Дисертації з теми "Prognostic de défaillance"

Le prognostic d'état de santé est un enjeu majeur dans le domaine de la maintenance prévisionnelle, et a été l'objet de nombreuses études ces dernières années, cherchant notamment à utiliser l'Intelligence Artificielle (IA) pour améliorer les performances de prédiction. Néanmoins, peu d'approches réalistes, prenant en compte les contraintes industrielles réelles, et notamment le manque de données sous dégradation, ont été proposées à ce jour. L'objectif des travaux de cette thèse est de proposer une approche de prognostic à base d'IA la plus réaliste possible, en prenant notamment en compte la problématique de l'absence de données de dégradation, et en utilisant les connaissances a priori disponibles. Une stratégie globale de prognostic en l'absence de données mesurées sous dégradation est proposée. Elle se divise en trois grandes étapes. Tout d'abord, une phase d'augmentation de données hybride basée sur l'utilisation de l'identification de systèmes couplée à l'injection d'un modèle de dégradation physique permet de générer à la fois des données nominales et des données sous dégradation. Ensuite, une méthode d'extraction non-supervisée de l'indicateur d'état de santé, utilisant l'erreur de reconstruction d'un autoencodeur, permet d'obtenir un indicateur d'état de santé à partir des données de capteur mesurées sur le système. Enfin, un processus de prédiction à long-terme de l'indicateur d'état de santé permet d'obtenir une prédiction de la durée de vie résiduelle. Certaines étapes sont d'abord validées sur un jeu de données académique (C-MAPSS), puis la méthode globale est appliquée à un cas industriel réel grâce au partenariat avec l'entreprise Dassault Aviation. Les travaux réalisés mettent en évidence la nécessité de proposer des approches réalistes d'un point de vue industriel, tenant compte des contraintes pratiques, et les résultats obtenus constituent une validation de l'apport des méthodes hybrides (modèles IA intégrant les connaissances disponibles a priori) pour évoluer vers un concept de maintenance prévisionnelle applicable en milieu industriel
State-of-Health prognostics is a major challenge in the predictive maintenance domain, and has been the subject of numerous studies in recent years, with particular emphasis on the use of Artificial Intelligence (AI) to improve prediction performance. However, few realistic approaches have been proposed so far that take into account the real industrial constraints, and in particular the lack of data under degradation. The aim of this PhD work is to propose an AI-based prognostics approach as realistic as possible, addressing in particular the problem of the absence of degradation data, and leveraging the available a priori knowledge. A global prognostics approach in the absence of measured degradation data is proposed. It is divided into three main stages. First of all, a hybrid data augmentation phase based on system identification coupled with the injection of a physics-based degradation model is used to generate both nominal data and degradation data. Next, an unsupervised Health Index (HI) extraction method, using the reconstruction error of an autoencoder, is used to obtain a HI from the sensor data collected on the system. Finally, a long-term HI prediction process leads to Remaining Useful Life (RUL) predictions. Some stages are first validated on an academic dataset (C-MAPSS), then the overall method is applied to a real industrial case thanks to a partnership with Dassault Aviation. The research conducted highlights the need for approaches that are realistic from an industrial point of view, taking account of real-life constraints, and the results obtained open up new opportunities for the practical use of AI in predictive maintenance

Ce travail de thèse concerne le développement d'une méthode de pronostic de défaillance des systèmes de production en série. Une méthode de génération d'un indice de santé brut à partir d'un tenseur de données, appelée Méthode des Points Significatifs a été développée puis validée sur un exemple d'illustration. L'indice généré est ensuite traité par une nouvelle méthode appelée méthode des percentiles, qui permet de générer des profils monotones à partir d'un indice de santé brut. Les profils générés sont ensuite modélisés par un processus Gamma, et la fonction de densité de probabilité agrégée introduite dans ce travail a permis d'estimer le temps de vie résiduel (Remaining Useful Life (RUL)) dans un intervalle de confiance qui assure une marge de sécurité à l'utilisateur industriel. La méthode proposée est appliquée avec succès sur des données expérimentales issues des équipements de production industrielle
This thesis develops a fault prognosis approach for Discrete Manufacturing Processes. A method of raw health index extraction from a data tensor, called Significant Points was developped and validated on an illustrative example. The generated index is later processed by a new method, called Percentile Method, which allows to generate the monotonic profiles from the raw health index. These profiles are then modelled by a Gamma process, and the aggregate probability density function introduced in this work allowed to estimate the Remaining Useful Life (RUL) in a confidence interval that ensures a safety margin for industrial users. The proposed method is applied successfully on the experimental data of industrial production machines

Les analyses des fonctions ventriculaires gauche (VG) et droite (VD) et des pressions de remplissage sont des éléments importants dans le contexte des défaillances cardio-circulatoires graves car elles ont des conséquences diagnostiques et pronostiques avec un impact sur les prises de décisions thérapeutiques. Toutefois, l'évaluation de la fonction myocardique en cas de choc reste difficile pour des raisons physiopathologiques et technologiques. Les paramètres de fonction ventriculaire longitudinale (FVL) pourraient avoir un intérêt dans ce domaine car ils permettent une évaluation directe d'une composante majeure de la mécanique ventriculaire. Ces paramètres ont été évalués chez les défaillances chroniques stables et ont montré leurs intérêts diagnostiques et pronostiques. Ils restent très peu étudiés dans les contextes aigues et graves
Despite advances in management and therapies, cardiogenic shock remains a clinical challenge with high mortality rates.The analysis of left and right ventricular functions and filling pressures are important in this context because they had diagnostic and prognostic consequences with impact in therapeutic decisions. Nevertheless, the assessment of myocardial function remains difficult for physiopathologic and technical reasons. The parameters of longitudinal ventricular function (LgVF) could have an interest in this context because they permit a direct assessment of a major component of ventricular mechanics whereas ejection fraction remains a global evaluation. These indices were assessed in chronic and stable heart failure patients and were found to have prognostic and diagnostic interests. Though, they were not evaluated in the context of acute and severe cardio-circulatory failures

