Cοntributiοn à l'estimatiοn et la prédictiοn de l'état de santé ( en temps différé) d'un LΡRE réutilisable pοur pilοter la maintenance

Offline state of health estimation and prediction of a reusable Liquid Propellant Rocket Engine to guide maintenance planning

• Auteur / Autrice : Federica Galli
• Direction : Ghaleb Hoblos, Philippe Weber
• Type : Thèse de doctorat
• Discipline(s) : Automatique, signal, productique, robotique
• Date : Soutenance le 09/10/2024
• Etablissement(s) : Normandie
• Ecole(s) doctorale(s) : École doctorale mathématiques, information et ingénierie des systèmes (Caen)
• Partenaire(s) de recherche : Laboratoire : Institut de recherche en systèmes électroniques embarqués (Saint-Étienne-du-Rouvray, Seine-Maritime ; 2001-...)
• Partenaire(s) de recherche : Établissement co-accrédité : Université de Rouen Normandie (1966-....)
• Jury : Examinateurs / Examinatrices : Ghaleb Hoblos, Philippe Weber, Kamal Medjaher, Fatiha Nejjari, Didier Theilliol, Vincent Sircoulomb, Abdessamad Kobi, Giuseppe Fiore
• Jury : Rapporteurs / Rapporteuses : Kamal Medjaher, Fatiha Nejjari

Mots clés

Mots clés contrôlés

Rupture, Mécanique de la

Maintenance conditionnelle

Matériaux -- Détérioration

Durée de vie (ingénierie)

Matériaux -- Fatigue

Paliers et coussinets

Machines tournantes

Modèles de Markov cachés

Moteurs-fusées à ergols liquides

Mots clés libres

Moteur de fusée à propergol liquide réutilisable

Phm

Estimation du RUL

Hms

Modèles de Markov cachés

Machines tournantes

Roulements

Dégradation par fatigue

Reusable Liquid Propellant Rocket Engine

Prognosis and Health Management

RUL estimation

Hms

Hidden Markov Models

Rotating machines

Bearings

Fatigue degradation

Résumé

Cette thèse porte sur l’estimation de l’état de santé et la prévision de la durée de vie utile résiduelle en temps différé des moteurs de fusée à propergol liquide réutilisables, qui doivent être requalifiés après chaque mission. Dans ce contexte, la thèse propose une approche PHM (Prognosis and Health Monitoring) locale à base de données pour l’estimation du RUL (Remaining Useful Life) des roulements de la turbopompe du moteur. Deux activités principales ont été menées en parallèle : la génération de signaux vibratoires non stationnaires à l’aide d’un modèle dynamique du roulement, et le déploiement de l’algorithme prédictive pour le pronostic du roulement. L’approche PHM proposé concerne la construction de l’indicateur de santé, le diagnostic du roulement et l’estimation du RUL. Les signaux vibratoires ont été traités à l’aide de la décomposition en ondelettes et utilisés pour calculer un HI (Health Indicator) approprié. Un profil de dégradation a été défini et couplé à des modèles d’initiation et de propagation des fissures. Enfin, un MB-HMM (Multi Branch - Hidden Markov Model) à plusieurs niveaux a été entraîné pour capturer la dynamique de dégradation des roulements. Le modèle obtenu a été utilisé pour le diagnostic et l’estimation du RUL. La méthodologie proposée a été appliquée à des signaux vibratoires à la fois synthétiques et expérimentales (FEMTO, XJTU-SY). Les résultats montrent de bonnes capacités de prédiction du RUL. Plus spécifiquement, les modèles d’initiation et propagation de fatigue ont permis une réduction de la taille du modèle ML (Machine Learning), améliorant ainsi la phase d’entraînement des algorithmes.

This thesis focuses on State of Health estimation and offline Remaining Useful Life (RUL) prediction for reusable liquid propellant (LPRE) rocket engines. Reusable LPREsmust be requalified after each mission, so predictive maintenance actions must be planned. In this context, the thesis proposes a local data-driven PHM approach for the estimation of the turbopump bearings RUL. Two main activities were carried out in parallel: non-stationary vibration signals generation with a bearing dynamic model and bearing prognosis using a data-driven predictive algorithm. The proposed PHM approach includes: Health Indicator (HI) construction, bearing diagnosis and RUL estimation. Non-stationary vibration data were processed using the Maximum Overlap Discrete Wavelet Packet Transform (MODWPT) decomposition. Then, they were used to calculate an appropriate HI. A degradation profile was defined and linked to crack initiation and propagation fatigue models. Finally, a multi-level MB-HMM (Multi Branch - Hidden MarkovModel) was trained to capture the bearing degradation dynamics. The resulting model was used to estimate the SoH as well as the RUL. The proposed methodology was applied to both synthetic and experimental signals. In particular, the FEMTO dataset and the XJTU-SY dataset were selected, which contain run-to-failure vibration signals. The obtained results show good RUL prediction capabilities. In particular, fatigue models allowed a reduction in the size of the ML (Machine Learning) model, thus improving the training phase of the algorithm.