Knowledge reuse to enhance predictive maintenance systems architecture

La maintenance prédictive vise à déterminer le bon moment pour déclencher des actions de maintenance en fonction de l’état de santé d’un système. La maintenance prédictive est effectuée par des systèmes spécialisés dont la conception est encore basée sur des essais et des erreurs. Deux des principaux défis dans le développement des systèmes de maintenance prédictive sont l’absence d’une approche systématique pour aborder leur état conceptuel, et la sélection des composants appropriés pour traiter les tâches de diagnostic et de pronostic. Cette recherche vise à proposer des solutions possibles pour relever ces défis. Une approche d’ingénierie des systèmes est proposée pour aborder l’étape du concept, et un système d’aide à la décision (DSS) est proposé pour aider l’architecte à sélectionner les composants appropriés en fonction des mises en oeuvre de maintenance prédictives réussies précédentes. Pour le développement du DSS deux technologies sont intégrées : Case-Based Reasoning et ontologies. La validation du DSS comprend la mise en oeuvre de l’un des composants suggérés par le DSS pour accomplir une tâche de diagnostic dans une étude de cas de données de moteur à réaction simulée.Predictive maintenance aims at determining the right moment to trigger maintenance actions based on the health state of a system. Predictive maintenance is carried out by specialized systems whose design is still based on trial and error. Two of the main challenges in the development of predictive maintenance systems is the lack of a systematic approach to address their concept state, and the selection of suitable components to address the diagnostics and prognostics tasks. This research aims at proposing possible solutions to address these challenges. A systems engineering approach is proposed to address the concept stage, and a Decision Support System (DSS) is proposed to help the architect select suitable components based on previous successful predictive maintenance implementations. For the development of the DSS two technologies are integrated: Case-Based Reasoning and ontologies. The validation of the DSS includes the implementation of one of the suggested components by the DSS to fulfil a diagnostics tasks in a simulated jet-engine data case study