La maintenance prédictive dans les usines intelligentes

Abstract

La transformation numérique de l’industrie a promis des avantages économiques consid- érables. En particulier, le suivi de l’état de santé des équipements de production grâce à la mise en œuvre de l’internet des objets (IoT), le Cloud Computing et les jumeaux numériques. Grâce à ces développements technologiques, les données des machines peuvent être collectées de manière plus pratique avec une vitesse, un volume et une variété plus élevés, ce qui ouvre de nouvelles possibilités d’application beaucoup plus large des technologies Prognostics and Health Management (PHM). Le PHM s’intéresse à l’évaluation du comportement de dégradation et la prédiction de la durée de vie utile restante (RUL). Les informations fournies par les pronostics sont utilisées par la suite dans la décision post-pronostic. Lors de cette étape, les tâches de maintenance sont planifiées en tenant compte de la RUL et les autres contraintes telles que la production et la logistique. L’objectif de la décision post-pronostic est d’assurer l’efficacité du système et de minimiser les coûts et les risques de la maintenance. Cette thèse s’intéresse à la décision post-pronostic dans l’industrie 4.0 avec les machines géographiquement distribuées. Un jumeau numérique basé sur des données est développé pour surveiller l’état de santé de chaque machine. En se basant sur les informations fournies par le jumeau numérique, une planification conjointe de la maintenance et de la logistique est proposée. Un aspect important de la PHM est l’estimation de la RUL des machines. Alors qu’il est peu probable que cette estimation corresponde exactement à la durée de vie utile restante réelle. Par conséquent, l’incertitude associée à l’estimation de la RUL est essentielle pour la prise de décision. En particulier dans les applications où des pannes imprévues peuvent entraîner des coûts élevés ou causer des dommages matériels ou humaines. La planification de maintenance proposé dans cette thèse s’intéresse à optimiser le coût de maintenance en prenant en compte l’incertitude du RUL pour la planification des tâches de maintenance