Analyse et optimisation de la fiabilité d'un équipement opto-électrique équipé de HUMS

Analysis and optimization of the reliability of an opto-electronic equipment with HUMS

• Auteur / Autrice : Camille Baysse
• Direction : Anne Gégout-Petit, Jérôme Saracco
• Type : Thèse de doctorat
• Discipline(s) : Mathématiques appliquées
• Date : Soutenance le 07/11/2013
• Etablissement(s) : Bordeaux 1
• Ecole(s) doctorale(s) : École doctorale Mathématiques et informatique (Talence, Gironde ; 1991-....)
• Partenaire(s) de recherche : Laboratoire : Institut de mathématiques de Bordeaux - Institut de Mathématiques de Bordeaux / IMB - CQFD
• Jury : Président / Présidente : Michel Prenat
• Jury : Examinateurs / Examinatrices : Benoîte de Saporta, Mitra Fouladirad, Didier Bihannic
• Jury : Rapporteurs / Rapporteuses : Olivier Gaudoin, Antoine Grall

Mots clés

Mots clés contrôlés

Fiabilité -- Méthodes statistiques

Markov, Processus de

Processus stochastiques

Mots clés libres

Processus stochastiques

Chaînes de Markov cachées

Filtrage

Détection de rupture

Arrêt optimal

Processus Markovien déterministe par morceaux (PDMP)

Stochastic processes

Hidden Markov chains

Filtering

Break detection

Optimal stopping

Piecewise deterministic Markov process

Résumé

Dans le cadre de l'optimisation de la fiabilité, Thales Optronique intègre désormais dans ses équipements, des systèmes d'observation de leur état de fonctionnement. Cette fonction est réalisée par des HUMS (Health & Usage Monitoring System). L'objectif de cette thèse est de mettre en place dans le HUMS, un programme capable d'évaluer l'état du système, de détecter les dérives de fonctionnement, d'optimiser les opérations de maintenance et d'évaluer les risques d'échec d'une mission, en combinant les procédés de traitement des données opérationnelles (collectées sur chaque appareil grâce au HUMS) et prévisionnelles (issues des analyses de fiabilité et des coûts de maintenance, de réparation et d'immobilisation). Trois algorithmes ont été développés. Le premier, basé sur un modèle de chaînes de Markov cachées, permet à partir de données opérationnelles, d'estimer à chaque instant l'état du système, et ainsi, de détecter un mode de fonctionnement dégradé de l'équipement (diagnostic). Le deuxième algorithme permet de proposer une stratégie de maintenance optimale et dynamique. Il consiste à rechercher le meilleur instant pour réaliser une maintenance, en fonction de l'état estimé de l'équipement. Cet algorithme s'appuie sur une modélisation du système, par un processus Markovien déterministe par morceaux (noté PDMP) et sur l'utilisation du principe d'arrêt optimal. La date de maintenance est déterminée à partir des données opérationnelles, prévisionnelles et de l'état estimé du système (pronostic). Quant au troisième algorithme, il consiste à déterminer un risque d'échec de mission et permet de comparer les risques encourus suivant la politique de maintenance choisie.Ce travail de recherche, développé à partir d'outils sophistiqués de probabilités théoriques et numériques, a permis de définir un protocole de maintenance conditionnelle à l'état estimé du système, afin d'améliorer la stratégie de maintenance, la disponibilité des équipements au meilleur coût, la satisfaction des clients et de réduire les coûts d'exploitation.

As part of optimizing the reliability, Thales Optronics now includes systems that examine the state of its equipment. This function is performed by HUMS (Health & Usage Monitoring System). The aim of this thesis is to implement in the HUMS a program based on observations that can determine the state of the system, anticipate and alert about the excesses of operation, optimize maintenance operations and evaluate the failure risk of a mission, by combining treatment processes of operational data (collected on each equipment thanks to HUMS) and predictive data (resulting from reliability analysis and cost of maintenance, repair and standstill). Three algorithms have been developed. The first, based on hidden Markov model, allows to estimate at each time the state of the system from operational data, and thus, to detect a degraded mode of equipment (diagnostic). The second algorithm is used to propose an optimal and dynamic maintenance strategy. We want to estimate the best time to perform maintenance, according to the estimated state of equipment. This algorithm is based on a system modeling by a piecewise deterministic Markov process (noted PDMP) and the use of the principle of optimal stopping.The maintenance date is determined from operational and predictive data and the estimated state of the system (prognosis). The third algorithm determines the failure risk of a mission and compares risks following the chosen maintenance policy.This research, developed from sophisticated tools of theoretical and numerical probabilities, allows us to define a maintenance policy adapted to the state of the system, to improve maintenance strategy, the availability of equipment at the lowest cost, customer satisfaction, and reduce operating costs.