Retour au site du LAAS-CNRS

Résumé

L'efficacité de la maintenance des systèmes industriels est un enjeu économique majeur pour leur exploitation commerciale. Les principales difficultés et sources d'inefficacité résident dans le choix des actions de maintenance. Un mauvais choix peut mener à une maintenance non satisfaisante et un surcoût dû à l'indisponibilité du système. Cette thèse propose une architecture générique de supervision pour aider à la prise de décisions d'actions de maintenance pour un système complexe. Cette architecture intègre des capacités de diagnostic et de pronostic permettant de connaître l'état actuel et l'état futur du système. La fonction de diagnostic détermine les composants en faute à l'origine des défaillances. La fonction de pronostic calcule la durée avant la prochaine défaillance du système. Nous présentons un cadre de modélisation générique formel pour un système complexe qui capture l'ensemble des connaissances nécessaires aux fonctions de diagnostic et de pronostic. Il permet de caractériser un couplage diagnostic/pronostic original. Une fonction générique et adaptative de pronostic est définie à l'aide d'un modèle de Weibull afin d'évaluer de façon probabiliste la durée de vie résiduelle du système. Des critères de performance pour l'architecture de supervision proposée reposant sur des propriétés du diagnostic et du pronostic sont caractérisés. Une méthodologie de retour sur conception est proposée dans le but d'assurer la performance de la fonction de diagnostic en garantissant la diagnosticabilité du système. L'application de ce travail de recherche aux systèmes aéronautiques s'inscrit dans le cadre du projet ARCHISTIC en collaboration avec Airbus et l'ENIT.

Abstract

The maintenance efficiency of industrial systems is an important economical and business issue. The main difficulties come from the choice of maintenance actions. A wrong choice can lead to maintenance costs that are not acceptable. A generic supervision architecture is proposed in this thesis and supports the decision of maintenance actions for a complex system. This architecture integrates some diagnostic and prognostic capabilities to determine the current and future state of the system. The diagnostic function aims at identifying faulty components that may cause system failures. The prognostic function estimates the remaining time until the next system failure. A formal generic modeling framework for a complex system is presented and encapsulates the knowledge that is used by the diagnostic and prognostic functions. An original coupling of diagnosis and prognosis is then characterised. A generic and adaptive prognostic function is defined with a Weibull model in order to evaluate the system remaining useful life by the use of probability. Performance criteria for the proposed supervision architecture are characterised. They rely on diagnostic and prognostic properties. A methodology that provides a feedback to the system design is proposed to improve diagnostic function efficiency by guaranteeing some diagnosability objectives. This work is partly supported by the ARCHISTIC project in collaboration with Airbus France and National Engineering School of Tarbes, France.

Mots-Clés / Keywords

Diagnostic; Pronostic; Supervision; Maintenance préventive; Diagnosticabilité; Systèmes complexes; Diagnosis; Prognosis; Preventive maintenance; Diagnosability; Complex systems;

Mots-Clés / Keywords

Diagnosis; Prognosis; Preventive maintenance; Complex systems;

Abstract

This paper addresses the problem of the maintenance of a complex system of heterogeneous components. With the ecreasing costs of sensors, it now becomes possible to really benefit of on-line adaptive prognostic methods in order to support the optimization of the maintenance actions and scheduling. In this paper, we propose a generic health monitoring architecture that encompasses the available prognostic methods and provides a common support for the maintenance decision on a complex system. The output of this architecture takes into account the composed nature of the system by not only providing component prognoses but also function prognosis. In order to provide a prognosis for the whole system, component prognoses are combined by taking into account functional dependencies in the system.

Mots-Clés / Keywords

Complex systems; Dynamic degradation; Maintenance engineering; Probabilistic models; Supervision;

Mots-Clés / Keywords

Design requirements; Distributed discrete-event systems; Diagnosability;