Évaluation du pronostique pour des modèles stochastiques en prenant en compte la dégradation des capteurs

Prognostic Evaluation of Stochastic Models with the Consideration of Sensor Degradation

• Auteur / Autrice : Hassan Hachem
• Direction : Mitra Fouladirad, Hai Canh Vu
• Type : Thèse de doctorat
• Discipline(s) : Optimisation et Sûreté des Systèmes
• Date : Soutenance le 28/09/2022
• Etablissement(s) : Troyes
• Ecole(s) doctorale(s) : École doctorale Sciences pour l'Ingénieur (Troyes, Aube)
• Partenaire(s) de recherche : Organisme européen de financement : Fonds européen de développement régional
• Partenaire(s) de recherche : Laboratoire : Laboratoire Informatique et Société Numérique / LIST3N
• Jury : Président / Présidente : Antoine Grall
• Jury : Examinateurs / Examinatrices : Antoine Grall, Pierre Dehombreux, Phuc Do, Nassim Boudaoud
• Jury : Rapporteur / Rapporteuse : Pierre Dehombreux, Phuc Do

Mots clés

Mots clés contrôlés

Théorie de la prévision

Filtres (mathématiques)

Modèles de Markov cachés

Durée de vie (ingénierie)

Processus stochastiques

Mots clés libres

Processus stochastiques

Durée de vie (ingénierie)

Modèles de Markov cachés

Filtres (mathématiques)

Théorie de la prévision

Dégradation de Capteurs

Stochastic processes

Remaining useful lifetime

Hidden Markov models

Filters (mathematics)

Prediction theory

Sensor degradation

Résumé

Cette thèse s'intéresse à la prédiction de la durée de vie résiduelle (RUL) d'un système en prenant en compte la dégradation des capteurs. La prédiction de la RUL se base sur les données collectées par les capteurs. Ces données peuvent être inexactes à cause d'une défaillance ou d'une dégradation du capteur ou l'erreur de mesure. L'objectif consiste à proposer des modèles de dégradation aussi bien pour le capteur que pour le système. Tout d'abord, la dégradation est modélisée par les processus de Wiener et Gamma. Ensuite, différentes méthodes d'estimation basées sur le filtre particulaire ont été proposées pour prédire la RUL. Les résultats obtenus valident les performances et les avantages des méthodes proposées. La RUL est également prédite lorsque les paramètres du modèle sont inconnus. Pour ce faire, une méthode bayésienne avec différentes lois a priori est utilisée et les erreurs d'estimation sont analysées. Ensuite, l'impact de l'incertitude liée aux estimateurs de paramètres sur la RUL est étudié. Enfin, un nouveau modèle conjoint, probabiliste discret, de dégradation est proposé où les deux dégradations sont modélisées à l'aide d'une chaîne de Markov à temps discret/continu. L'algorithme de Viterbi est utilisé pour estimer la dégradation. Ensuite, la RUL est prédit, la performance de l'approche est étudiée à travers des exemples numériques.

This thesis focuses on the prediction of the Remaining Useful Lifetime (RUL) of a system by considering sensor degradation. RUL prediction is based on the measurement data collected from sensors. The collected data may be inaccurate due to sensor failure or degradation and measurement errors. The aim consists in proposing joint probabilistic models for both sensor and system degradation. Firstly, the degradation is modelled by Wiener and Gamma processes with known parameters. Afterward, different estimation methods based on the particle filter are proposed to predict the RUL. The RUL distributions is also predicted for unknown model parameters. For this purpose, a Bayesian method with different prior is used and the estimation errors are analysed. Afterward, the impact of the uncertainty around the parameters estimates on the RUL is studied. Concerning the implementation, particle filter is used to estimate unknown parameters. Afterward, both degradations are modelled using a discrete/continuous-time Markov chain. Regarding the implementation, the Viterbi algorithm is used to estimate the RUL where the performances of the approach are studied through numerical simulations.