Cette thèse présente une méthode de pronostic basée sur des règles symboliques extraites par fouille de données. Une application de cette méthode au cas du grippage de pompes à vide est aussi détaillée. Plus précisément, à partir d'un historique de données vibratoires, nous modélisons le comportement des pompes par extraction d'un type particulier de règles d'épisode appelé « First Local Maximum episode rules » (FLM-règles). L'algorithme utilisé pour extraire ces FLM-règles extrait aussi de manière automatique leur fenêtre optimale respective, i.e. la fenêtre dans laquelle la probabilité d'observer la prémisse et la conclusion de la règle est maximale. Un sous-ensemble de ces FLM-règles est ensuite sélectionné pour prédire les grippages à partir d'un flux de données vibratoires. Notre contribution porte sur la sélection des FLM-règles les plus fiables, la recherche de ces FLM-règles dans un flux continu de données vibratoires et la construction d'un intervalle de pronostic de grippage à partir des fenêtres optimales des FLM-règles retrouvées
This thesis presents a symbolic rule-based method that addresses system prognosis. It also details a successful application to complex vacuum pumping systems. More precisely, using historical vibratory data, we first model the behavior of the pumps by extracting a given type of episode rules, namely the First Local Maximum episode rules (FLM-rules). The algorithm that extracts FLM-rules also determines automatically their respective optimal temporal window, i.e. the temporal window in which the probability of observing the premiss and the conclusion of a rule is maximum. A subset of the extracted FLM-rules is then selected in order to further predict pumping system failures in a vibratory data stream context. Our contribution consists in selecting the most reliable FLM-rules, continuously matching them in a data stream of vibratory data and building a forecast time interval using the optimal temporal windows of the FLM-rules that have been matched

L’utilisation d’outils d’aide à la décision accroît l’efficacité d’agilité tout en réduisant les coûts relatifs au maintien du bon fonctionnement. Les arrêts accidentel ou intentionnel, provoquent des conséquences désastreuses et coûteuses. La communauté scientifique des systèmes à événements discrets (SED), s’est intéressée aux relations de causes à effets entre certains états nominaux et dysfonctionnels, pour proposer des solutions qui répond à cette problématique. Nos travaux s’insèrent dans le cadre d’un pilotage d’un système soumis à des événements de défaillance (EDef). Nous avons développé une approche de pronostic à base de modèle, qui prédit au plus tôt la date d’occurrence d’un EDef, permettant à l’opérateur de planifier les interventions de réparation sur des composants avant d’altérer le bon fonctionnement. Nous avons modélisé le système par des réseaux de Petri temporels labellisés (RdPTL), vu que l’analyse de son modèle comportemental est basée sur la séquentialité et la date d’occurrence des événements. Nous avons représenté ces dynamiques au travers d’une modélisation dans un contexte d’analyse de modes, limitée à 3 modes de fonctionnement (nominal, dégradé et critique). A partir de son graphe d’accessibilité, nous avons construit un pronostiqueur, qui permet de repérer l’ensemble des séquences d’événements qui se terminent par un Edef. Nous avons utilisé la notion de paramétrisation des états du système i.e. l’introduction d’une horloge et un système d’inéquation (SE) des horloges pour chaque état du système. Les états obtenus de la discrétisation du temps sont alors regroupés dans un seul état et le SE déterminera les valeurs des horloges. Le pronostic ne peut être toujours assuré. Nous avons alors établi la propriété de pronosticabilité, pour discerner les séquences qui sont pronosticables de celles qui ne le sont pas. Pour valider notre approche, nous avons choisi la cellule d’une batterie comme benchmark et l’outil INA pour générer le graphe d’accessibilité
The deployment of decision-support tools increases agility efficiency while reducing the cost of maintaining proper operation. Accidental or intentional shutdowns have disastrous and costly consequences. The scientific community of discrete event systems (DES), has been interested in the cause-effect relationships between certain nominal and dysfunctional states, to propose solutions responding to this problem. Our work is part of the framework of a steering of a system subject to failure events (FE). We have developed a model-based prognostic approach, which predicts the earliest date of occurrence of an FE, allowing the operator to plan repair interventions on components before altering the proper functioning. We modeled the system using labeled temporal Petri nets (RdPTL), since the analysis of its behavioral model is based on the sequentiality and date of occurrence of events. We have represented these dynamics through modeling in a context of mode analysis, limited to 3 modes of operation (nominal, degraded and critical). From its accessibility graph, we have built a prognosticator, which allows us to identify all the sequences of events ending with an FE. We used the notion of parameterization of the system states i.e. the introduction of a clock and a system of clock inequation (SE) for each state of the system. The states obtained from the discretization of time are then grouped in a single state and the SE will determine the values of the clocks. The prognosis cannot always be guaranteed. We then established the prognosticability property, to distinguish the sequences that are prognosticable from those that are not. To validate our approach, we chose a battery cell as a benchmark and the INA tool to generate the accessibility graph

L’objectif de ce travail est d’élaborer un modèle performant/précis de la machine électrique permettant de proposer une technique de pronostic. Dans cette thèse, nous commençons par un état de l’art sur les véhicules électriques hybrides (VHE), les différents types de machines électriques utilisées dans les VHE ainsi que les différents types de défauts pouvant survenir dans ces machines électriques. Nous identifions également les indicateurs de défauts appropriés aux différents défauts considérés. Ensuite, une synthèse de techniques de pronostic pouvant être appliquées est proposée. Le modèle à éléments finis électromagnétiques, thermiques et vibratoires (FEM) de la machine à aimants permanents est présenté. Le modèle est élaboré en fonctionnement normal et défaillant. Les types de défauts considérés sont : démagnétisation, court-circuit et excentricité. Une comparaison entre les deux approches analytique et FEM (méthode numérique) pour la modélisation de machines électromagnétiques est effectuée. Les indicateurs de défauts analysés pour l’extraction les plus pertinents utilisent les différents signaux mesurées suivants : le couple, la température ainsi que les signaux vibratoires en états sains et défectueux. L’approche de pronostic adoptée qui est le modèle de Markov caché (HMM) est développée. L'aspect technique de la méthode est présenté et le module du pronostic est formulé. La méthode de HMM est utilisée pour détecter et localiser les défauts à petites amplitudes. Une stratégie systématique a été développée. Le vieillissement de l’équipement de la machine, en particulier des éléments sensibles comme la bobine de stator et l’aimant permanent, est une question très importante pour le calcul du RUL (Remaining Useful Life). Une stratégie d’estimation pour le calcul RUL est présentée et discutée. La configuration en boucle fermée est très importante. Elle est adoptée par tous les systèmes de véhicules disponibles. Par conséquent, les mêmes étapes mentionnées précédemment s'appliquent également à une configuration en boucle fermée. Un modèle global où l’entrée du FEM de la machine provient de l’onduleur modélisé est élaboré
The core of the work is to build an accurate model of the electrical machine where the prognostic technique is applied. In this thesis we started by a literature review on hybrid electric vehicles (HEV), the different types of electrical machine used in HEV’s and the different types of faults that may occur in those electrical machine. We also identify the useful monitoring parameters that are beneficial for those different types of faults. Then, a survey is presented where all the prognostic techniques that can be applied on this application are enumerated. The electromagnetic, thermal and vibration finite element model (FEM) of the permanent magnet machine is presented. The model is built at healthy operation and when a fault is integrated. The considered types of faults are:demagnetization, turn to turn short circuit and eccentricity. A confrontation between analytical and FEM (numerical method) for electromagnetic machine modeling is illustrated. Fault indicators where useful measured parameters forfault identification are recognized and useful features from the measured parameters are extracted; torque, temperature and vibration signal are elaborated for healthy and faulty states. The strategy of the adopted prognostic approach which is Hidden Markov Model (HMM) is explained. The technical aspect of the method is presented and the prognostic model is formulated. HMM is applied to detect and localize small scale fault small scale faults were where a systematic strategy is developed. The aging of the machine’s equipment,specially the sensitive ones that are the stator coil’s and the permanent magnet, is a very important matter for RUL calculation. An estimation strategy for RUL calculation is presented and discussed for those mentioned machine’s components. Closed loop configuration is very important; it is adopted by all available vehicle systems. Hence, the same previously mentioned steps are applied for a closed loop configuration too. A global model where the input of the machine’s FEM comes from the modeled inverter is built

