorer la fiabilité et la disponibilité des systèmes industriels tout en réduisant les temps d’arrêt imprévus et les coûts de maintenance. Fréquemment, l’application du pronostic dans les systèmes industriels réels est ardue en raison de l’insuffisance des données historiques de dégradation, en particulier pour les nouvelles machines, ou en raison du coût élevé de leur production ou de leur obtention. Par conséquent, ce manuscrit de thèse propose une approche générale axée sur les données avec trois chemins pour l’estimation du RUL lorsqu’aucune séquence de dégradation, peu de séquences et multiples séquences sont disponibles a priori. L’approche générale proposée comprend trois chemins d’estimation RUL : chemin aveugle, guidé et profond en fonction du nombre de séquences de dégradation disponibles. Le chemin aveugle est déclenché lorsqu’aucune séquence a priori n’est disponible, il vise à sélectionner le meilleur indicateur de santé (HI) dynamiquement à l’aide d’un critère de sélection basé sur le fit avec le modèle linéaire généralisé (GLM). Dans le même temps, les paramètres du GLM sont mis à jour en fonction des nouvelles données de dégradation permettant d’améliorer l’extrapolation de l’indicateur de santé jusqu’au seuil de défaillance. La prédiction du RUL s’améliore au fil du temps avec l’arrivée de nouvelles données de dégradation. Le chemin guidé est déclenché lorsqu’une ou plusieurs séquences a priori sont disponibles. Différents RUL sont estimés à l’aide de différents modèles adaptatifs combinés avec différents HI, tandis que le RUL final est obtenu en fusionnant les RUL en utilisant une moyenne pondérée. Le chemin guidé a montré de meilleurs résultats de prédiction du RUL par rapport aux méthodes appliquées dans la littérature (support vector machine et long short term memory). En outre, la précision et la robustesse de l’estimation RUL sont améliorées lorsque davantage de séquences a priori sont collectées. De plus, cette approche a montré une adaptation à plusieurs dynamiques (vitesses) de dégradation grâce à l’utilisation de différents modèles adaptatifs. Le chemin profond est utilisé lorsque de nombreuses séquences de dégradation a priori sont disponibles. Deux RUL sont prédits à l’aide de deux modèles d’apprentissage profond appelés Convolutional Neural Network (CNN) et Long Short Term Memory (LSTM), où le RUL final est obtenu en fusionnant les deux RUL en utilisant une moyenne pondérée. L’approche d’ensemble profond proposée a la capacité de capturer la variabilité des différents modes de conditions de fonctionnement. Cette approche a montré des résultats prometteurs par rapport aux méthodes similaires dans l’état de l’art.Fault prognostics consists of the estimation of the remaining useful life (RUL). It is the main part of the predictive maintenance strategy that can help to enhance the reliability and availability of industrial systems while reducing unscheduled downtime and maintenance cost. Applying prognostics in real industrial systems is arduous due to the insuffiency of the historical degradatation date, in particular for new machines, or because the high cost to produce or obtain them. Hence, this PhD thesis proposes a general data-driven approah with three paths for the RUL estimation when no degradation sequences, few sequences, and multiple sequences are available a priori. The general proposed approach includes three RUL estimation paths : blind, informed, and deep paths depending on the number of available degradation sequences. The blind path is triggered when no a priori sequences are available, it aims to select the best Health Indicator (HI) dynamically using a selection criterion based on the goodness of fit with the Generalized Linear Model (GLM). The GLM’s parameters are updated using the incoming degradation data in order to increase the RUL’s accuracy estimation when extrapolating the HI until the failure threshold. Therefore, the RUL prediction is improved over time with the arrival of new incoming degradation data. The informed path is triggered when one or more a priori sequences are available. Different RULs are estimated using different adaptive models (GLM, quadratic regression, exponential model, and double exponential model) combined with different HIs, while the final RUL is obtained by merging the individual RULs using a weighted mean. The informed path showed better RUL prediction results when few a priori sequences are available compared with the State-of-the-art RUL estimation methods (support vector machine and long short term memory models). The RUL estimation accuracy and robustness are improved when more a priori sequences ara collected. Besides, the informed path can predict the RUL when the degradation speed (dynamics) of the incoming sequence is different from the a priori degradation speed, or dynamics, thanks to the use of different adaptative models. The deep ensemble approach is used when many a priori degradation sequences are available. Two RULs are predicted using two deep learning models named Convolutional Neural Netwok (CNN) and Long Short Term Memory (LSTM), where the final RUL is obtained by merging the two RUL using weighted mean. The proposed deep ensemble approach (deep path) has the ability to capture the variability of different operating condition modes. The deep ensemble approach showed promising results against the related works in the-state-of-the-art