Pronostic des systèmes industriels basé sur l’intelligence artificielle prédictive

Abstract

Dans le domaine du Prognostics and Health Management (PHM), le pronostic est un processus permettant de se renseigner sur l’état de santé d’un système et d’estimer son temps résiduel avant la défaillance (RUL). Une bonne décision de maintenance passe forcément par une meilleure estimation de ce dernier. Récemment, l’émergence des systèmes ITs dans le domaine industriel et en particulier le Cloud Computing a fortement contribué à l’amélioration du processus de pronostic. Dans cette thèse, nous proposons une nouvelle approche de pronostic basé sur le modèle cloud computing et le principe de multitenancy afin de présenter le pronostic en tant que service. Cette approche fournit une solution de pronostic efficace à la demande d’un client tout en assurant une meilleure qualité du service. Trois méthodes de pronostic guidé par les données (réseau de neurones artificiels, système neuro-flou et réseau bayésien) ont été implémentées et testées sur des données de moteurs d’avions du centre d’excellence en pronostic de la National Aeronautics and Space Administration (NASA). Afin de tester l’efficacité de notre solution et comparer les méthodes implémentées, nous avons étudié la performance de notre système de pronostic en fonction de l’exactitude, la précision et de l’erreur quadratique moyenne. Enfin une évaluation des qualités de service (QoS) de la solution a été effectuée.