Modélisation et analyse de la dégradation d'une micropince pour la chirurgie intracorporelle

Degradation modeling and analysis for a microgripper for intracorporeal surgery

• Auteur / Autrice : Liseth Victoria Pasaguayo Baez
• Direction : Saïd Noureddine Zerhouni, Zeina Al Masry, Sergio Andrée Lescano
• Type : Thèse de doctorat
• Discipline(s) : Sciences pour l'Ingénieur
• Date : Soutenance le 21/05/2024
• Etablissement(s) : Bourgogne Franche-Comté
• Ecole(s) doctorale(s) : École doctorale Sciences Physiques pour l'Ingénieur et Microtechniques (Besançon ; 1991-....)
• Partenaire(s) de recherche : Laboratoire : FEMTO-ST : Franche-Comté Electronique Mécanique Thermique et Optique - Sciences et Technologies (Besançon) - Franche-Comté Électronique Mécanique- Thermique et Optique - Sciences et Technologies (UMR 6174) / FEMTO-ST
• Partenaire(s) de recherche : Etablissement de préparation : Université de Franche-Comté (1971-2024)
• Jury : Président / Présidente : Guillaume Morel
• Jury : Examinateurs / Examinatrices : Nicolas Andreff, Belkacem Ould Bouamama
• Jury : Rapporteurs / Rapporteuses : Antoine Grall, Zineb Simeu-Abazi

Mots clés

Mots clés contrôlés

Chirurgie -- Appareils et matériel

Matériaux -- Détérioration

Microchirurgie

Mots clés libres

Micropince chirurgicale

Durée de vie restante

Pronostic pour dispositifs micromédicaux

Approche orientée sur les données

Analyse de dégradation

Fiabilité

Surgical microgripper

Remaining useful life

PHM for medical microdevices

Data-Driven approach

Machine learning

Reliability

Résumé

Ce travail de recherche porte sur la modélisation et l'analyse de la dégradation d'une micropince pour la chirurgie intracorporelle. Nous avons d'abord mené une revue de la littérature pour identifier les limites de la mise en œuvre du pronostic et de la gestion de santé dans les microsystèmes médicaux. Deuxièmement, une méthodologie basée sur la gestion des risques selon la norme ISO 14971 pour les dispositifs médicaux a été développée afin de sélectionner les composants critiques de la micro-pince. Ensuite, les données ont été collectées sur la cinématique du système de micro-pince, en considérant les variables de position angulaire, de vitesse, d'accélération et de jerk, à travers une méthodologie incluant les exigences en matière de données, les méthodes et les protocoles. Une fois les données disponibles, une analyse des données a été réalisée, ce qui a permis de comprendre le comportement de dégradation du système de micro-pince. Cette analyse a conduit à l'identification de trois étapes distinctes de dégradation, classées en trois zones : sécurité, dégradation et critique. En outre, il a été identifié que plus la plage de fermeture est grande, plus le nombre de cycles avant l'apparition de la défaillance est faible. Enfin, pour prédire la durée de vie utile du système de micro-pince, une approche basée sur le Gradient Boosting et le réseau de neurones (acronyme anglais LSTM) a été mise en œuvre. La performance de l'approche proposée a été validée par les résultats de certaines métriques, ainsi que par la mise en œuvre de la prédiction en ligne de la vie restante.

This research work deals with the degradation modeling and analysis for a microgripper for intracorporeal surgery. We first conducted a literature review to identify limitations for Prognostics and Health Management (PHM) implementation in medical microsystems. Secondly, a methodology based on risk management according to ISO 14971 for medical devices was developed to select the critical components of the microgripper. Thirdly, the data was collected on the microgripper system's kinematics, considering the angular position, velocity, acceleration, and jerk variables through a methodology that included data requirements, methods, and protocols. Once data were available, data analysis was performed, which allowed an understanding of the degradation behavior of the microgripper system, this understanding led to the identification of three distinct stages of degradation, which were categorized into three zones: safety, degradation, and critical. Moreover, it was identified the larger the closing range, the lower the number of cycles before failure occurs. Lastly, to predict the remaining useful life (RUL) of the microgripper system, a machine learning and deep learning approach was implemented. This approach consisted of fusing Gradient Boosting and Long short-term memory (LSTM) results to predict the RUL. The proposed approach performance was validated by the results of the RMSE, MAE, and R^2 metrics, as well as the online RUL implementation.