Contribution to deterioration modeling and residual life estimation based on condition monitoring data
Contribution à la modélisation de la détérioration et à l'estimation de durée de vie résiduelle basée sur les données de surveillance conditionnelle
Résumé
Predictive maintenance plays a crucial role in maintaining continuous production systems
since it can help to reduce unnecessary intervention actions and avoid unplanned
breakdowns. Indeed, compared to the widely used condition-based maintenance (CBM),
the predictive maintenance implements an additional prognostics stage. The maintenance
actions are then planned based on the prediction of future deterioration states and residual
life of the system. In the framework of the European FP7 project SUPREME (Sustainable
PREdictive Maintenance for manufacturing Equipment), this thesis concentrates on
the development of stochastic deterioration models and the associated remaining useful
life (RUL) estimation methods in order to be adapted in the project application cases.
Specifically, the thesis research work is divided in two main parts. The first one
gives a comprehensive review of the deterioration models and RUL estimation methods
existing in the literature. By analyzing their advantages and disadvantages, an adaption
of the state of the art approaches is then implemented for the problem considered in the
SUPREME project and for the data acquired from a project’s test bench. Some practical
implementation aspects, such as the issue of delivering the proper RUL information to
the maintenance decision module are also detailed in this part.
The second part is dedicated to the development of innovative contributions beyond
the state-of-the-art in order to develop enhanced deterioration models and RUL estimation
methods to solve original prognostics issues raised in the SUPREME project. Specifically,
to overcome the co-existence problem of several deterioration modes, the concept of the
“multi-branch” models is introduced. It refers to the deterioration models consisting of
different branches in which each one represent a deterioration mode. In the framework of
this thesis, two multi-branch model types are presented corresponding to the discrete and
continuous cases of the systems’ health state. In the discrete case, the so-called Multibranch
Hidden Markov Model (Mb-HMM) and the Multi-branch Hidden semi-Markov
model (Mb-HsMM) are constructed based on the Markov and semi-Markov models. Concerning
the continuous health state case, the Jump Markov Linear System (JMLS) is
implemented. For each model, a two-phase framework is carried out for both the diagnostics
and prognostics purposes. Through numerical simulations and a case study, we
show that the multi-branch models can help to take into account the co-existence problem
of multiple deterioration modes, and hence give better performances in RUL estimation
compared to the ones obtained by standard “single branch” models.
La maintenance prédictive joue un rôle important dans le maintien des systèmes de
production continue car elle peut aider à réduire les interventions inutiles ainsi qu’à éviter
des pannes imprévues. En effet, par rapport à la maintenance conditionnelle, la maintenance
prédictive met en oeuvre une étape supplémentaire, appelée le pronostic. Les
opérations de maintenance sont planifiées sur la base de la prédiction des états de détérioration
futurs et sur l’estimation de la vie résiduelle du système. Dans le cadre du projet
européen FP7 SUPREME (Sustainable PREdictive Maintenance for manufacturing
Equipment en Anglais), cette thèse se concentre sur le développement des modèles de
détérioration stochastiques et sur des méthodes d’estimation de la vie résiduelle (Remaining
Useful Life – RUL en anglais) associées pour les adapter aux cas d’application du
projet.
Plus précisément, les travaux présentés dans ce manuscrit sont divisés en deux parties
principales. La première donne une étude détaillée des modèles de détérioration et
des méthodes d’estimation de la RUL existant dans la littérature. En analysant leurs
avantages et leurs inconvénients, une adaptation d’une approche de l’état de l’art est
mise en oeuvre sur des cas d’études issus du projet SUPREME et avec les données acquises
à partir d’un banc d’essai développé pour le projet. Certains aspects pratiques de
l’implémentation, à savoir la question de l’échange d’informations entre les partenaires du
projet, sont également détaillées dans cette première partie.
La deuxième partie est consacrée au développement de nouveaux modèles de détérioration
et les méthodes d’estimation de la RUL qui permettent d’apporter des éléments
de solutions aux problèmes de modélisation de détérioration et de prédiction de RUL
soulevés dans le projet SUPREME. Plus précisément, pour surmonter le problème de la
coexistence de plusieurs modes de détérioration, le concept des modèles « multi-branche
» est proposé. Dans le cadre de cette thèse, deux catégories des modèles de type multibranche
sont présentées correspondant aux deux grands types de modélisation de l’état
de santé des systèmes, discret ou continu. Dans le cas discret, en se basant sur des modèles
markoviens, deux modèles nommés Mb-HMM and Mb-HsMM (Multi-branch Hidden
(semi-)Markov Model en anglais) sont présentés. Alors que dans le cas des états continus,
les systèmes linéaires à sauts markoviens (JMLS) sont mis en oeuvre. Pour chaque modèle,
un cadre à deux phases est implémenté pour accomplir à la fois les tâches de diagnostic
et de pronostic. A travers des simulations numériques, nous montrons que les modèles de
type multi-branche peuvent donner des meilleures performances pour l’estimation de la
RUL par rapport à celles obtenues par des modèles standards mais « mono-branche ».