Estimation de la durée de vie résiduelle des roulements dans un contexte des conditions opératoires variables

Estimation of the remaining useful life of bearings in the context of variable operating conditions

• Auteur / Autrice : Teddy Kayala
• Direction : Xavier Chiementin
• Type : Projet de thèse
• Discipline(s) : SI - Sciences de l'Ingénieur
• Date : Inscription en doctorat le 01/11/2023
• Etablissement(s) : Reims en cotutelle avec UNIVERSITE DE KINSHASA
• Ecole(s) doctorale(s) : École doctorale Mathématiques Physique Sciences du Numérique et de l'Ingénieur (Reims ; 2018-)
• Partenaire(s) de recherche : Laboratoire : Institut de Thermique, Mécanique, Matériaux (ITheMM) - EA 7548

Mots clés

Mots clés libres

Loi de Paris

Indicateur de suivi

Conditions changeantes

Machine Learning

Estimateur de RUL

Paris Law

Follow-up indicator

Changing conditions

Machine Learning

RUL Estimator

Résumé

Ce projet de thèse se propose de développer une approche de pronostic de la durée de vie résiduelle basée sur les données via un indicateur robuste de suivi et sur un modèle déterministe complexe alimentant une formulation de filtrage de Kalman pour prendre en compte la variabilité des conditions. Son originalité repose sur 3 difficultés majeures nécessitant des compétences transverses : (i) la prise en compte de la variabilité successive des conditions opératoires dans la prédiction de l'état et le recalage, (ii) l'exploration de la variété de défauts et leurs interactions dans le développement du modèle de dégradation, (iii) l'expérimentation de l'intégration d'un indicateur robuste dans la formulation de l'estimateur de Kalman dans ce contexte de conditions changeantes et signaux assez bruités.

This thesis project aims to develop an approach for predicting remaining useful life based on data using a robust monitoring indicator and a complex deterministic model that feeds into a Kalman filtering formulation to account for variability in conditions. Its originality lies in addressing three major challenges that require interdisciplinary skills: (i) considering the successive variability of operating conditions in state prediction and recalibration, (ii) exploring the variety of defects and their interactions in developing the degradation model, and (iii) experimenting with the integration of a robust indicator in the Kalman estimator formulation within the context of changing conditions and noisy signals.