La construction de modèles de pronostic nécessite la compréhension du processus de dégradation des composants critiques surveillés afin d’estimer correctement leurs durées de fonctionnement avant défaillance. Un processus de d´dégradation peut être modélisé en utilisant des modèles de Connaissance issus des lois de la physique. Cependant, cette approche n´nécessite des compétences Pluridisciplinaires et des moyens expérimentaux importants pour la validation des modèles générés, ce qui n’est pas toujours facile à mettre en place en pratique. Une des alternatives consiste à apprendre le modèle de dégradation à partir de données issues de capteurs installés sur le système. On parle alors d’approche guidée par des données. Dans cette thèse, nous proposons une approche de pronostic guidée par des données. Elle vise à estimer à tout instant l’état de santé du composant physique et prédire sa durée de fonctionnement avant défaillance. Cette approche repose sur deux phases, une phase hors ligne et une phase en ligne. Dans la phase hors ligne, on cherche à sélectionner, parmi l’ensemble des signaux fournis par les capteurs, ceux qui contiennent le plus d’information sur la dégradation. Cela est réalisé en utilisant un algorithme de sélection non supervisé développé dans la thèse. Ensuite, les signaux sélectionnés sont utilisés pour construire différents indicateurs de santé représentant les différents historiques de données (un historique par composant). Dans la phase en ligne, l’approche développée permet d’estimer l’état de santé du composant test en faisant appel au filtre Bayésien discret. Elle permet également de calculer la durée de fonctionnement avant défaillance du composant en utilisant le classifieur k-plus proches voisins (k-NN) et le processus de Gauss pour la régression. La durée de fonctionnement avant défaillance est alors obtenue en comparant l’indicateur de santé courant aux indicateurs de santé appris hors ligne. L’approche développée à été vérifiée sur des données expérimentales issues de la plateforme PRO-NOSTIA sur les roulements ainsi que sur des données fournies par le Prognostic Center of Excellence de la NASA sur les batteries et les turboréacteurs
Constructing prognostics models rely upon understanding the degradation process of the monitoredcritical components to correctly estimate the remaining useful life (RUL). Traditionally, a degradationprocess is represented in the form of physical or experts models. Such models require extensiveexperimentation and verification that are not always feasible in practice. Another approach that buildsup knowledge about the system degradation over time from component sensor data is known as datadriven. Data driven models require that sufficient historical data have been collected.In this work, a two phases data driven method for RUL prediction is presented. In the offline phase, theproposed method builds on finding variables that contain information about the degradation behaviorusing unsupervised variable selection method. Different health indicators (HI) are constructed fromthe selected variables, which represent the degradation as a function of time, and saved in the offlinedatabase as reference models. In the online phase, the method estimates the degradation state usingdiscrete Bayesian filter. The method finally finds the most similar offline health indicator, to the onlineone, using k-nearest neighbors (k-NN) classifier and Gaussian process regression (GPR) to use it asa RUL estimator. The method is verified using PRONOSTIA bearing as well as battery and turbofanengine degradation data acquired from NASA data repository. The results show the effectiveness ofthe method in predicting the RUL

Cette thèse est consacrée à la description, la prédiction et la prévention des défaillances de systèmes. Elle se compose de quatre parties relatives à la modélisation stochastique de dégradation, au pronostic de défaillance du système, à l'estimation du niveau de défaillance et à l'optimisation de maintenance.Le processus d'Ornstein-Uhlenbeck (OU) dépendant du temps est introduit dans un objectif de modélisation des dégradations. Sur la base de ce processus, le premier instant de passage d’un niveau de défaillance prédéfini est considéré comme l’instant de défaillance du système considéré. Différentes méthodes sont ensuite proposées pour réaliser le pronostic de défaillance. Dans la suite, le niveau de défaillance associé au processus de dégradation est estimé à partir de la distribution de durée de vie en résolvant un problème inverse de premier passage. Cette approche permet d’associer les enregistrements de défaillance et le suivi de dégradation pour améliorer la qualité du pronostic posé comme un problème de premier passage. Le pronostic de défaillances du système permet d'optimiser sa maintenance. Le cas d'un système contrôlé en permanence est considéré. La caractérisation de l’instant de premier passage permet une rationalisation de la prise de décision de maintenance préventive. L’aide à la décision se fait par la recherche d'un niveau virtuel de défaillance dont le calcul est optimisé en fonction de critères proposés
This thesis is dedicated to describe, predict and prevent system failures. It consists of four issues: i) stochastic degradation modeling, ii) prognosis of system failures, iii) failure level estimation and iv) maintenance optimization. The time-dependent Ornstein-Uhlenbeck (OU) process is introduced for degradation modeling. The time-dependent OU process is interesting from its statistical properties on controllable mean, variance and correlation. Based on such a process, the first passage time is considered as the system failure time to a pre-set failure level. Different methods are then proposed for the prognosis of system failures, which can be classified into three categories: analytical approximations, numerical algorithms and Monte-Carlo simulation methods. Moreover, the failure level is estimated from the lifetime distribution by solving inverse first passage problems. This is to make up the potential gap between failure and degradation records to reinforce the prognosis process via first passage problems. From the prognosis of system failures, the maintenance optimization for a continuously monitored system is performed. By introducing first passage problems, the arrangement of preventive maintenance is simplified. The maintenance decision rule is based on a virtual failure level, which is solution of an optimization problem for proposed objective functions

