Jury :
Rapporteurs : Mohamed Benbouzid, Mitra Fouladirad
Examinateur : Marie-Cécile Péra, Nicolas Bonneel, Laetitia Chapel, Hubert Razik
Encadrement : Guy Clerc
Invités : Badr Mansouri, Babak Nahid-Mobarakeh, Noureddine Takorabet
Résumé :
Cette thèse développe une méthode de PHM complète allant du pré-traitement de la donnée à la détermination de durée de vie restante d’un inverseur de poussée électrique. Ce faisant, son objectif est de fournir un point de départ à la mise en place d’une stratégie plus globale de maintenance prédictive industrielle. Après la définition du contexte industriel de ces travaux, nous présenterons un état de l’art sur les méthodes de PHM. La méthodologie vise à résoudre deux types de problèmes : la classification ou le partitionnement pour effectuer une étape de diagnostic et la régression couplée à une classification pour effectuer le pronostic. Depuis ces dernières années, les méthodes d’intelligence artificielle et notamment les réseaux de neurones profonds permettent d’apporter une solution plus pertinente à ces deux grandes classes de problèmes, c’est pourquoi ils serviront au développement de la méthode PHM. Des signaux vibratoires mesurés sur l’inverseur de poussée sont alors extraits des descripteurs de défauts. Ces descripteurs de défauts, ou signatures, sont des grandeurs statistiques dont les dynamiques doivent être corrélées au vieillissement du système. Cependant, ces descripteurs ne possèdent pas de labels permettant d’assigner un degré de sévérité à un point donné. Autrement dit, leur état de santé est inconnu au cours du temps. C’est pourquoi, un algorithme de partitionnement de séries temporelles est développé pour réaliser cette tâche. Chaque descripteur est encodé sous forme d’une image qui sera ensuite segmentée par un réseau de neurones profond entraîné par une génération de données artificielles. Des informations unidimensionnelles sur les frontières de groupes sont ensuite extraites et filtrées. Puis, une estimation de densité à noyau transforme le signal résultat en une densité de probabilité empirique. Enfin, un modèle de mélange gaussien extrait les composantes indépendantes de la distribution créée pour obtenir des frontières de groupes probables. Cette méthode, SUNRISE (Soft Clustering for Time Series), permet de révéler différents degrés de sévérité de défauts dans les données étudiées, avec leur vraisemblance respective et ce, sans connaissance a priori de la structure des données. De plus, afin d’évaluer les résultats de partitionnement obtenus, nous avons développé un nouvel indicateur de qualité. Il mesure la cohérence temporelle ainsi que les similarités des formes de groupes obtenues par le schéma de partitionnement. Une fois que la labélisation des données est effectuée, la détermination de la durée de vie restante du système est réalisée par alignement de séries temporelles par la méthode PARTITA-RULE (Partial Time scaling Invariant Temporal Alignment for Remaining Useful Life Estimation). L’idée est de déterminer l’état de santé d’un nouvel actionneur en mesurant la similarité entre ses signaux vibratoires et les précédents, contenus en base de données. Pour ce faire, une méthode d’alignement de séries temporelles est mise au point : PARTITA. Une fois que la série inconnue est alignée sur tous les candidats possibles en base de données, un schéma de pondération est créé afin d’affecter un score de vraisemblance à chaque candidat. Enfin, un modèle de fusion résolvant un problème de transport optimal permet d’obtenir le temps de vie restant ou RUL de l’actionneur avec une mesure d’incertitude. Par la suite, la robustesse de la méthode aux segments temporels incomplets est testée. Cette thèse a permis la réalisation d’une méthode de PHM créée spécifiquement pour fonctionner en milieu industriel avec un ensemble de données d’entrées de petite taille mais qui pourrait être enrichi au fur et à mesure de l’exploitation du produit. Enfin, la méthode est robuste aux données manquantes et reste prometteuse pour un fonctionnement sous de multiples conditions opérationnelles.