Optimisation de la maintenance basée sur l'intelligence artificielle pour des systèmes à dépendances multiples

AI-based maintenance planning for multi-component systems considering different kinds of dependencies

• Auteur / Autrice : Van-Thai Nguyen
• Direction : Phuc Do Van, Alexandre Voisin
• Type : Thèse de doctorat
• Discipline(s) : Automatique, Traitement du signal et des images, Génie informatique
• Date : Soutenance le 12/06/2023
• Etablissement(s) : Université de Lorraine
• Ecole(s) doctorale(s) : École doctorale IAEM Lorraine - Informatique, Automatique, Électronique - Électrotechnique, Mathématiques de Lorraine (1992-....)
• Partenaire(s) de recherche : Laboratoire : Centre de recherche en automatique (Nancy)
• Jury : Président / Présidente : Antoine Grall
• Jury : Examinateurs / Examinatrices : Phuc Do Van, Alexandre Voisin, Anne Barros, Chi-Guhn Lee, Thi Phuong Khanh Nguyen
• Jury : Rapporteurs / Rapporteuses : Anne Barros, Chi-Guhn Lee

Mots clés

Mots clés contrôlés

Coût-efficacité

Intelligence artificielle répartie

Apprentissage profond

Contraintes (intelligence artificielle)

Dépendance (statistique)

Prise de décision

Entretien

Mots clés libres

Décision en maintenance

Dépendance

Systèmes à composants multiples

Intelligence artificielle

Apprentissage par renforcement profond

Systèmes multi-Agents

Maintenance decision-Making

Dependence modeling

Multi-Component systems

Artificial intelligence

Deep reinforcement learning

Multi-Agent systems

Résumé

Le maintien en condition opérationnel de systèmes industriels reste un challenge important en regard des dépendances multiples entre composants (ex. dépendance économique, stochastique et structurelle) et du grand nombre de variables de décision en maintenance à optimiser.Pour faire face à ce défi, cette thèse vise à proposer une approche d'optimisation de la maintenance basée sur l'intelligence artificielle permettant de prendre en compte différents types de dépendances entre composants. En particulier, l'approche de maintenance proposée intègre un modèle de prédiction basé sur des réseaux des neurones, pour l'estimation des coûts de maintenance au niveau du système sans avoir besoin des coûts individuels au niveau des composants, dans le cadre de l'apprentissage par renforcement profond multi-agents, qui peut être appliqué à la décision séquentielle de grande échelle, afin d'optimiser les décisions en maintenance. En outre, un nouveau modèle de dépendance d'états entre composants est également développé et ensuite intégré dans l'approche de maintenance proposée. De nombreux études numériques sont menées sur des systèmes avec différentes configurations sous différents scénarios d'observabilité pour étudier la performance et les avantages ainsi que des limites de l'approche de maintenance proposée.

Maintenance planning for systems consisting of multiple components has still been a challenging problem. Particularly, mathematically describing dependencies between components is usually a complicated task, however, omitting component dependencies in maintenance modeling might result in suboptimal plans. Moreover, the number of maintenance decision variables needed to be optimized increases rapidly in the number of components, causing computational expense for optimization algorithms.To face these issues, this PhD aims to propose an artificial-intelligence-based maintenance optimization approach allowing to consider different kinds of dependencies between components (i.e., economic, stochastic, and structural dependence). Particularly, the maintenance approach integrates a deep maintenance cost model, that allows to compute maintenance costs at system level without requiring individual costs at component level (e.g., setup costs, labor costs and costs of maintaining each component), into the framework of multi-agent deep reinforcement learning, which can be applicable for large sequential decision-making problems, to optimize maintenance decisions. Moreover, a novel degradation interaction model for discrete- state components is also developed and then integrated into the proposed maintenance approach. Numerical studied are conducted on multi-component systems with different configurations under different observability scenarios to investigate the performance and the advantage as well as limits of the proposed maintenance approach.