Identification et pronostics de l’état de santé des systèmes non linéaires par apprentissage profond. Application à la maintenance prévisionnelle des avions d’affaires

System identification enabled Health State prognostics using deep learning. Application to predictive maintenance of business jet aircraft.

• Auteur / Autrice : Martin Hervé de Beaulieu
• Direction : Hugues Garnier, Mayank Shekhar Jha
• Type : Thèse de doctorat
• Discipline(s) : Automatique, Traitement du signal et des images, Génie informatique
• Date : Soutenance le 04/12/2023
• 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 : Benoît Iung
• Jury : Examinateurs / Examinatrices : Hugues Garnier, Mayank Shekhar Jha, Kamal Medjaher, Jonas Sjöberg, Chetan Kulkarni, Farid Cerbah, Marie Albisser
• Jury : Rapporteurs / Rapporteuses : Kamal Medjaher, Jonas Sjöberg

Mots clés

Mots clés contrôlés

Durée de vie (ingénierie)

Identification des systèmes

Maintenance conditionnelle

Apprentissage profond

Temps entre défaillances, Analyse des

Aéronautique

Mots clés libres

Prognostic de défaillance

Apprentissage profond

Identification de système

Indicateur d'état de santé

Durée de vie résiduelle

Aéronautique

Prognostics

Deep Learning

System identification

Health Index

Remaining Useful Life

Aeronautics

Résumé

Le prognostic d'état de santé est un enjeu majeur dans le domaine de la maintenance prévisionnelle, et a été l'objet de nombreuses études ces dernières années, cherchant notamment à utiliser l'Intelligence Artificielle (IA) pour améliorer les performances de prédiction. Néanmoins, peu d'approches réalistes, prenant en compte les contraintes industrielles réelles, et notamment le manque de données sous dégradation, ont été proposées à ce jour. L'objectif des travaux de cette thèse est de proposer une approche de prognostic à base d'IA la plus réaliste possible, en prenant notamment en compte la problématique de l'absence de données de dégradation, et en utilisant les connaissances a priori disponibles. Une stratégie globale de prognostic en l'absence de données mesurées sous dégradation est proposée. Elle se divise en trois grandes étapes. Tout d'abord, une phase d'augmentation de données hybride basée sur l'utilisation de l'identification de systèmes couplée à l'injection d'un modèle de dégradation physique permet de générer à la fois des données nominales et des données sous dégradation. Ensuite, une méthode d'extraction non-supervisée de l'indicateur d'état de santé, utilisant l'erreur de reconstruction d'un autoencodeur, permet d'obtenir un indicateur d'état de santé à partir des données de capteur mesurées sur le système. Enfin, un processus de prédiction à long-terme de l'indicateur d'état de santé permet d'obtenir une prédiction de la durée de vie résiduelle. Certaines étapes sont d'abord validées sur un jeu de données académique (C-MAPSS), puis la méthode globale est appliquée à un cas industriel réel grâce au partenariat avec l'entreprise Dassault Aviation. Les travaux réalisés mettent en évidence la nécessité de proposer des approches réalistes d'un point de vue industriel, tenant compte des contraintes pratiques, et les résultats obtenus constituent une validation de l'apport des méthodes hybrides (modèles IA intégrant les connaissances disponibles a priori) pour évoluer vers un concept de maintenance prévisionnelle applicable en milieu industriel.

State-of-Health prognostics is a major challenge in the predictive maintenance domain, and has been the subject of numerous studies in recent years, with particular emphasis on the use of Artificial Intelligence (AI) to improve prediction performance. However, few realistic approaches have been proposed so far that take into account the real industrial constraints, and in particular the lack of data under degradation. The aim of this PhD work is to propose an AI-based prognostics approach as realistic as possible, addressing in particular the problem of the absence of degradation data, and leveraging the available a priori knowledge. A global prognostics approach in the absence of measured degradation data is proposed. It is divided into three main stages. First of all, a hybrid data augmentation phase based on system identification coupled with the injection of a physics-based degradation model is used to generate both nominal data and degradation data. Next, an unsupervised Health Index (HI) extraction method, using the reconstruction error of an autoencoder, is used to obtain a HI from the sensor data collected on the system. Finally, a long-term HI prediction process leads to Remaining Useful Life (RUL) predictions. Some stages are first validated on an academic dataset (C-MAPSS), then the overall method is applied to a real industrial case thanks to a partnership with Dassault Aviation. The research conducted highlights the need for approaches that are realistic from an industrial point of view, taking account of real-life constraints, and the results obtained open up new opportunities for the practical use of AI in predictive maintenance.