Du concept de PHM à la maintenance prédictive 1. Volume 3 , Surveillance et pronostic

Auteur(s) :

Gouriveau, Rafael Découvrir l'auteur

Résumé

Une présentation du processus de PHM proposant une démarche de génération des données de surveillance représentatives des phénomènes de dégradation des composants critiques, complétant ainsi les activités traditionnelles de maintenance. ©Electre 2017

Autre(s) auteur(s)
- Zerhouni, Noureddine
- Medjaher, Kamal (1974-....)
Éditeur(s)
- ISTE editions
Date
- cop. 2017
Notes
- Bibliogr. Index
Langues
- Français
Description matérielle
- 1 vol. (184 p.) : ill. en coul. ; 24 cm
Collections
- Collection Génie mécanique et mécanique des solides
Sujet(s)
ISBN
- 978-1-78405-234-8 ;
- 1-78405-234-5
Indice
- 62.1 Ingénierie, automatique appliquée
Quatrième de couverture
- Fiabilité des systèmes multiphysiques
  Le maintien en condition opérationnelle des systèmes industriels à moindre coût est devenu un facteur critique.
  Du concept de PHM à la maintenance prédictive 1 décrit l'émergence de cette discipline qui complète les activités traditionnelles de maintenance par une prise en compte plus proactive des défaillances. Le Prognostics and Health Management a globalement pour principe de transformer un ensemble de données brutes recueillies sur l'équipement surveillé en indicateurs de santé dont l'extrapolation dans le temps permet de définir une aide à la décision circonstanciée.
  Cet ouvrage présente de façon générale le processus de PHM. Il propose une démarche de génération des données de surveillance représentatives des phénomènes de dégradation des composants critiques qui serviront de base à l'établissement d'indicateurs de santé. Enfin, il détaille les bénéfices apportés par la mise en oeuvre de solutions de PHM dans l'industrie avant d'aborder les problèmes et défis majeurs qu'elle soulève.
Tables des matières
- - Du concept de PHM à la maintenance prédictive 1
  - surveillance et pronostic
  - Rafael Gouriveau
  - Kamal Medjaher
  - Noureddine Zerhouni
  - iSTE
  - Introduction11
  - Chapitre 1. PHM et maintenance prédictive15
  - 1.1. Maintenance anticipatrice et pronostic15
  - 1.1.1. Nouveaux enjeux et évolution de la fonction maintenance15
  - 1.1.1.1. La maintenance industrielle15
  - 1.1.1.2. Enjeux et prérogatives de la fonction maintenance15
  - 1.1.1.3. Evolution de la fonction maintenance16
  - 1.1.2. Vers une anticipation des phénomènes de défaillances17
  - 1.1.2.1. Cartographie des formes de maintenance17
  - 1.1.2.2. Maintenances corrective et préventive17
  - 1.1.2.3. Maintenances conditionnelle et prévisionnelle/prédictive18
  - 1.2. Pronostic et estimation de la durée de vie résiduelle (RUL)19
  - 1.2.1. Quoi ? Le pronostic - Définition, mesures19
  - 1.2.1.1. Les mesures de pronostic20
  - 1.2.1.2. Les mesures de performance du système de pronostic20
  - 1.2.2. Comment ? Les approches de pronostic21
  - 1.2.2.1. Une taxonomie des approches de pronostic21
  - 1.2.2.2. Synthèse et remarques23
  - 1.3. Des données aux décisions : le processus PHM24
  - 1.3.1. Détection, diagnostic et pronostic24
  - 1.3.2. Architecture CBM et processus PHM26
  - 1.3.2.1. Architecture CBM26
  - 1.3.2.2. Et le PHM ?27
  - 1.4. Portée de l'ouvrage28
  - Chapitre 2. Acquisition : du système aux données29
  - 2.1. Motivation et objet29
  - 2.2. Composants critiques et grandeurs physiques30
  - 2.2.1. Choix des composants critiques : démarche générale30
  - 2.2.2. Analyse SdF du système et outils associés31
  - 2.2.2.1. Retour d'expérience32
  - 2.2.2.2. AMDEC33
  - 2.2.2.3. Arbre de défaillances33
  - 2.2.3. Grandeurs physiques à surveiller34
  - 2.3. Acquisition et stockage de données34
  - 2.3.1. Choix des capteurs35
  - 2.3.1.1. Types de capteurs36
  - 2.3.1.2. Critères de choix36
  - 2.3.2. Acquisition des données37
  - 2.3.2.1. Acquisition37
  - 2.3.2.2. Echantillonnage38
  - 2.3.3. Prétraitement et stockage des données39
  - 2.4. Cas d'étude : vers le PHM de roulements39
  - 2.4.1. Du système « train » au composant critique « roulement »39
  - 2.4.2. La plateforme expérimentale Pronostia41
  - 2.4.2.1. Critères de choix41
  - 2.4.2.2. Principe de fonctionnement42
  - 2.4.2.3. Expérimentations réalisées44
  - 2.4.3. Exemples de signaux obtenus45
  - 2.5. Synthèse partielle47
  - Chapitre 3. Traitement : des données aux indicateurs de santé49
  - 3.1. Motivation et objet49
  - 3.1.1. Extraction de caractéristiques/descripteurs49
  - 3.1.2. Réduction/sélection de caractéristiques/descripteurs50
  - 3.1.3. Construction d'indicateurs de santé51
  - 3.2. Extraction de caractéristiques51
  - 3.2.1. Cartographie des approches51
  - 3.2.1.1. Analyse temporelle51