Cette thèse CIFRE est un projet commun entre ArcelorMittal et le laboratoire CRAN, dont l'objectif est d'optimiser la prise de décision en maintenance industrielle par l'exploitation des sources d'information disponibles, c'est-à-dire des données et des connaissances industrielles, dans le cadre des contraintes industrielles présentées par le contexte sidérurgique. La stratégie actuelle de maintenance des lignes sidérurgiques est basée sur une maintenance préventive régulière. L'évolution de la maintenance préventive vers une stratégie dynamique se fait par le biais de la maintenance prédictive. La maintenance prédictive a été formalisée au sein du paradigme Prognostics and Health Management (PHM) sous la forme d'un processus en sept étapes. Parmi ces étapes de la PHM, le travail de ce doctorat se concentre sur la prise de décision et le pronostic. En regard de cette maintenance prédictive, le contexte de l'Industrie 4.0 met l'accent sur les approches basées sur les données, qui nécessitent une grande quantité de données que les systèmes industriels ne peuvent pas fournir systématiquement. La première contribution de la thèse consiste donc à proposer une équation permettant de lier les performances du pronostic au nombre d'échantillons d'entraînement disponibles. Cette contribution permet de prédire quelles performances le pronostic pourraient atteindre avec des données supplémentaires dans le cas de petits jeux de données (small datasets). La deuxième contribution de la thèse porte sur l'évaluation et l'analyse des performances de l'augmentation de données appliquée au pronostic sur des petits jeux de données. L'augmentation de données conduit à une amélioration de la performance du pronostic jusqu'à 10%. La troisième contribution de la thèse est l'intégration de connaissances expertes au sein de l'augmentation de données. L'intégration de connaissances statistiques s'avère efficace pour éviter la dégradation des performances causée par l'augmentation de données sous certaines conditions défavorables. Enfin, la quatrième contribution consiste en l'intégration des résultats du pronostic dans la modélisation des coûts de la prise de décision en maintenance et en l'évaluation de l'impact du pronostic sur ce coût. Elle démontre que (i) la mise en œuvre de la maintenance prédictive réduit les coûts de maintenance jusqu'à 18-20% et (ii) l'amélioration de 10% du pronostic peut réduire les coûts de maintenance de 1% supplémentaire
This CIFRE PhD is a joint project between ArcelorMittal and the CRAN laboratory, with theaim to optimize industrial maintenance decision-making through the exploitation of the available sources of information, i.e. industrial data and knowledge, under the industrial constraints presented by the steel-making context. Current maintenance strategy on steel lines is based on regular preventive maintenance. Evolution of preventive maintenance towards a dynamic strategy is done through predictive maintenance. Predictive maintenance has been formalized within the Prognostics and Health Management (PHM) paradigm as a seven steps process. Among these PHM steps, this PhD's work focuses on decision-making and prognostics. The Industry 4.0 context put emphasis on data-driven approaches, which require large amount of data that industrial systems cannot ystematically supply. The first contribution of the PhD consists in proposing an equation to link prognostics performances to the number of available training samples. This contribution allows to predict prognostics performances that could be obtained with additional data when dealing with small datasets. The second contribution of the PhD focuses on evaluating and analyzing the performance of data augmentation when applied to rognostics on small datasets. Data augmentation leads to an improvement of prognostics performance up to 10%. The third contribution of the PhD consists in the integration of expert knowledge into data augmentation. Statistical knowledge integration proved efficient to avoid performance degradation caused by data augmentation under some unfavorable conditions. Finally, the fourth contribution consists in the integration of prognostics in maintenance decision-making cost modeling and the evaluation of prognostics impact on maintenance decision cost. It demonstrates that (i) the implementation of predictive maintenance reduces maintenance cost up to 18-20% and ii) the 10% prognostics improvement can reduce maintenance cost by an additional 1%

Les travaux présentés dans ce mémoire concernent le développement de méthodes de pronostic à base de modèles. Le pronostic à base de modèles a pour but d'estimer le temps qu'il reste avant qu'un système ne soit défaillant, à partir d'un modèle physique de la dégradation du système. Ce temps de vie restant est appelé durée de résiduelle (RUL) du système.Le pronostic à base de modèle est composé de deux étapes principales : (i) estimation de l'état actuel de la dégradation et (ii) prédiction de l'état futur de la dégradation. La première étape, qui est une étape de filtrage, est réalisée à partir du modèle et des mesures disponibles. La seconde étape consiste à faire de la propagation d'incertitudes. Le principal enjeu du pronostic concerne la prise en compte des différentes sources d'incertitude pour obtenir une mesure de l'incertitude associée à la RUL prédite. Les principales sources d'incertitude sont les incertitudes de modèle, les incertitudes de mesures et les incertitudes liées aux futures conditions d'opération du système. Afin de gérer ces incertitudes et les intégrer au pronostic, des méthodes probabilistes ainsi que des méthodes ensemblistes ont été développées dans cette thèse.Dans un premier temps, un filtre de Kalman étendu ainsi qu'un filtre particulaire sont appliqués au pronostic de propagation de fissure, en utilisant la loi de Paris et des données synthétiques. Puis, une méthode combinant un filtre particulaire et un algorithme de détection (algorithme des sommes cumulatives) a été développée puis appliquée au pronostic de propagation de fissure dans un matériau composite soumis à un chargement variable. Cette fois, en plus des incertitudes de modèle et de mesures, les incertitudes liées aux futures conditions d'opération du système ont aussi été considérées. De plus, des données réelles ont été utilisées. Ensuite, deux méthodes de pronostic sont développées dans un cadre ensembliste où les erreurs sont considérées comme étant bornées. Elles utilisent notamment des méthodes d'inversion ensembliste et un observateur par intervalles pour des systèmes linéaires à temps discret. Enfin, l'application d'une méthode issue du domaine de l'analyse de fiabilité des systèmes au pronostic à base de modèles est présentée. Il s'agit de la méthode Inverse First-Order Reliability Method (Inverse FORM).Pour chaque méthode développée, des métriques d'évaluation de performance sont calculées dans le but de comparer leur efficacité. Il s'agit de l'exactitude, la précision et l'opportunité
In this manuscript, contributions to the development of methods for on-line model-based prognosis are presented. Model-based prognosis aims at predicting the time before the monitored system reaches a failure state, using a physics-based model of the degradation. This time before failure is called the remaining useful life (RUL) of the system.Model-based prognosis is divided in two main steps: (i) current degradation state estimation and (ii) future degradation state prediction to predict the RUL. The first step, which consists in estimating the current degradation state using the measurements, is performed with filtering techniques. The second step is realized with uncertainty propagation methods. The main challenge in prognosis is to take the different uncertainty sources into account in order to obtain a measure of the RUL uncertainty. There are mainly model uncertainty, measurement uncertainty and future uncertainty (loading, operating conditions, etc.). Thus, probabilistic and set-membership methods for model-based prognosis are investigated in this thesis to tackle these uncertainties.The ability of an extended Kalman filter and a particle filter to perform RUL prognosis in presence of model and measurement uncertainty is first studied using a nonlinear fatigue crack growth model based on the Paris' law and synthetic data. Then, the particle filter combined to a detection algorithm (cumulative sum algorithm) is applied to a more realistic case study, which is fatigue crack growth prognosis in composite materials under variable amplitude loading. This time, model uncertainty, measurement uncertainty and future loading uncertainty are taken into account, and real data are used. Then, two set-membership model-based prognosis methods based on constraint satisfaction and unknown input interval observer for linear discete-time systems are presented. Finally, an extension of a reliability analysis method to model-based prognosis, namely the inverse first-order reliability method (Inverse FORM), is presented.In each case study, performance evaluation metrics (accuracy, precision and timeliness) are calculated in order to make a comparison between the proposed methods

