Search

The research presented in this thesis deals of diagnosis and prognosis of complex systems. It presents two approaches that generate useful indicators for optimizing maintenance strategies. Specifically, these approaches are used to assess the level of degradation and estimate the Remaining Useful Life of the system. The aim of these approaches is to overcome for the lack of degradation indicators. The developments are based on observers, Hidden Markov Model formalism, statistical inference methods and learning-based methods in order to characterize and predict the system operating modes. To illustrate the proposed failure diagnosis/prognosis approaches, a simulated tank level control system, an induction motor and a Li-Ion battery were used., Cette thèse porte sur le diagnostic et le pronostic pour l’aide à la maintenance de systèmes complexes. Elle présente deux approches de diagnostic/pronostic qui permettent de générer les indicateurs utiles pour l’optimisation de la stratégie de maintenance. Plus précisément, ces approches permettent d’évaluer l’état de santé et de prédire la durée de vie résiduelle du système. Les approches présentées visent en particulier à pallier le problème d’absence d’indicateurs de dégradation. Les développements sont fondés sur l’utilisation d’observateurs, de formalisme de Modèle de Markov Caché, des méthodes d’inférences statistiques et des méthodes de prédiction de séries temporelles à base d’apprentissage afin de caractériser et prédire les modes de fonctionnement du système. Les deux approches sont illustrées sur des exemples de dégradation d’un système de régulation de niveau d’eau, d’une machine asynchrone et d’une batterie Li-Ion.

Our thesis work is concerned with the development of experience based approachesfor criticalcomponent prognostics and Remaining Useful Life (RUL) estimation. This choice allows us to avoidthe problematic issue of setting a failure threshold.Our work was based on Case Based Reasoning (CBR) to track the health status of a new componentand predict its RUL. An Instance Based Learning (IBL) approach was first developed offering twoexperience formalizations. The first is a supervised method that takes into account the status of thecomponent and produces health indicators. The second is an unsupervised method that fuses thesensory data into degradation trajectories.The approach was then evolved by integrating knowledge. Knowledge is extracted from the sensorydata and is of two types: temporal that completes the modeling of instances and frequential that,along with the similarity measure refine the retrieval phase. The latter is based on two similaritymeasures: a weighted one between fixed parallel windows and a weighted similarity with temporalprojection through sliding windows which allow actual health status identification.Another data-driven technique was tested. This one is developed from features extracted from theexperiences that can be either mono or multi-dimensional. These features are modeled by a SupportVector Regression (SVR) algorithm. The developed approaches were assessed on two types ofcritical components: turbofans and ”Li-ion” batteries. The obtained results are interesting but theydepend on the type of the treated data., Nos travaux de thèse s’intéressent au pronostic de défaillance de composant critique et à l’estimation de la durée de vie résiduelle avant défaillance (RUL). Nous avons développé des méthodes basées sur l’expérience. Cette orientation nous permet de nous affranchir de la définition d’un seuil de défaillance, point problématique lors de l’estimation du RUL.Nous avons pris appui sur le paradigme de Raisonnement à Partir de Cas (RàPC) pour assurer le suivi d’un nouveau composant critique et prédire son RUL. Une approche basée sur les instances (IBL) à été développée en proposant plusieurs formalisations de l’expérience: une supervisée tenant compte de l’état du composant sous forme d’indicateur de santé et une non-supervisée agrégeantles données capteurs en une série temporelle mono-dimensionnelle formant une trajectoire de dégradation.Nous avons ensuite fait évoluer cette approche en intégrant de la connaissance à ces instances.La connaissance est extraite à partir de données capteurs et est de deux types : temporelle qui complète la modélisation des instances et fréquentielle qui, associée à la mesure de similarité permet d’affiner la phase de remémoration. Cette dernière prend appui sur deux types de mesures : une pondérée entre fenêtres parallèles et fixes et une pondérée avec projection temporelle. Les fenêtres sont glissantes ce qui permet d’identifier et de localiser l’état actuel de la dégradation de nouveaux composants.Une autre approche orientée donnée a été testée. Celle-ci est se base sur des caractéristiques extraites des expériences, qui sont mono-dimensionnelles dans le premier cas et multidimensionnelles autrement. Ces caractéristiques seront modélisées par un algorithme de régression à vecteurs de support (SVR). Ces approches ont été évaluées sur deux types de composants : les turboréacteurs et les batteries « LI-ION ». Les résultats obtenus sont intéressants mais dépendent du type de données traitées.