Implementation of a knowledge-based approach to estimate maintenance needs

Le domaine de la maintenance fait aujourd'hui face à de nouveaux enjeux majeurs dus à l’émergence du numérique et à la multiplicité des données. De plus, la complexité croissante des systèmes maintenus engendre une augmentation des risques et de la diversité des pannes pouvant les affecter. Cette problématique survient par ailleurs dans un contexte d’accroissement des exigences relatives à la fiabilité et à la rentabilité des systèmes dans le but de réduire les impacts humains et économiques de leurs défaillances. Dans ce contexte, la capacité nouvelle de gestion des flux de données modifie les fondements de la maintenance à travers l’émergence de nouvelles approches telles que le Prognostics and Health Management (PHM). Les travaux menés dans le cadre de cette thèse ont pour objet la mise en œuvre d’une approche de maintenance prévisionnelle de type PHM permettant de réaliser la détection d’anomalies, le diagnostic et le pronostic de la durée de vie d’un système complexe dont l’observation et l’analyse sont soumises à des contraintes de volume, vélocité et variété des données manipulées. Dans l’étude menée, la gestion de ces contraintes est assurée par la mise en place d’une architecture dirigée par les évènements permettant de détecter les anomalies sur la base des données provenant du système surveillé. Cette architecture repose sur un système à base de règles chargé de l’analyse des anomalies pour fournir un diagnostic des pannes et un pronostic de la durée de vie restante. Cette approche a pour but de valoriser les connaissances expertes capitalisées tout en permettant l’intégration de modèles d’apprentissage artificiels entraînés. Les résultats de cette étude ont été appliqués dans un cas d’étude portant sur l’identification d’équipements défaillants sur un sous-système d’aéronef.The maintenance domain is currently facing challenges related to the advents of the digital landscape and data proliferation. Furthermore, the maintained systems' surging complexity entails increasing risks and failure diversity. This problematic comes about in a context of intensified requirements regarding safety and profitability aiming at reducing the failures' human and economic impacts. In this context, the new data streams processing possibilities bring about fundamental changes to maintenance through the emergence of approaches like Prognostics and Health Management (PHM). The works presented in this thesis propose an implementation of a PHM-like predictive maintenance approach designed to perform anomaly detection,diagnostics and remaining useful life (RUL) prognostics. This study is performed on complex systems for which data monitoring and processing come with high volume, velocity and variety constraints. In this study, these constraints are dealt with through the implementation of an event driven architecture to detect anomalies among monitored data. It is supported by a rule-based system designed to analyze the detected anomalies and provide diagnostics and RUL prognostics. This approach aims at taking advantage of capitalized knowledge while managing the integration of trained machine learning models. This approach was applied in a case study in the aeronautical field to identify failed equipment on aircrafts’ subsystems