Modélisation et optimisation de la maintenance prévisionnelle de systèmes multi-composants sous contraintes de logistique, de circularité et des clients : application aux véhicules industriels

Modelling and optimizing predictive maintenance of multi-component systems under logistics, circularity and customers constraints : application to industrial vehicles

• Auteur / Autrice : Ghofrane Boujemaa
• Direction : Christophe Berenguer
• Type : Projet de thèse
• Discipline(s) : Automatique - Productique
• Date : Inscription en doctorat le 01/02/2024
• Etablissement(s) : Université Grenoble Alpes
• Ecole(s) doctorale(s) : École doctorale électronique, électrotechnique, automatique, traitement du signal
• Partenaire(s) de recherche : Laboratoire : Grenoble Images Parole Signal Automatique
• Partenaire(s) de recherche : Equipe de recherche : SAFE

Mots clés

Mots clés libres

Maintenance

Véhicule industriel

Contraintes logistiques

Modéle de dégradation

Degradation model

Industrial vehicles

Maintenance

Logistical constraints

Résumé

Pour un constructeur de véhicules industriels, la gestion de la maintenance est une activité clé pour le client afin de garantir la disponibilité de ses camions dans un bon état et de sécuriser la rentabilité de son entreprise. Il est donc primordial pour un constructeur de véhicules industriels de développer des technologies et des services permettant des solutions après-vente innovantes, efficaces pour garantir la disponibilité et résoudre les problèmes de maintenance. La maintenance des composants peut être gérée de deux manières différentes : la maintenance préventive ou la maintenance prédictive. Pour la maintenance préventive, les intervalles de remplacement sont définis en fonction de la configuration du véhicule et des indicateurs d'utilisation. La maintenance prédictive est basée sur des modèles prédictifs développés à l'aide de données sur les véhicules pour estimer le niveau de dégradation, et éventuellement le temps de défaillance. Cependant, les décisions liées aux dates d'opération de maintenance ne sont toujours pas entièrement optimisées et sont prises par les représentants du service client en charge de la planification de la maintenance à l'atelier. L'objectif principal à atteindre dans les prochaines années est d'optimiser le calendrier de maintenance en intégrant à la fois la maintenance préventive et la maintenance prédictive, tout en tenant compte d'autres contraintes : • Contraintes logistiques : cela englobe la disponibilité des pièces de rechange, la disponibilité des ateliers de maintenance et des équipes de maintenance. • Contraintes de circularité : lors du remplacement d'un composant, nous pouvons avoir accès à de nouvelles pièces de rechange ou à des pièces de rechange qui ont été remanufacturées pour restaurer leur état de santé autant que possible. Le remplacement d'un composant défectueux par un neuf ou remanufacturé a un impact sur le coût de la maintenance et sur la prédiction de la prochaine opération de maintenance. • La dernière contrainte est liée aux contraintes du client pour tenir compte de la période d'indisponibilité nécessaire pour la réalisation de la maintenance ou des contraintes sur la flotte qui doit rester disponible lorsque l'un des camions est en maintenance. L'objectif de ce projet de recherche est de modéliser et d'optimiser les calendriers de maintenance et la prise de décision en matière de maintenance de manière quantitative, en tenant compte des différentes contraintes mentionnées et des incertitudes liées à l'utilisation des véhicules et aux modèles de maintenance prédictive.

For a manufacturer of industrial vehicles, maintenance management is a key activity for the customer to ensure the availability of his trucks at a good state and secure the profitability of his business. It is therefore essential for an industrial vehicle manufacturer to develop technologies and services enabling innovative, efficient, and effective aftermarket solutions to ensure up-time and address maintenance problems. The maintenance of the components can be handled on two different ways: preventive maintenance or predictive maintenance. For preventive maintenance, replacement intervals are defined based on the vehicle configuration and usage indicators. Predictive maintenance is based on predictive models that are developed using vehicle data to estimate the degradation level, and eventually the failure time. However, decisions related to maintenance operation dates are still not fully optimized and are made by customer service representatives in charge of the maintenance schedule at the workshop. Optimizing the maintenance schedule by integrating both preventive and predictive maintenance is the main objective to reach in the coming years and other constraint must be considered as well: • Logistic constraints. It encompasses the spare parts availability, the availability of the maintenance workshops and the maintenance teams. • Circularity constraints: when replacing a component, we can have access to new spare parts or spare parts that have been through remanufacturing to restore their health state as best as possible. Replacing a failing component by either a new one or a remanufactured one has an impact on the maintenance cost and on the prediction of the next maintenance operation. • The last one is related to customer constraints to consider unavailability time-period for the maintenance to be performed or constraint on the fleet that must remain available when one of the trucks is in maintenance. The goal of this research project is to model and optimize maintenance schedules and maintenance decision-making in a quantitative way, that accounts for the different mentioned constraints and for the uncertainties related to vehicle usage and the predictive maintenance models.