Maintenance prévisionnelle des systèmes de transport en présence de données incomplètes et imprécises – MAPSYD
Maintenance prévisionnelle des systèmes de transport en présence de données incomplètes et imprécises
La maintenance est un facteur important de qualité, de sûreté de fonctionnement, de respect des délais et de productivité dans les installations industrielles complexes. Cependant, le développement d'un système de maintenance prévisionnelle réellement efficient par rapport aux objectifs d'un maintien en conditions opérationnelles requiert à ce jour de définir les fondements scientifiques de la maintenance prévisionnelle ainsi que les méthodes et technologies adéquates.
Objectifs et hypothèses scientifiques
Les contributions originales du projet MAPSYD peuvent se décliner selon les thématiques ci-dessous :<br /><br />- Sûreté de fonctionnement (SdF) : Le premier élément innovant est l’intégration de l’analyse de Sûreté de Fonctionnement (SdF) dans la démarche d’identification prédictive des défaillances de systèmes.<br /><br />- Modélisation prédictive en présence d’incertitudes : Le deuxième élément innovant est formulé par le modèle prédictif nécessaire pour transformer les données collectées en une instruction fiable modifiant l’organisation des actions de maintenance.<br /><br />- Aide à la décision technico-économique : Le troisième élément innovant du projet est l’intégration d’un outil d’aide à la décision économique venant compléter l’analyse purement technique des besoins de maintenance.
- Méthodologie basée sur l’association des Chaînes de Markov Cachées (MMC) et la théorie des probabilités imprécises.
- Politique de prise de décision afin de construire un modèle économique à partir de la politique de maintenance obtenue à partir de la méthodologie des MMC imprécis.
- Développement d’une méthodologie et d'un logiciel pour le PHM (pronostic) de la durée de vie résiduelle des systèmes.
- La validation de la méthodologie a été réalisé par le biais de tests sur des données de challenges internationaux.
Création d'une solution clé en main pour la maintenance prédictive relative à chaque domaine d'application : militaire, santé, etc.
• R. Louhichi, M. Sallak, J. Pelletan, A Maintenance Cost Optimization Approach: Application on a Mechanical Bearing System, International Journal of Mechanical Engineering and Robotics Research, DOI 10.18178/ijmerr.9.5.658-664, 2020.
• R. Louhichi, M. Sallak, J. Pelletan. « A review on predictive maintenance purposes in terms of risk minimization, 30th European Safety and Reliability Conference and 15th Probabilistic Safety Assessment and Management Conference, Venezia, Italy, 2020.
• R. Louhichi, M. Sallak, J. Pelletan. « A cost model for predictive maintenance based on risk-assessment », 13ème Conférence Internationale CIGI QUALITA, Montreal, Canada, 2019.
• R. Louhichi, M. Sallak, J. Pelletan, « Elaboration of an economic model for decision aid optimizing the maintenance strategy of transport system », 6éme Journées Régionales des Doctorants en Automatique (JRDA), 2019, Lille, France, 2019.
• A. Delmas, M. Sallak, W. Schön, L. Zhao. « Méthodes de prédiction de durée de vie en vue de modèles de maintenance prévisionnelle : calcul d'intervalles et stratégies en présence de données incertaines », Congrès International de maîtrise des risques et de sûreté de fonctionnement « Lambda Mu 21 », Reims, France, 2018
• A. Delmas, M. Sallak, W. Schön, L. Zhao, « Remaining useful life estimation methods for predictive maintenance models: defining intervals and strategies for incomplete data », 10th IMA International Conference on Modelling in Industrial Maintenance and Reliability, Liverpool, United Kingdom, 2018.
• R. Louhichi, M. Sallak. « Maintenance prévisionnelle des systèmes de transport en présence de données incomplètes et imprécises (MAPSYD) », 5ème Journée Régionale des Doctorants en Automatique (JRDA), Amiens, France, 2018.
La maintenance est un facteur important de qualité, de sûreté de fonctionnement, de respect des délais et de productivité dans les installations industrielles complexes. Le projet MAPSYD propose une méthodologie originale de maintenance prévisionnelle permettant de tenir compte à la fois du caractère incomplet et imprécis des données recueillies par les capteurs. D’abord, nous proposons une méthodologie basée sur l’association des Chaînes de Markov Cachées (MMC) et la théorie des probabilités imprécises. Ensuite, nous allons définir une politique de prise de décision afin de construire un modèle économique à partir de la politique de maintenance obtenue à partir de la méthodologie des MMC imprécis. Enfin, nous proposons de développer un système de capteurs embarqué dans un tramway ou un bus et localisés sur les pièces critiques implémentant les algorithmes développés dans la méthodologie proposée.
Coordination du projet
Mohamed Sallak (Heudiasyc UMR CNRS 7253)
L'auteur de ce résumé est le coordinateur du projet, qui est responsable du contenu de ce résumé. L'ANR décline par conséquent toute responsabilité quant à son contenu.
Partenaire
ILB INSTITUT LOUIS BACHELIER
SYNOX
SECTOR STE ETUDE CONSEIL TECHN ORG
Heudiasyc Heudiasyc UMR CNRS 7253
Aide de l'ANR 872 120 euros
Début et durée du projet scientifique :
- 36 Mois