Les travaux présentés dans ce mémoire concernent le développement de méthodes de pronostic à base de modèles. Le pronostic à base de modèles a pour but d'estimer le temps qu'il reste avant qu'un système ne soit défaillant, à partir d'un modèle physique de la dégradation du système. Ce temps de vie restant est appelé durée de résiduelle (RUL) du système.Le pronostic à base de modèle est composé de deux étapes principales : (i) estimation de l'état actuel de la dégradation et (ii) prédiction de l'état futur de la dégradation. La première étape, qui est une étape de filtrage, est réalisée à partir du modèle et des mesures disponibles. La seconde étape consiste à faire de la propagation d'incertitudes. Le principal enjeu du pronostic concerne la prise en compte des différentes sources d'incertitude pour obtenir une mesure de l'incertitude associée à la RUL prédite. Les principales sources d'incertitude sont les incertitudes de modèle, les incertitudes de mesures et les incertitudes liées aux futures conditions d'opération du système. Afin de gérer ces incertitudes et les intégrer au pronostic, des méthodes probabilistes ainsi que des méthodes ensemblistes ont été développées dans cette thèse.Dans un premier temps, un filtre de Kalman étendu ainsi qu'un filtre particulaire sont appliqués au pronostic de propagation de fissure, en utilisant la loi de Paris et des données synthétiques. Puis, une méthode combinant un filtre particulaire et un algorithme de détection (algorithme des sommes cumulatives) a été développée puis appliquée au pronostic de propagation de fissure dans un matériau composite soumis à un chargement variable. Cette fois, en plus des incertitudes de modèle et de mesures, les incertitudes liées aux futures conditions d'opération du système ont aussi été considérées. De plus, des données réelles ont été utilisées. Ensuite, deux méthodes de pronostic sont développées dans un cadre ensembliste où les erreurs sont considérées comme étant bornées. Elles utilisent notamment des méthodes d'inversion ensembliste et un observateur par intervalles pour des systèmes linéaires à temps discret. Enfin, l'application d'une méthode issue du domaine de l'analyse de fiabilité des systèmes au pronostic à base de modèles est présentée. Il s'agit de la méthode Inverse First-Order Reliability Method (Inverse FORM).Pour chaque méthode développée, des métriques d'évaluation de performance sont calculées dans le but de comparer leur efficacité. Il s'agit de l'exactitude, la précision et l'opportunité
In this manuscript, contributions to the development of methods for on-line model-based prognosis are presented. Model-based prognosis aims at predicting the time before the monitored system reaches a failure state, using a physics-based model of the degradation. This time before failure is called the remaining useful life (RUL) of the system.Model-based prognosis is divided in two main steps: (i) current degradation state estimation and (ii) future degradation state prediction to predict the RUL. The first step, which consists in estimating the current degradation state using the measurements, is performed with filtering techniques. The second step is realized with uncertainty propagation methods. The main challenge in prognosis is to take the different uncertainty sources into account in order to obtain a measure of the RUL uncertainty. There are mainly model uncertainty, measurement uncertainty and future uncertainty (loading, operating conditions, etc.). Thus, probabilistic and set-membership methods for model-based prognosis are investigated in this thesis to tackle these uncertainties.The ability of an extended Kalman filter and a particle filter to perform RUL prognosis in presence of model and measurement uncertainty is first studied using a nonlinear fatigue crack growth model based on the Paris' law and synthetic data. Then, the particle filter combined to a detection algorithm (cumulative sum algorithm) is applied to a more realistic case study, which is fatigue crack growth prognosis in composite materials under variable amplitude loading. This time, model uncertainty, measurement uncertainty and future loading uncertainty are taken into account, and real data are used. Then, two set-membership model-based prognosis methods based on constraint satisfaction and unknown input interval observer for linear discete-time systems are presented. Finally, an extension of a reliability analysis method to model-based prognosis, namely the inverse first-order reliability method (Inverse FORM), is presented.In each case study, performance evaluation metrics (accuracy, precision and timeliness) are calculated in order to make a comparison between the proposed methods

Nos travaux de thèses s’intéressent au pronostic de défaillance de composant critique et à l’estimation de la durée de vie résiduelle avant défaillance (RUL). Nous avons développé des méthodes basées sur l’expérience. Cette orientation nous permet de nous affranchir de la définition d’un seuil de défaillance, point problématique lors de l’estimation du RUL. Nous avons pris appui sur le paradigme de Raisonnement à Partir de Cas (R à PC) pour assurer le suivi d’un nouveau composant critique et prédire son RUL. Une approche basée sur les instances (IBL) a été développée en proposant plusieurs formalisations de l’expérience : une supervisée tenant compte de l’ état du composant sous forme d’indicateur de santé et une non-supervisée agrégeant les données capteurs en une série temporelle mono-dimensionnelle formant une trajectoire de dégradation. Nous avons ensuite fait évoluer cette approche en intégrant de la connaissance à ces instances. La connaissance est extraite à partir de données capteurs et est de deux types : temporelle qui complète la modélisation des instances et fréquentielle qui, associée à la mesure de similarité permet d’affiner la phase de remémoration. Cette dernière prend appui sur deux types de mesures : une pondérée entre fenêtres parallèles et fixes et une pondérée avec projection temporelle. Les fenêtres sont glissantes ce qui permet d’identifier et de localiser l’état actuel de la dégradation de nouveaux composants. Une autre approche orientée donnée a été test ée. Celle-ci est se base sur des caractéristiques extraites des expériences, qui sont mono-dimensionnelles dans le premier cas et multi-dimensionnelles autrement. Ces caractéristiques seront modélisées par un algorithme de régression à vecteurs de support (SVR). Ces approches ont été évaluées sur deux types de composants : les turboréacteurs et les batteries «Li-ion». Les résultats obtenus sont intéressants mais dépendent du type de données traitées
Our thesis work is concerned with the development of experience based approachesfor criticalcomponent prognostics and Remaining Useful Life (RUL) estimation. This choice allows us to avoidthe problematic issue of setting a failure threshold.Our work was based on Case Based Reasoning (CBR) to track the health status of a new componentand predict its RUL. An Instance Based Learning (IBL) approach was first developed offering twoexperience formalizations. The first is a supervised method that takes into account the status of thecomponent and produces health indicators. The second is an unsupervised method that fuses thesensory data into degradation trajectories.The approach was then evolved by integrating knowledge. Knowledge is extracted from the sensorydata and is of two types: temporal that completes the modeling of instances and frequential that,along with the similarity measure refine the retrieval phase. The latter is based on two similaritymeasures: a weighted one between fixed parallel windows and a weighted similarity with temporalprojection through sliding windows which allow actual health status identification.Another data-driven technique was tested. This one is developed from features extracted from theexperiences that can be either mono or multi-dimensional. These features are modeled by a SupportVector Regression (SVR) algorithm. The developed approaches were assessed on two types ofcritical components: turbofans and ”Li-ion” batteries. The obtained results are interesting but theydepend on the type of the treated data

