Surveillance et diagnostic pour la conduite de la maintenance prévisionnelle

Monitoring and diagnostic for the predictive maintenance

• Auteur / Autrice : Alexandre Ausloos
• Direction : Antoine Grall, Edith Grall Maës
• Type : Thèse de doctorat
• Discipline(s) : Optimisation et sûreté des systèmes
• Date : Soutenance en 2010
• Etablissement(s) : Troyes
• Ecole(s) doctorale(s) : Ecole doctorale Sciences pour l'Ingénieur (Troyes, Aube)

Mots clés

Mots clés contrôlés

Systèmes d'aide à la décision

Modèles mathématiques

Disponibilité (systèmes)

Entretien

Avions -- Turboréacteurs

Analyse de régression

Résumé

Cette thèse porte sur la détection et la localisation de dégradations et de défaillances pour la mise en place de procédures de maintenance préventive ou corrective. Elle a été réalisée dans le cadre de la surveillance du démarrage d’un turboréacteur. Une étude approfondie des défaillances de la phase de démarrage, basée sur des avis d’experts et le retour d’expériences, a permis la définition d’indicateurs représentatifs de l’état de santé des composants impliqués. Ces indicateurs sont en outre sensibles aux conditions opératoires du démarrage qui peuvent masquer l’effet des dégradations. L’approche proposée consiste à calculer pour chacun des indicateurs l’écart entre sa valeur mesurée et sa valeur estimée à l’aide des conditions opératoires mesurées et sous l’hypothèse d’un état sain. L’estimation est obtenue à l’aide de modèles basés sur la régression et dont les paramètres sont appris à partir d’une base d’apprentissage. L’approche a été appliquée à des données issues de démarrages réalisés lors d’essais, en considérant la régression polynomiale et la régression par vecteurs supports. Néanmoins, la validité de l’estimation n’est garantie que si les conditions opératoires appartiennent au domaine couvert par la base d’apprentissage. C’est pourquoi l’architecture du système proposé intègre un contrôle préalable des conditions opératoires à l’aide de SVM mono-classe. Le mémoire conclut sur une étude du compromis entre la sévérité du contrôle et l’erreur d’estimation

This thesis deals with the detection and localisation of degradation allowing predictive or corrective maintenance actions. The work was done within an application to a civil turbofan start, which is very important for airline companies. A detailed failure mode analysis of the starting phase, based on expert opinion and experience feedback, enabled the definition of indicators that characterize the components health involved in the engine start. In addition, the indicator values depend on the start operating conditions which could mask the degradation effects. The proposed approach consists to calculate for each indicator the difference between its measured value and its estimated value using the measured operating conditions and assuming a healthy situation. The estimation is done using models based on regression and the parameters are determined using a data base. The learning data base has been built using available engine start bench tests. Then indicators model parameters in the case of a healthy behavior were learned considering polynomial regression and support vector regression. However the estimation validity is guaranteed only when the operating conditions are within the domain covered by the learning data base. Thus the proposed system architecture includes a preliminary control on the operating conditions using one-class SVM. The thesis concludes with a study of the com-promise between the control severity and the estimation error