Représentation et analyse de séries temporelles par apprentissage profond pour la maintenance prédictive, application au systèmes propulsifs du Naval de Défense

Representation and analysis of time series by deep learning for predictive maintenance, application to naval defence propulsion systems

• Auteur / Autrice : Guillaume Chambaret
• Direction : Frédéric Bouchara, Laure Berti-Équille
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 11/04/2023
• Etablissement(s) : Toulon
• Ecole(s) doctorale(s) : École doctorale Mer et Sciences (Toulon ; 2012-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire d’Informatique et Systèmes (Marseille ; La Garde, Var ; 2018-….)
• Jury : Président / Présidente : Boutaib Dahhou
• Jury : Examinateurs / Examinatrices : Vincent Martin, Emmanuel Bruno
• Jury : Rapporteurs / Rapporteuses : Germain Forestier, Dino Ienco
• DOI : 10.70675/773252fcz04f9z4c61z9476zc5bede58652b

Mots clés

Mots clés contrôlés

Réseaux neuronaux (informatique)

Méthode de traitement de données par groupe

Modélisation prédictive

Apprentissage profond

Maintenance conditionnelle

Mots clés libres

Maintenance prédictive

Séries temporelles multivariées

Apprentissage profond

Pronostic

Augmentation

Détection d'anomalies

Predictive maintenance

Multivariate time series

Deep learning

Prognosis

Augmentation

Anomaly detection

Résumé

Dans le cadre de la transformation numérique opérée dans l’industrie navale, la multiplication des capteurs et des architectures complexes permet d’opérer une transformation des méthodes de maintenance. Les opérations autrefois systématiques et prédéterminées sont de plus en plus réalisées selon des conditions obtenues à partir des données dans le cadre d’une maintenance prédictive. L’ambition de ces travaux consiste à exploiter les signaux historisés afin de développer des modèles prédictifs permettant d’anticiper des défaillances dans le cadre de la politique de maintenance. Afin de résoudre les problèmes relatifs à un grand volume de données, l’apprentissage automatique est devenu omniprésent pour générer des modèles qui palie le manque de connaissances expertes. L’objectif de cette thèse est de proposer une architecture d’analyse des séries temporelles basée sur des techniques d’apprentissage profond et qui répond aux exigences du Naval de Défense. L’architecture prend en compte différentes contributions appliqués successivement, bien que relativement indépendantes.Dans un premier temps, les concepts relatifs à la maintenance prédictive sont introduits afin de sélectionner les méthodes d’analyses les plus adaptés à la problématique industrielle, en particulier d’opérer un arbitrage entre différentes familles de modèles rencontrées dans la littérature. La première partie expérimentale explore l’éventail des méthodes de régression de durée de vie restantes puis propose une amélioration des performances d’un zoo de modèles par différents pré-traitements opérés sur les données.Dans un second temps, différentes méthodes de fabrication de données sont proposées afin notamment d’améliorer la régularisation des modèles sélectionnées. Afin de compléter la prédiction de durée de vie, une méthode de construction d’indicateurs d’état de santé est proposée. Cette dernière permet de quantifier les dégradations en fonction du temps et d’aider à la compréhension des mécanismes impliquées dans l’apparition des défaillances.Une dernière contribution consiste à travailler avec le minimum d’hypothèses sur les séries temporelles de manière non supervisée. Dans ce cas, des dates d’anomalies sont recherchées au moyen d’une modélisation et d’une inférence par apprentissage contrastif. Les dates peuvent ensuite être réutilisées pour les analyses précédentes.L’ensemble des contributions sont basées sur l’exploitation d’un historique de données de manière naïve, à savoir avec très peu d’hypothèses métiers inhérentes aux systèmes propulsifs étudiés.

According to the digital transformation taking place in the naval industry, the multiplication of sensors and complex architectures allows an evolution of maintenance methods. Operations that used to be systematic and predetermined are increasingly performed under conditions obtained from data in the context of predictive maintenance. The idea is now to use historical signals to develop predictive models to anticipate failures within the framework of the maintenance policy. In order to solve problems related to a large volume of data, machine learning has become very popular to generate models which balance the lack of expert knowledge. The objective of this thesis is to propose a time series analysis architecture based on deep learning techniques and which meets the requirements of the naval defence field. The architecture takes into account different contributions applied successively, although relatively independent.First, the concepts inherent to predictive maintenance are introduced in order to select the most suitable analysis methods for the industrial issues, particurlarly to benchmark between different families of models which can be found in the literature.The first experimental part explores the range of remaining useful life regression methods and then proposes an improvement in the performance of a zoo of models by different pre-processing task applied to the data.In a second step, different methods to generate synthetic samples are proposed. These ones are then applied to obtain a better regularization of the selected models. In order to complete remaining useful life prediction, a method to compute health indicators is proposed. The goal is simply to quantify the degradation process as a function of time and to make more explainable the mechanisms causing failures.A final contribution consists in dealing with the minimum of assumptions related to time series in an unsupervised way. In this case, anomaly dates are detected with modeling and contrastive learning inference. These dates can then be used for tasks introduced in previous chapters.All the contributions are developped on the exploitation of historical data in a naive way, namely with very few expert knowledges related to propulsive system.