La stratification du risque des patients atteints d'insuffisance cardiaque (IC) systolique chronique est essentielle afin d'identifier ceux qui pourront bénéficier de stratégies invasives telle que la transplantation cardiaque. En dépit des avancées récentes, cette stratification nécessite d'être encore améliorée. En effet, certains patients caractérisés à faible risque vont décéder précocement ; et inversement, d'autres identifiés à haut risque auront une survie prolongée.Objectif - Notre objectif était d'investiguer la place d'une analyse protéomique du plasma dans la stratification du risque des patients IC et de découvrir des biomarqueurs circulants associés à la mortalité cardiovasculaire précoce de ces patients.Méthodes et résultats - Pour ce faire, nous avons d'abord désigné 2 populations : une population test et une de validation. Ces 2 populations étaient issues de la population INsuffisance CArdiaque (INCA) constituée de l'ensemble des patients référés à notre centre pour une évaluation pronostique extensive d'une IC systolique chronique (FEVG <45%) entre novembre 1998 et mai 2010. Pour la phase test (population cas/témoins), nous avons sélectionné 198 patients entre novembre 1998 et décembre 2005: 99 patients décédés de cause cardiovasculaire dans les 3 ans suivant l'inclusion (cas) ont été comparés à 99 survivants à 3 ans appariés sur l'âge, le sexe et la cause de l'IC (témoins). Pour la phase de validation, nous avons évalué une cohorte de 344 patients consécutifs inclus entre janvier 2006 et mai 2010. Les populations ont été parfaitement caractérisées. La mortalité cardiovasculaire était définie comme un décès de cause cardiovasculaire, une transplantation en urgence (critère United Network for Organ Sharing status 1) ou une assistance cardiaque en urgence.Une analyse protéomique utilisant la technique SELDI-TOF-MS a ensuite été réalisée dans la population test sur des échantillons de plasma prélevés à l'inclusion. Les échantillons ont été déplétés des protéines majoritaires et analysés après randomisation en duplicate en utilisant des puces CM10 (échangeur de cations) et H50 (hydrophobie). Au total, 42 pics m/z étaient différentiellement abondants entre les cas et les témoins et ont été utilisés pour développer des scores protéomiques prédicteurs de la mortalité cardiovasculaire à l'aide de 3 méthodes statistiques de régression : machine à vecteur de support, régression des moindres carrés partiels et régression logistique de Lasso. Les scores protéomiques ont ensuite été testés dans la population de validation et étaient significativement plus élevés chez les patients qui vont décéder dans les 3 ans avec les 3 méthodes. Ces scores protéomiques persistaient associés à la mortalité cardiovasculaire après ajustement sur les facteurs confondants. De plus, l'utilisation de ces scores permettait une amélioration significative de la discrimination des patients IC par rapport à une évaluation pronostique classique selon les index suivants : "integrated discrimination improvement" et "net reclassification improvement".L'étape suivante a été de procéder à la purification et à l'identification des protéines correspondant aux pics m/z différentiellement abondants dans les 2 populations (n=13). Actuellement, nous avons pu identifier plusieurs apolipoprotéines : 14511 CM10-BM (ApoA1), 29024 CM10-BM (ApoA1), 3267 H50-BM (ApoC1), 6416 H50-BM (ApoC1), 6616 H50-BM (ApoC1), 6825 H50-BM (ApoC1), 8764 H50-BM (ApoC3), 9421 H50-BM (ApoC3). ceci a conduit à la quantification de ces apolipoprotéines dans la population INCA par une technique de "mass reaction monitoring".Conclusion - Une analyse protéomique des protéines du plasma semble améliorer la stratification du risque de mortalité précoce chez les patients atteints d’une IC chronique.Perspectives - Des investigations complémentaires sont en cours afin de déterminer l'impact des apoplipoprotéines dans la stratification du risque de ces patients
Risk stratification of patients with systolic chronic heart failure (HF) is critical to better identify those who may benefit the most from invasive therapeutic strategies such as cardiac transplantation. In spite of recent advances, risk stratification of HF patients needs to be further improved. Indeed, there remains variability in the prognosis with some patients who are categorized at low risk but experience early mortality; and conversely, patients categorized as severe but have an unexpectedly prolonged survival. Proteomics has been used to provide prognostic information in various diseases.Aim – Our aim was to investigate the potential value of plasma proteomic profiling for risk stratification in HF and to find new circulating biomarkers that are associated with early cardiovascular mortality of chronic HF patients.Methods and results – For that purpose, we first designed 2 populations: a discovery and a validation population. Both populations issued from the INsuffisance CArdiaque (INCA) cohort, which is constituted of all consecutive patients referred in our institution for extensive prognostic evaluation of systolic chronic HF (LVEF <45%) between November 1998 and May 2010. For the discovery phase (case/control population), we selected 198 patients included between November 1998 and December 2005: 99 patients who died from cardiovascular cause within 3 years after the initial evaluation (cases) were individually matched for age, sex, and HF etiology with 99 patients who were still alive at 3 years (controls). For the validation phase, we evaluated a cohort of 344 consecutive patients included between January 2006 and May 2010. Study populations were carefully phenotyped. Cardiovascular death included cardiovascular-related death, urgent transplantations defined as United Network for Organ Sharing status 1 and urgent assist device implantation. A proteomic profiling using surface enhanced laser desorption ionization - time of flight - mass spectrometry was then performed in the case/control discovery population on plasma samples collected at inclusion. Plasma samples were depleted for major proteins and randomly analyzed in duplicate using CM10 (Weak Cation Exchanger) and H50 (Reverse Phase) proteinchip arrays. Forty two ion m/z peaks were found differentially abundant between cases and controls in the discovery population and were used to develop proteomic scores predicting cardiovascular death using 3 statistical regression methods: support vector machine, sparse partial least square discriminant analysis and lasso logistic regression. The proteomic scores were then tested in the validation population and score levels were significantly higher in patients who subsequently died within 3 years with the 3 methods. Proteomic scores remained significantly associated with cardiovascular mortality after adjustment on confounders. Furthermore, use of the proteomic scores allowed a significant improvement in discrimination of HF patients as determined by integrated discrimination improvement and net reclassification improvement indexes on top of “classic” prognostic evaluation. The next step was the purification and identification of the proteins related to the different m/z peaks (n=13) that were found significantly differentially abundant in both populations. We have currently identified several peaks as apolipoproteins: 14511 CM10-BM (ApoA1), 29024 CM10-BM (ApoA1), 3267 H50-BM (ApoC1), 6416 H50-BM (ApoC1), 6616 H50-BM (ApoC1), 6825 H50-BM (ApoC1), 8764 H50-BM (ApoC3), 9421 H50-BM (ApoC3). This has led to the quantification of these apolipoproteins in the INCA population using mass reaction monitoring technique.Conclusion – Proteomic analysis of plasma proteins may help to improve risk prediction of early mortality in HF patients.Perspectives – Further investigations are ongoing in order to determine the impact of the different apolipoproteins tested in risk stratification of chronic HF patients

