Diagnostic et Pronostic à l’aide de l’IA dans le cadre de la maintenance industrielle

Diagnosis and Prognosis using AI in the context of industrial maintenance

• Auteur / Autrice : Amal Ayadi
• Direction : Anne Louis, Mohamed Amin Benatia, Ramzi Chaieb
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 03/04/2025
• Etablissement(s) : Paris, ENSAM
• Ecole(s) doctorale(s) : École doctorale Sciences des métiers de l'ingénieur (Paris ; 2000-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire d'innovation numérique pour les entreprises et les apprentissages au service de la compétitivité des territoires (Saint-Etienne-du-Rouvray, Seine-Maritime) - Laboratoire d'innovation numérique pour les entreprises et les apprentissages au service de la compétitivité des territoires (Saint-Etienne-du-Rouvray, Seine-Maritime)
• Jury : Président / Présidente : Lyes Khoukhi
• Jury : Examinateurs / Examinatrices : Anne Louis, Mohamed Amin Benatia, Ramzi Chaieb, Mounim El Yacoubi, Zineb Simeu-Abazi
• Jury : Rapporteurs / Rapporteuses : Lyes Khoukhi, Mounim El Yacoubi
• DOI : 10.70675/3375411cz844bz4c0dz9eb8z4d35e4e29de5

Mots clés

Mots clés contrôlés

Diagnostic -- Appareils et matériel

Durée de vie (ingénierie)

Intelligence artificielle

Thèses et écrits académiques

Maintenance conditionnelle

Mots clés libres

Machine Learning

Intelligence Artificielle

Maintenance prédictive

Pronostic & Diagnostic

Rul

Machine Learning

Artificial Intelligence

Predictive maintenance

Diagnostic & Prognostic

Rul

Résumé

Dans un contexte industriel en constante évolution, la maintenance prédictive s’imposecomme une solution essentielle pour anticiper les pannes et optimiser la durée de vie deséquipements. Cette thèse porte sur le développement de modèles robustes pour l’estimation de la durée de vie utile restante (RUL) à partir de données issues de capteurs. Nous proposons un modèle hybride combinant des autoencodeurs variationnels (VAE) pour l’extraction de caractéristiques pertinentes et des réseaux neuronaux récurrents (RNN) pour capturer les dynamiques temporelles. Afin d’améliorer la précision et la robustesse des prédictions, des mécanismes d’attention et une régularisation adaptative ont été intégrés. Les expérimentations réalisées sur des jeux de données complexes, tels que ceux de la NASA, C-MAPSS et des batteries Li-ion, montrent que le modèle proposé réduit significativement les erreurs de prédiction par rapport aux méthodes traditionnelles, offrant ainsi une solution innovante pour la maintenance prédictive

In a rapidly evolving industrial landscape, predictive maintenance has become essentialfor preemptively addressing failures and optimizing equipment lifespans. This thesis focuseson developing robust models for estimating Remaining Useful Life (RUL) from sensor data.We propose a hybrid approach that leverages Variational Autoencoders (VAEs) to extractrelevant features and Recurrent Neural Networks (RNNs) to capture temporal dynamics.To further enhance prediction accuracy and robustness, attention mechanisms and adaptiveregularization techniques are integrated into the model. Experimental results on complexdatasets, including NASA’s C-MAPSS and Li-ion battery datasets, demonstrate that theproposed model significantly reduces prediction errors compared to traditional methods, offering an innovative solution for predictive maintenance.