  - 3.2.1.2. Analyse fréquentielle52
  - 3.2.1.3. Analyse temps-fréquence52
  - 3.2.2. Caractéristiques temporelles et fréquentielles53
  - 3.2.2.1. Descripteurs temporels53
  - 3.2.2.2. Descripteurs fréquentiels53
  - 3.2.3. Caractéristiques temps-fréquence54
  - 3.2.3.1. Transformée de Fourier à court terme54
  - 3.2.3.2. Décomposition en paquets d'ondelettes56
  - 3.2.3.3. Décomposition modale empirique58
  - 3.2.3.4. Transformée de Hilbert-Huang62
  - 3.3. Réduction/sélection de caractéristiques65
  - 3.3.1. Réduction de l'espace des caractéristiques65
  - 3.3.1.1. Analyse en composantes principales (ACP)68
  - 3.3.1.2. Analyse en composantes principales à noyau69
  - 3.3.1.3. Isomap - Isometric Feature Mapping72
  - 3.3.2. Sélection de caractéristiques74
  - 3.3.2.1. Vers des descripteurs prédictibles74
  - 3.3.2.2. Sélection de caractéristiques par la prédictabilité76
  - 3.3.2.3. Application et discussion76
  - 3.4. Construction d'indicateurs de santé81
  - 3.4.1. Une approche basée sur la transformée de Hilbert-Huang81
  - 3.4.2. Description de la démarche et éléments d'illustration82
  - 3.5. Synthèse partielle84
  - Chapitre 4. Surveillance d'état, pronostic et durée de vie résiduelle : partie A87
  - 4.1. Motivation et objet87
  - 4.1.1. Prédiction des descripteurs87
  - 4.1.2. Classification des états88
  - 4.2. Prédiction des descripteurs par réseaux connexionistes89
  - 4.2.1. Systèmes connexionistes prédictifs à long terme89
  - 4.2.1.1. Approximation et apprentissage - Formalisation89
  - 4.2.1.2. Adaptation à la prédiction long terme90
  - 4.2.1.3. Taxonomie de prédicteurs long terme91
  - 4.2.1.4. Applications et discussion : tests sur la compétition NN392
  - 4.2.1.5. Applications et discussion : tests sur l'application Turbofan94
  - 4.2.2. Prédiction par réseaux de neurones « rapides »96
  - 4.2.2.1. Vers une combinaison des réseaux à ondelettes et de l'ELM97
  - 4.2.2.2. SW-ELM : Summation Wavelet-Extreme Learning Machine98
  - 4.2.2.3. Analyse des performances du SW-ELM101
  - 4.2.3. Applications à des problématiques de PHM et discussion103
  - 4.2.3.1. Données et méthodologie de tests103
  - 4.2.3.2. Robustesse, fiabilité et applicabilité104
  - 4.2.3.3. Ensemble SW-ELM, fiabilité et pronostic106
  - 4.3. Classification d'états et estimation du RUL107
  - 4.3.1. Estimation d'états sans a priori sur les données107
  - 4.3.1.1. Principe et problèmes sous-jacents109
  - 4.3.1.2. Taxonomie de classificateurs et applicabilité au PHM110
  - 4.3.1.3. Problèmes inhérents aux classificateurs non supervisés112
  - 4.3.2. Vers des performances accrues : l'algorithme S-MEFC113
  - 4.3.2.1. Principe : fusion de deux algorithmes de clustering113
  - 4.3.2.2. Formalisation de l'algorithme S-MEFC114
  - 4.3.3. Procédure de seuillage dynamique115
  - 4.3.3.1. Pronostic sans a priori sur les seuils, synoptique d'ensemble115
  - 4.3.3.2. Phase hors ligne : apprentissage des prédicteurs et classificateurs116
  - 4.3.3.3. Phase en ligne : prédictions et estimations d'états117
  - 4.4. Application et discussion117
  - 4.4.1. Données et protocole de tests117
  - 4.4.1.1. Données de tests : le PHM challenge 2008117
  - 4.4.1.2. Objet des tests et critères d'évaluation118
  - 4.4.2. Illustration de la procédure de seuillage dynamique119
  - 4.4.3. Performances de l'approche120
  - 4.5. Synthèse partielle123
  - Chapitre 5. Surveillance d'état, pronostic et durée de vie résiduelle : partie B125
  - 5.1. Motivation et objet125
  - 5.1.1. Estimation de l'état de santé126
  - 5.1.2. Prédiction du comportement126
  - 5.2. Modélisation et estimation de l'état de santé127
  - 5.2.1. Fondements : les chaînes de Markov cachées (HMM)127
  - 5.2.1.1. Chaînes de Markov - Formalisation et usage127
  - 5.2.1.2. Chaînes de Markov cachées - Formalisation et apprentissage129
  - 5.2.2. Extension : HMM à mélange de gaussiennes133
  - 5.2.3. Estimation d'états par réseaux bayésiens dynamiques135
  - 5.2.3.1. Réseaux bayésiens dynamiques135
  - 5.2.3.2. Représentation des HMM et des MoG-HMM par des RDB137
  - 5.2.3.3. Choix des paramètres des modèles MoG-HMM et RBD139
  - 5.3. Prédiction du comportement et estimation du RUL140
  - 5.3.1. Démarche : pronostic par utilisation des RBD140
  - 5.3.2. Apprentissage des séquences d'états142
  - 5.3.3. Prédiction d'états et estimation du RUL144
  - 5.4. Application et discussion146
  - 5.4.1. Données et protocole de tests146
  - 5.4.2. Identification des modèles d'états147
  - 5.4.3. Estimations et prédictions du RUL151
  - 5.5. Synthèse partielle152
  - Conclusion et perspectives155
  - Bibliographie163
  - Index183
Origine de la notice:
- OCoLC ;
- ZWZ