La durée de vie utile résiduelle (RUL) peut être simplement définie comme une prédiction du temps restant pendant lequel un système est capable d'exécuter sa fonction prévue ; elle est mesurée à partir de l'instant présent jusqu'à la défaillance finale. Cette durée prévue dépend principalement de l'état de détérioration des composants du système et de leurs conditions de fonctionnement futures prévues. Ainsi, la prédiction de la RUL est un processus incertain et son contrôle n'est pas une tâche triviale. En général, le but de la prévision de la RUL est d'influencer la prise de décision pour le système. Dans cette thèse, on a présenté un cadre compréhensible pour le contrôle de la RUL. Les incertitudes du modèle ainsi que les perturbations du système ont été prises en compte dans le cadre proposé. Des questions telles que le traitement de l'incertitude et l'inclusion d'objectifs RUL dans la stratégie de contrôle sont étudiées, depuis la modélisation jusqu'à une architecture de contrôle globale finale. On a montré que l'on peut prédire la RUL à partir d'une estimation appropriée de la détérioration et d'hypothèses sur les conditions de fonctionnement futures. Les systèmes d'entraînement par friction sont utilisés pour illustrer l'utilité de l'architecture globale susmentionnée. Pour ce type de système, le frottement est à la fois source du mouvement et source de la détérioration. Ce double caractéristique de frottement est une motivation pour contrôler automatiquement la détérioration du système en maintenant un compromis entre les exigences de mouvement et les valeurs RUL souhaitées. Dans cette thèse, un nouveau modèle orienté contrôle pour les systèmes d'entraînement par friction, qui inclut un modèle dynamique de la détérioration, est proposé. Le degré de détérioration est considéré en fonction de l'énergie dissipée, à la surface de contact, pendant la transmission mécanique de puissance. Une approche est proposée pour estimer l'état actuel de la détérioration d'un système d'entraînement par friction. L'approche est basée sur un Filtre de Kalman Etendu (EKF en anglais) qui utilise un modèle augmenté incluant le système mécanique dynamique et la dynamique de détérioration. L'EKF fournit également des intervalles qui incluent sûrement la valeur de détérioration réelle avec une valeur de probabilité. Une nouvelle architecture de commande de la RUL est proposée, elle comprend : un système de surveillance de l'état de détérioration (par exemple l'EKF proposé), un estimateur de l'état de fonctionnement du système, un système de commande de la RUL et un principe actionneur de la RUL. L'estimateur des conditions de fonctionnement est basé sur l'hypothèse qu'il est possible de quantifier certaines caractéristiques des exigences de mouvement, par exemple le rapport cyclique des couples moteur. Le contrôleur RUL utilise une fonction de coût qui pondère les exigences de mouvement et les valeurs RUL souhaitées pour modifier un filtre à paramètres variables, utilisé ici comme principe actionneur RUL. Le principe actionneur RUL est basé sur une modification des couples exigés, provenant d'un éventuel système de contrôle de mouvement. Les résultats préliminaires montrent qu'il est possible de contrôler la RUL, selon le cadre théorique proposé
Remaining Useful Lifetime (RUL) can be simply defined as a prediction of the remaining time that a system is able to perform its intended function, from the current time to the final failure. This predicted time mostly depends on the state of deterioration of the system components and their expected future operating conditions. Thus, the RUL prediction is an uncertain process and its control is not trivial task.In general, the purpose for predicting the RUL is to influence decision-making for the system. In this dissertation a comprehensive framework for controlling the RUL is presented. Model uncertainties as well as system disturbances have been considered into the proposed framework. Issues as uncertainty treatment and inclusion of RUL objectives in the control strategy are studied from the modeling until a final global control architecture. It is shown that the RUL can be predicted from a suitable estimation of the deterioration, and from hypothesis on the future operation conditions. Friction drive systems are used for illustrating the usefulness of the aforementioned global architecture. For this kind of system, the friction is the source of motion and at the same time the source of deterioration. This double characteristic of friction is a motivation for controlling automatically the deterioration of the system by keeping a trade-off, between motion requirements and desired RUL values. In this thesis, a new control-oriented model for friction drive systems, which includes a dynamical model of the deterioration is proposed. The amount of deterioration has been considered as a function of the dissipated energy, at the contact surface, during the mechanical power transmission. An approach to estimate the current deterioration condition of a friction drive system is proposed. The approach is based on an Extended Kalman Filter (EKF) which uses an augmented model including the mechanical dynamical system and the deterioration dynamics. At every time instant, the EKF also provides intervals which surely includes the actual deterioration value which a given probability. A new architecture for controlling the RUL is proposed, which includes: a deterioration condition monitoring system (for instance the proposed EKF), a system operation condition estimator, a RUL controller system, and a RUL actuation principle. The operation condition estimator is based on the assumption that it is possible quantify certain characteristics of the motion requirements, for instance the duty cycle of motor torques. The RUL controller uses a cost function that weights the motion requirements and the desired RUL values to modify a varying-parameter filter, used here as the RUL-actuating-principle. The RUL-actuating-principle is based on a modification of the demanded torques, coming from a possible motion controller system. Preliminary results show that it is possible to control de RUL according to the proposed theoretical framework

