DIAgnostic Dynamique et maintenance prévisionnelle des systèmes en station et EMmbarqués sur train – DIADEM

Le premier volet des travaux menés dans ce projet est dédié au diagnostic dynamique par reconnaissance des formes. A partir des mesures effectuées sur un sous-système embarqué, l’objectif est d’inférer le mode de fonctionnement courant de celui-ci, et d'étudier l'évolution de ce mode au cours du temps. Le point innovant porte sur la prise en compte de l’aspect dynamique du diagnostic et ce en autorisant les paramètres des classes de fonctionnement à évoluer au cours du temps et en exploitant la nature historisée des données. Le problème de classification dynamique sera abordé en utilisant le formalisme générique des mélanges de lois où, contrairement à la situation classique de données stationnaires, les paramètres des classes seront modélisés de manière stochastique (ex. moyennes des gaussiennes modélisées de manière autorégressive).
Le second volet est consacré à la maintenance préventive prévisionnelle (ou pronostic). Les stratégies de maintenance du matériel roulant sont désormais fortement améliorables du fait du développement d’un grand nombre de systèmes de mesure embarqués, permettant un monitoring intensif des sous-systèmes clés. La première amélioration, proposée dans ce second volet porte sur l’exploitation de ces données de diagnostic pour mettre en place des actions de maintenance conditionnelles. Enfin, le développement de modèles de dégradations fins permet, adossés au diagnostic, d’estimer le comportement à venir du système et donc de prévoir lorsque ce dernier franchira un état de dégradation redouté ou sera totalement défaillant. Il deviendra alors possible de remettre en cause le référentiel de maintenance et d’optimiser une date d’intervention. Si les réseaux bayésiens dynamiques ont déjà trouvé beaucoup d’applications industrielles dans le domaine de la maintenance, l’intégration de fonctionnalités de pronostic aux algorithmes d’inférence constitut l’une des innovations de ce volet.

Un premier algorithme de pronostic pour des systèmes à espace d’états discret et fini, périodiquement observés, a été développé en s’appuyant sur l’utilisation d’un ensemble de distributions de probabilités décrivant les temps de séjour dans chaque état du système, pouvant être apprises à partir de bases de données issues du retour d’expérience ou d’avis d’experts. Une structure spécifique de réseau bayésien dynamique a ensuite été proposée, permettant d’intégrer cet algorithme de pronostic. Le modèle obtenu fournit une estimation initiale de la durée de vie résiduelle (RUL) et sa mise à jour à chaque nouvelle observation de l’état de fonctionnement du système. Enfin, pour permettre la prise en compte de la possible existence de plusieurs dynamiques dans le processus de dégradation, une extension du formalisme des Modèles Graphiques de Durée au cas de lois de temps de séjour conditionnelles a été proposée et la structure du réseau bayésien spécifique pour l’estimation de la RUL a été adaptée.
Un état de l’art a été réalisé sur les méthodes de diagnostic dynamique par reconnaissance des formes. Dans le cadre de la classification supervisée, l’approche de régression logistique dynamique, qui suppose une dynamique d’évolution stochastique sur les coefficients de régression logistique, a ainsi été implémentée. Pour ce qui est de la classification non supervisée, deux algorithmes EM basés respectivement sur des évolutions polynomiales et sur des évolutions stochastiques de centres de classes ont également été implémentés. Certaines limitations des modèles sous-jacents nous ont conduit à proposer un formalisme plus général s’appuyant sur les modèles à espace d’état, et à en déduire un algorithme permettant de classifier séquentiellement des données potentiellement non stationnaires. Parallèlement à ces travaux, une méthode générique de segmentation de séquences de données multivariées a été mise au point en vue d’extraire des indicateurs pertinents pour le diagnostic.

Réseau bayésien dynamique intégrant un algorithme de pronostic pour des systèmes à espace d’états discret et fini pour l’estimation de la durée de vie résiduelle (RUL)
Prise en compte de plusieurs dynamiques dans le processus de dégradation à l’aide d’une extension du formalisme des Modèles Graphiques de Durée au cas de lois de temps de séjour conditionnelles,
Dans le cas supervisé, approche de régression logistique dynamique intégrant une dynamique d’évolution stochastique sur les coefficients de régression logistique
Pour la classification non supervisée, deux algorithmes EM basés respectivement sur des évolutions polynomiales et sur des évolutions stochastiques de centres de classes. Proposition d’un formalisme plus général à base de modèles à espace d’état. Algorithme pour la classification séquentielle de données potentiellement non stationnaires.
Extraction d’indicateurs à base d’une méthode générique de segmentation de séquences de données multivariées

