Développement de méthodes rationnelles de maintenance proactive de systèmes industriels

主动维护是一种管理工业系统的战略，它对安全性、可靠性、可使用性和可操作性方面的历史开发和性能优化做出了贡献。维护管理机构对维护活动的开发、监督、监视和干预进行了进一步的处理。Plusieurs methodes de diagnosis de faestival et de pronostic de l'état de performance d'un système sont offertes.这些方法有助于管理者在一定的不确定性下改进系统的性能，并在实际使用条件、相互作用和维护干预效果的连续性假设下，对系统的长期泰尔梅进行预测。因此，一个系统的性能可能会随着时间的变化而变化Au。此外，所有的故障模式都相互依赖，或者说维修的效果是相互联系的，因此，在系统的功能中，一个非线性的装置会混淆模式的结果。 该方案的目的是要建立解释器性能渗透的故障诊断和诊断模式的合理方法，而不是建立一个系统的实际性能，迈斯也是随着时间的推移性能的发展。这些方法对统计分析和人工智能的研究具有重要意义，包括回归分析、深层神经元网络和决策树。可供选择的最佳方法，以及对维修管理中关键问题的可能结果的解释。本文提出了多变量时序系统开发与维护的融合方法;识别异常和补充异常的方法的初步处理;系统性能的调整方法;以及泰尔梅系统性能的整体优化。 计划的独创性体现在对工业系统在主动维护方法开发中的管理概念的研究中;由于长期泰尔梅的全球性能优化而进行的研究部分的目标的一致性; et le fort pouvoir emptitif 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 adjuster leurs plans de gestion de la pérennité sur le plus泰尔梅。

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.