Dans le cadre d’une maintenance préventive de ses moteurs, Safran Aircraft Engines souhaite compléter ses opérations de diagnostic par un pronostic fiable de la durée de vie résiduelle des roulements. Suite à une agression, il y a actuellement une grande incertitude sur la durée de vie restante avant défaillance du roulement à partir du seuil d’observabilité vibratoire de l’endommagement. Les algorithmes actuels diagnostiquent un stade de dégradation approximatif et génèrent des messages d’alarme de différents niveaux, chaque niveau correspondant à un stade de dégradation différent, mêlant confiance et sévérité du diagnostic. Un aspect important du pronostic est la prise en compte des paramètres contextuels influant sur la vitesse de dégradation. Les objectifs de cette thèse sont de disposer de méthodes et d’outils permettant de quantifier un temps de fonctionnement restant avant défaillance de roulement en regard : - de la gravité de l’endommagement détecté, - des conditions environnementales de fonctionnement, - de la profondeur de pronostic souhaitée, Les contraintes industrielles associées à ces objectifs sont les suivantes : 1) Le pronostic devra être basé, a minima, sur des mesures vibratoires hautes fréquences de quelques kHz (accéléromètres ou microphones), des données contextuelles (les régimes de rotation des différents rotors, par exemple, ou encore les amplitudes des niveaux pilotés sur les régimes de rotation, révélateurs d’un chargement des paliers) 2) .Constituer une base de données d’essais issus d’un plan d’expériences : ces essais devront tenir compte des contraintes liées à la maîtrise des paramètres jugés significativement influents 3) Cette base de données devra prendre en compte la représentativité de l’environnement vibratoire d’un moteur d’avion. 4) Proposer un outil ou une méthode de pronostic en tenant compte de la nature du roulement à considérer
As part of preventive maintenance of its engines, Safran Aircraft Engines wishes to complete its diagnostic operations with a reliable prognosis of the residual life of the bearings. Following an attack, there is currently a great deal of uncertainty about the remaining life before bearing failure from the threshold of vibrational observability of the damage. Current algorithms diagnose an approximate stage of degradation and generate alarm messages of different levels, each level corresponding to a different stage of degradation, combining confidence and severity of diagnosis. An important aspect of the prognosis is the taking into account of the contextual parameters influencing the rate of degradation. The objectives of this thesis are to have methods and tools to quantify a running time remaining before bearing failure with regard to: - the severity of the damage detected, - the environmental conditions of operation, - the depth The industrial constraints associated with these objectives are as follows: 1) The prognosis should be based, at least, on high-frequency vibratory measurements of a few kHz (accelerometers), contextual data (the rotational speeds of the different rotors, for example, or the amplitudes of the levels piloted on them), rotation regimes, revealing a loading of the bearings) 2). Constituing a database of tests resulting from a plan of experiments: these tests will have to take into account the constraints related to the control of the parameters considered to be significantly influential 3) This database must take into account the representativity of the vibratory environment of an aircraft engine. 4) Propose a tool or method of prognosis taking into account the nature of the bearing to consider

La mise en place d’une politique de maintenance prévisionnelle est un défi majeur dans l’industrie qui tente de réduire le plus possible les frais relatifs à la maintenance. En effet, les systèmes sont de plus en plus complexes et demandent un suivi de plus en plus poussé afin de rester opérationnels et sécurisés. Une maintenance prévisionnelle nécessite d’une part d’évaluer l’état de dégradation des composants du système, et d’autre part de pronostiquer l’apparition future d’une panne. Plus précisément, il s’agit d’estimer le temps restant avant l’arrivée d’une défaillance, aussi appelé Remaining Useful Life ou RUL en anglais. L’estimation d’une RUL constitue un réel enjeu car la pertinence et l’efficacité des actions de maintenance dépendent de la justesse et de la précision des résultats obtenus. Il existe de nombreuses méthodes permettant de réaliser un pronostic de durée de vie résiduelle, chacune avec ses spécificités, ses avantages et ses inconvénients. Les travaux présentés dans ce manuscrit s’intéressent à une méthodologie générale pour estimer la RUL d’un composant. L’objectif est de proposer une méthode applicable à un grand nombre de cas et de situations différentes sans nécessiter de modification majeure. De plus, nous cherchons aussi à traiter plusieurs types d’incertitudes afin d’améliorer la justesse des résultats de pronostic. Au final, la méthodologie développée constitue une aide à la décision pour la planification des opérations de maintenance. La RUL estimée permet de décider de l’instant optimal des interventions nécessaires, et le traitement des incertitudes apporte un niveau de confiance supplémentaire dans les valeurs obtenues
Predictive maintenance strategies can help reduce the ever-growing maintenance costs, but their implementation represents a major challenge. Indeed, it requires to evaluate the health state of the component of the system and to prognosticate the occurrence of a future failure. This second step consists in estimating the remaining useful life (RUL) of the components, in Other words, the time they will continue functioning properly. This RUL estimation holds a high stake because the precision and accuracy of the results will influence the relevance and effectiveness of the maintenance operations. Many methods have been developed to prognosticate the remaining useful life of a component. Each one has its own particularities, advantages and drawbacks. The present work proposes a general methodology for component RUL estimation. The objective i to develop a method that can be applied to many different cases and situations and does not require big modifications. Moreover, several types of uncertainties are being dealt With in order to improve the accuracy of the prognostic. The proposed methodology can help in the maintenance decision making process. Indeed, it is possible to select the optimal moment for a required intervention thanks to the estimated RUL. Furthermore, dealing With the uncertainties provides additional confidence into the prognostic results

Cette thèse développe des approches pour le diagnostic et le pronostic de systèmes dynamiques incertains en utilisant la technique de modélisation Bond Graph (BG). Tout d'abord, une représentation par intervalles des incertitudes paramétriques et de mesures est intégrée à un modèle BG-LFT (Linear Fractional Transformation). Une méthode de détection robuste de défaut est développée en utilisant les règles de l'arithmétique d'intervalle pour la génération de seuils robustes et adaptatifs sur les résidus nominaux. La méthode est validée en temps réel sur un système de générateur de vapeur.Deuxièmement, une nouvelle méthodologie de pronostic hybride est développée en utilisant les Relations de Redondance Analytique déduites d'un modèle BG et les Filtres Particulaires. Une estimation de l'état courant du paramètre candidat pour le pronostic est obtenue en termes probabilistes. La prédiction de la durée de vie résiduelle est atteinte en termes probabilistes. Les incertitudes associées aux mesures bruitées, les conditions environnementales, etc. sont gérées efficacement. La méthode est validée en temps réel sur un système mécatronique incertain.Enfin, la méthodologie de pronostic développée est mise en œuvre et validée pour le suivi efficace de la santé d'un sous-système électrochimique d’une pile à combustible à membrane échangeuse de protons (PEMFC) industrielle à l’aide de données de dégradation réelles
This thesis develops the approaches for diagnostics and prognostics of uncertain dynamic systems in Bond Graph (BG) modeling framework. Firstly, properties of Interval Arithmetic (IA) and BG in Linear Fractional Transformation, are integrated for representation of parametric and measurement uncertainties on an uncertain BG model. Robust fault detection methodology is developed by utilizing the rules of IA for the generation of adaptive interval valued thresholds over the nominal residuals. The method is validated in real time on an uncertain and highly complex steam generator system.Secondly, a novel hybrid prognostic methodology is developed using BG derived Analytical Redundancy Relationships and Particle Filtering algorithms. Estimations of the current state of health of a system parameter and the associated hidden parameters are achieved in probabilistic terms. Prediction of the Remaining Useful Life (RUL) of the system parameter is also achieved in probabilistic terms. The associated uncertainties arising out of noisy measurements, environmental conditions etc. are effectively managed to produce a reliable prediction of RUL with suitable confidence bounds. The method is validated in real time on an uncertain mechatronic system.Thirdly, the prognostic methodology is validated and implemented on the electrical electro-chemical subsystem of an industrial Proton Exchange Membrane Fuel Cell. A BG of the latter is utilized which is suited for diagnostics and prognostics. The hybrid prognostic methodology is validated, involving real degradation data sets