H. El Assaad, A. Samé, G. Govaert, P. Aknin (2015). A variational Expectation Maximisation algorithm for temporal data clustering, Computational Statistics & Data Analysis (CSDA). En révision.
J. Foulliaron, L. Bouillaut, P. Aknin, A. Barros. A dynamic Bayesian network approach for modelling and optimizing predictive maintenance policies. Article en phase de relecture pour une publication dans Proceedings of the Institution of Mechanical Engineers, Part O, Journal of Risk and Reliability.
J. Foulliaron, L. Bouillaut, P. Aknin, A. Barros. An extension of Graphical Duration Models integrating conditional sojourn time distributions. Article à soumettre dans Proceedings of the Institution of Mechanical Engineers, Part O, Journal of Risk and Reliability.
J. Foulliaron, L. Bouillaut, A. Barros, P. Aknin (2015). ‘Dynamic bayesian networks for reliability analysis: from a Markovian point of view to semi-markovian approaches’, 9th IFAC Symposium on Fault Detection, Supervision and Safety of Technical Processes SafeProcess’15, Paris, France.
J. Foulliaron, L. Bouillaut, P. Aknin, A. Barros (2015). ‘A specific semi-markovian dynamic bayesian network estimating residual useful life’, 16th Conference of the Applied Stochastic Models and Data Analysis ASMDA’15, Piraeus, Greece.
J.Foulliaron, L.Bouillaut, P.Aknin, A.Barros (2014). ‘A specific Dynamic Bayesian Network for a prognosis based maintenance strategy’, 2nd International Conference on Railway Technology: Research, Development and Maintenance Railways’14, Ajaccio, France.
J.Foulliaron, L.Bouillaut, A.Barros, P.Aknin, R.Rozas (2013). ‘A prognostic algorithm based on probabilistic graphical models for a periodically observed system’, 11th ESRA European Safety & Reliability International Conference ESREL’13, Amsterdam, The Netherlands.

Les composants du matériel roulant ferroviaire font parties intégrantes du «système» ferroviaire. L’enjeu majeur pour les exploitants et les constructeurs est la disponibilité des trains afin d’augmenter la satisfaction des usagers sans augmenter les coûts du matériel et répondre aux exigences de régularité des autorités organisatrices ; ce grâce notamment à la mise en place d’opérations de maintenance prévisionnelle et conditionnelle. En mettant au point des outils innovants pour le diagnostic et la maintenance de sous-systèmes embarqués, l’exploitant est en mesure de planifier les opérations de maintenance (et donc d’optimiser la disponibilité et la qualité de service de son réseau), la logistique, ainsi que l’approvisionnement des pièces.
L’objectif de ce projet est de développer des outils de diagnostic et de pronostic de trois organes sensibles du matériel roulant ferroviaire (la climatisation, le système de freinage et les portes) qui permettront de donner en temps réel leur potentiel réel d’utilisation avant défaillance, introduisant de fait une amélioration des conditions de réalisation de la maintenance et de la régularité des circulations. Il apportera une connaissance plus fine du comportement temporel et du vieillissement du matériel ainsi que des éléments de réponse pour une optimisation des référentiels de maintenance. Cette proposition adresse directement les attendus de l’axe 2.3 concernant la sûreté et la fiabilité de systèmes et des véhicules de l’appel d’offre «Transports Durables et Mobilité». Ces nouvelles fonctionnalités devront par ailleurs être effectuées en limitant le nombre de capteurs pour ne pas augmenter le coût des équipements ni dégrader la fiabilité globale des systèmes.
Le premier volet de ce projet concerne le diagnostic dynamique par reconnaissance des formes. On peut noter que la plupart des procédures actuelles de diagnostic des sous-systèmes embarqués dans le train sont essentiellement à base de règles simples. Il s’agit de définir une ou plusieurs méthodes de diagnostic qui permettent, à partir des mesures effectuées sur un sous-système embarqué, d’inférer sa classe (ou son mode) de fonctionnement courant et d’estimer sa vitesse de dégradation. Le point innovant porte sur la prise en compte de l’aspect dynamique du diagnostic en autorisant les paramètres des classes de fonctionnement à évoluer au cours du temps, ce qui paraît judicieux d’un point de vue applicatif. On pourra ainsi tenir compte des évolutions de paramètres pouvant être la conséquence d’usures, de fuites ou de déréglages progressifs des matériels. Les modèles de mélange dynamiques seront utilisés dans ce cadre. Des mises en application sur les systèmes de freinage et l’ensemble de climatisation seront réalisées sous forme de démonstrateurs.
Le second volet est consacré à la maintenance préventive prévisionnelle (ou pronostic). Souvent basées sur un compromis entre maintenances corrective et préventive systématique, les stratégies de maintenance du matériel roulant sont désormais fortement améliorables du fait du développement d’un grand nombre de systèmes de mesure embarqués. La première amélioration proposée dans ce second volet porte sur l’exploitation des données de diagnostic pour mettre en place des actions de maintenance conditionnelles (visant à intervenir au plus près de la date spécifiée par le référentiel de maintenance). Si les réseaux bayésiens dynamiques ont déjà trouvé beaucoup d’applications industrielles dans le domaine de la maintenance, l’intégration de fonctionnalités de pronostic aux algorithmes d’inférence n’a pas encore été abordée. Cela constituera l’une des innovations de ce volet. Par ailleurs, d’un point de vue industriel, l’innovation se situera réellement dans l’optimisation des référentiels de maintenance conditionnelle et prévisionnelle. On identifiera pour cela des processus de type renouvellement, régénératif et semi-régénératif. Les méthodologies développées seront appliquées aux portes des trains.