Book Description

Une maintenance prévisionnelle efficace repose d’une part sur une modélisation précise de connaissances expertes préexistantes (AMDEC, Arbre de défaillance, etc.) et d’autre part sur des outils de supervision et de pronostic sensibles aux évolutions du procédé. La performance de ces outils repose sur l’analyse et l’estimation en temps réel de l’état du procédé, mais également sur la prévision de ses états futurs. Sur cette base, des indicateurs tels que les valeurs probabilistes issues du pronostic de défaillances peuvent être exploités pour la planification efficiente d’actions de maintenance. En partant des connaissances expertes préétablies, nous proposons une approche de supervision adaptative basée sur une technique de reconnaissance des formes, AUDyC (AUto-adaptive and Dynamical Clustering), qui est particulièrement adapté aux systèmes dynamiques évolutifs et complexes. Cette approche permet de suivre en temps réel l’état de fonctionnement du procédé, avec un minimum de connaissances a priori sur ses caractéristiques physiques, de détecter et de diagnostiquer tout changement de son comportement, même si le système évolue vers un état jusqu’alors inconnu et d’actualiser la base de connaissance par intégration de nouveautés. Une approche de pronostic de défaillance couplée au processus de supervision adaptative est alors proposée afin de fournir en temps réel, l’état futur d’un procédé tout en estimant la probabilité qu’une défaillance survienne à un instant futur ainsi que la fiabilité de ce pronostic. Cette architecture de supervision adaptative et de pronostic proposée est utilisée pour la maintenance prévisionnelle des composants d’un système réel de thermorégulation.