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
• Type : Projet de thèse
• Discipline(s) : Sciences pour l'ingénieur spécialité Informatique
• Date : Inscription en doctorat le 02/11/2021
• Etablissement(s) : Paris, HESAM
• Ecole(s) doctorale(s) : École doctorale Sciences des métiers de l'ingénieur
• Partenaire(s) de recherche : Laboratoire : CESI LINEACT - Laboratoire d'Innovation Numérique
• Partenaire(s) de recherche : établissement de préparation de la thèse : Paris, ENSAM

Mots clés

Mots clés libres

Machine Learning

Pronostic & Diagnostic

Intelligence Artificielle

Maintenance prédictive

Corrélation d'alarme

Machine Learning

Ai

Predictive maintenance

Diagnostic & prognostic

Résumé

Cette thèse de doctorat a pour objectif de concevoir et de développer une approche permettant d'établir la durée de vie d'un équipement industriel évoluant dans un système cyber-physique (CPS). Pour ce faire, ce travail vise la prédiction de pannes et de dysfonctionnements d'un équipement industriel, ainsi que l'évaluation de toutes les causes racines sous-jacentes. Le système permettra aussi d'identifier les actions à entreprendre afin de maintenir le système à un certain niveau de performances et l'opérer de la manière la plus efficace, ce qui implique une étude de tous les aspects : de fiabilité, de disponibilité et de maintenance. La plupart des travaux existants, réduits à quelques cas d'étude (ex. : roulement à billes, PoC) et relevant un manque de données considérable, se limitent souvent à la phase d'estimation du RUL (Remaining Useful Life) sans pour autant impliquer une décision par la suite. L'innovation de ce travail de recherche sera de concevoir et de développer des approches de diagnostic et de pronostic basées sur le Deep Learning (ex. : Machine de Boltzmann, Réseaux récurrents et ESN) pour la maintenance et la gestion de la santé des équipements industriels évoluant dans un CPS.

The objective of this PhD thesis is to design and develop an approach to establish the lifetime of an industrial equipment evolving in a cyber-physical system (CPS). To do so, this work aims at predicting failures and malfunctions of industrial equipment, as well as evaluating all underlying root causes. The system will also identify the actions to be taken in order to maintain the system at a certain level of performance and operate it in the most efficient way, which implies a study of all aspects: reliability, availability and maintenance. Most of the existing works, reduced to a few case studies (e.g.: ball bearing, PoC) and noting a considerable lack of data, are often limited to the estimation phase of the RUL (Remaining Useful Life) without implying a decision afterwards. The innovation of this research work will be to design and develop diagnostic and prognostic approaches based on Deep Learning (e.g. Boltzmann Machine, Recurrent Networks and ESN) for the maintenance and health management of industrial equipment evolving in a CPS.