Digital Failure Twin pour l'évaluation de la fiabilité et la maintenance prédictive des futurs systèmes de fabrication – DFT

L'objectif du projet DFT est d'améliorer la fiabilité et de réduire les coûts opérationnels des futurs systèmes de fabrication (par exemple, lignes de production intelligentes, usines intelligentes) en développant des modèles de défaillance basés sur des jumeaux numériques (appelés jumeaux de défaillance numérique) pour prendre en charge l'évaluation et la prévision de la fiabilité en ligne entretien. Plus précisément, par rapport aux méthodes de l’état de l’art, les méthodes développées : 1) Quantifieraient plus précisément la fiabilité. 2) Obtiendraient une maintenance plus rentable. 3) Permettraient la planification grâce à la maintenance prédictive.

/

/

Alsulieman, A.; Ge, X.; Zeng, Z.; Butenko, S.; Khan, F.; El-Halwagi, M. Dynamic risk analysis of evolving scenarios in oil and gas separator. Reliability Engineering & System Safety. 2024, 243, 109834.

Zeng, Z.; Barros, A.; Coit, D. Dependent failure behavior modeling for risk and reliability: A systematic and critical literature review. Reliability Engineering & System Safety. 2023, 109515.

Boujarif, A.; Coit, D.W.; Jouini, O.; Zeng, Z.; Heidsieck, R. Integrating Reliability and Sustainability: A Multi-Objective Framework for Opportunistic Maintenance in Closed-Loop Supply Chain. In 13th International Conference on Operations Research and Enterprise Systems, ICORES 2024. Science and Technology Publications. Lda. 2024, 179-189.

Ge, X.; Zeng, Z.; Anwer, N. A Digital Failure Twin Model For PHM: From Concepts To Maturity Levels. In 2023 Global Reliability and Prognostics and Health Management Conference (PHM-Hangzhou). IEEE. October 2023, 1-6.

Assurer une fiabilité élevée avec de faibles coûts d'exploitation est une exigence opérationnelle importante pour les futurs systèmes de fabrication (par exemple, une usine intelligente, des lignes de production intelligentes). Les approches de fiabilité traditionnelles, cependant, ne peuvent pas être appliquées directement, car elles nécessitent une grande quantité de données de défaillance historiques, qui ne sont souvent pas disponibles pour les futurs systèmes de fabrication. Pour combler cette lacune, ce projet vise à développer de nouvelles approches pour améliorer la fiabilité et réduire les coûts opérationnels des futurs systèmes de fabrication grâce à une évaluation de la fiabilité en ligne et à une planification de maintenance prédictive basée sur des jumeaux numériques. Tout d'abord, un modèle basé sur le jumeau numérique (appelé jumeau de défaillance numérique) sera développé pour simuler le comportement de défaillance des futurs systèmes de fabrication. En combinant des jumeaux numériques avec des modèles de défaillance, le jumeau de défaillance numérique pourrait permettre d'évaluer la fiabilité sans avoir besoin de données de défaillance historiques. Ensuite, un cadre bayésien sera développé pour la mise à jour en ligne de la fiabilité sur la base des données de surveillance de l'état des capteurs. Grâce au mécanisme de mise à jour en ligne, la méthode développée fournira des évaluations de fiabilité plus précises. Troisièmement, nous proposerons une approche basée sur l'apprentissage par transfert pour la prévision de la remaining useful life et la planification de la maintenance prédictive basée. L'approche développée pourrait réduire considérablement la quantité de données d'entraînement requises, car un modèle pourrait être pré-entraîné sur la base des données d'entraînement simulées du jumeau de défaillance numérique, puis affiné en fonction des données de surveillance de l'état collectées en ligne via l'apprentissage par transfert. En collaborat