Développement de méthodes rationnelles de maintenance proactive de systèmes industriels

点击翻译按钮获取中文摘要

La maintenance proactive est une stratégie de gestion du vieillissement de systèmes industriels qui met à contribution leurs historiques d'exploitation et l'optimisation de leurs performances en termes de sécurité, fiabilité, disponibilité, et coûts. Les gestionnaires de maintenance disposent de plus en plus de données d'exploitation, d'environnement, de surveillance et d'intervention en maintenance. Plusieurs méthodes de diagnostic de défaillance et de pronostic de l'état de performance d'un système sont offertes. Ces méthodes aident les gestionnaires à modéliser l'état de performance d'un système, avec une certaine incertitude, et à prédire à long terme l'évolution de cet état en prenant l'hypothèse du continuum des conditions d'usage actuel, de leurs interactions et de l'efficacité des interventions de maintenance. Hors, la performance réelle d'un système est assujettie à de nombreux changements au cours du temps. De plus, lorsque les modes de défaillance sont inter reliés ou que l'effet de la maintenance est mal connu, une forte non linéarité apparait dans le comportement du système rendant confus l'interprétation des résultats du modèle. L'objectif de ce programme est de développer des méthodes rationnelles de diagnostic de modes de défaillance et de pronostic de la performance permettant d'interpréter, non seulement l'état actuel d'un système, mais aussi l'évolution de sa performance à travers le temps. Ces méthodes tirent profit des techniques émergentes en analyse statistique et en intelligence artificielle telles que les analyses de régression, les réseaux de neurones profonds et les arbres de décision. Le choix des meilleures techniques en fonction des données disponibles et l'interprétation possible des résultats restent des problèmes cruciaux pour les gestionnaires de maintenance. Les développements proposés couvrent la fusion des données d'exploitation et de maintenance sous forme de séries chronologiques multivariées; le traitement préliminaire des données afin d'identifier et supprimer les anomalies; la modélisation de l'état de performance d'un système ou son duel dans le but d'interpréter la causalité révélée par les modèles; et l'optimisation de la performance globale d'un système sur le long terme. L'originalité du programme réside dans la mise en évidence du concept de gestion de la pérennité des systèmes industriels dans le développement de méthodes proactives de maintenance; la cohérence de ses objectifs de recherche partant de la fusion des données jusqu'à l'optimisation de la performance globale sur le long terme; et le fort pouvoir descriptif et interprétatif des récentes techniques d'intelligence artificielle sur des problèmes de classification supervisée et non supervisée. Ceci offrira aux gestionnaires de maintenance une interprétation rationnelle du vieillissement et des moyens efficaces pour ajuster leurs plans de gestion de la pérennité sur le plus long terme.