Outil d'aide à la décision : déterminer la probabilité de réussite de mission d'un véhicule

Decision aid tool : determine vehicle mission success probability

• Auteur / Autrice : Gabrielle Rives
• Direction : Olivier Lopez, Nicolas Bousquet
• Type : Projet de thèse
• Discipline(s) : Mathématiques
• Date : Inscription en doctorat le 01/10/2022
• Etablissement(s) : Sorbonne université
• Ecole(s) doctorale(s) : École doctorale Sciences mathématiques de Paris centre (Paris ; 2000-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire de probabilités, statistique et modélisation (Paris ; 2018-....)

Mots clés

Mots clés libres

Réseau de neurones

Fiabilité

Intelligence artificielle

Réussite de mission

Survie

Maintenance prédictive

Neural network

Reliablity

Artificial intelligence

Mission success

Survival

Predictive maintenance

Résumé

La bonne gestion d'une flotte de véhicules va, parmi de nombreux objectifs, chercher à garantir la réalisation des missions qui lui sont attribuées, en limitant notamment les risques de défaillance.  L'analyse du passé des véhicules, comprenant de nombreuses informations comme leurs utilisations ou leurs périodes de maintenance, pourrait permettre de déterminer s'ils peuvent assurer les missions à venir. Nous proposons, dans cette thèse, de réaliser un outil d'aide, à l'aide de modèles mathématiques, qui permettra aux utilisateurs de la flotte, de connaitre les potentiels des véhicules pour les missions à venir, et ainsi choisir au mieux ceux à utiliser. Ce sujet apporte une vision différente de la maintenance prédictive, dans le sens où on ne cherche pas à savoir combien de temps peut tenir le système, mais s'il peut tenir pour la prochaine tâche à exécuter.

The proper management of a fleet of vehicles is, among many objectives, to ensure the achievement of the missions which are assigned to it, in particular by limiting the risk of failure. The analysis of the past of the vehicles, including a lot of information such as their uses or their maintenance periods, could make it possible to determine if they can carry out the future missions. We propose, in this thesis, to achieve an aid tool, using mathematicals models, which will allow fleet's users to know vehicles potential for future missions, and thus choose the best ones. This subject brings a different view of predictive maintenance, in the sense that we do not seek to know how long the system can hold out, but whether if it can hold out for the next task to be performed.