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 œuvre 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 œuvre 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 multi-branche sont présentées correspondant aux deux grands types de modélisation de l'état de santé des système, 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 œuvre. 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 ». / 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-are 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 Multi-branch 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.

Le point de départ de ce travail est la thèse réalisée par Pascal Vrignat sur la modélisation de niveaux de dégradation d’un système dynamique à l’aide de Modèles de Markov Cachés (MMC), pour une application en maintenance industrielle. Quatre niveaux ont été définis : S1 pour un arrêt de production et S2 à S4 pour des dégradations graduelles. Recueillant un certain nombre d’observations sur le terrain dans divers entreprises de la région, nous avons réalisé un modèle de synthèse à base de MMC afin de simuler les différents niveaux de dégradation d’un système réel. Dans un premier temps, nous identifions la pertinence des différentes observations ou symboles utilisés dans la modélisation d’un processus industriel. Nous introduisons ainsi le filtre entropique. Ensuite, dans un but d’amélioration du modèle, nous essayons de répondre aux questions : Quel est l’échantillonnage le plus pertinent et combien de symboles sont ils nécessaires pour évaluer au mieux le modèle ? Nous étudions ensuite les caractéristiques de plusieurs modélisations possibles d’un processus industriel afin d’en déduire la meilleure architecture. Nous utilisons des critères de test comme les critères de l’entropie de Shannon, d’Akaike ainsi que des tests statistiques. Enfin, nous confrontons les résultats issus du modèle de synthèse avec ceux issus d’applications industrielles. Nous proposons un réajustement du modèle pour être plus proche de la réalité de terrain. / As part of preventive maintenance, many companies are trying to improve the decision support of their experts. This thesis aims to assist our industrial partners in improving their maintenance operations (production of pastries, aluminum smelter and glass manufacturing plant). To model industrial processes, different topologies of Hidden Markov Models have been used, with a view to finding the best topology by studying the relevance of the model outputs (also called signatures). This thesis should make it possible to select a model framework (a framework includes : a topology, a learning & decoding algorithm and a distribution) by assessing the signature given by different synthetic models. To evaluate this « signature », the following widely-used criteria have been applied : Shannon Entropy, Maximum likelihood, Akaike Information Criterion, Bayesian Information Criterion and Statistical tests.

Le diagnostic et le pronostic de pannes des systèmes d'entraînement électriques est un enjeu majeur pour assurer la fiabilité et la sûreté de fonctionnement des outils de production notamment dans les secteurs sensibles (militaire, l'aéronautique, l'aérospatiale et nucléaire, etc.). Le travail de recherche présenté dans cette thèse vise à introduire de nouvelles méthodes de diagnostic et de pronostic des défauts d'une machine asynchrone ainsi que des roulements à rouleaux. Ces méthodes, orientées données, utilisent les données de mesure recueillies à partir de capteurs placés sur un système (machine asynchrone, roulement à rouleaux) afin de construire un vecteur de paramètres indicateur de défaut. Les méthodes de classification développées (supervisée, non supervisée) permettent de classer les observations, décrites par le vecteur de paramètres, par rapport aux différents modes de fonctionnement, connus ou inconnus du système, avec ou sans défauts. Des défauts ont été créés au rotor et aux roulements de la machine asynchrone, alimentée par le biais d'un onduleur de tension. La classification non supervisée, basée sur l'algorithme des fourmis artificielles, permet d'analyser les observations inconnues et inexplorées afin de mettre en évidence les classes regroupant les observations similaires. Cela permet d'améliorer la classification et de détecter l'apparition de nouveaux modes de fonctionnement. La classification supervisée, basée sur les modèles de Markov cachés, permet d'associer un degré d'appartenance (sous forme d'une probabilité) lors de l'affectation d'une observation à une ou plusieurs classes. Cela permet de définir un indice de fiabilité à l'affectation réalisée mais aussi de détecter l'apparition de nouveaux modes de fonctionnement. Ces méthodes ne se limitent pas qu'à diagnostiquer les défauts, elles peuvent aussi contribuer au pronostic des défauts. En effet, le pronostic peut être défini comme une extension du problème de diagnostic. La prédiction d'un défaut est réalisée par trois méthodes basées sur les modèles de Markov cachés pour la détection de l'imminence d'un défaut ainsi que par deux méthodes basées sur le système neuro-flou (ANFIS pour Adaptive Neuro Fuzzy Inference System et le neurone neuro-flou) pour estimer le temps restant avant son apparition. Des données de vieillissement d'un ensemble de roulements à rouleaux ont été utilisées afin de tester les méthodes proposées. Les résultats obtenus montrent l'efficacité de ces méthodes pour le diagnostic et le pronostic des défauts dans les entraînements électriques / Faults diagnosis and prognosis of electrical drives play a key role in the reliability and safety of production tools especially in key sectors (military, aviation, aerospace and nuclear, etc.). The research presented in this thesis aims to introduce new methods for faults diagnosis and prognosis of an induction motors and roller bearings. These methods use measured data collected from sensors placed on the system (induction motor, roller) in order to construct a feature vector which indicates the state of the system. Supervised and unsupervised classification methods are developed to classify measurements (observations) described by the feature vector compared to known or unknown operating modes, with or without failures. Defects were created in the rotor and the bearing of the induction motor, fed by a voltage inverter. The unsupervised classification technique, based on artificial ant-clustering, allows analyzing the unknown and unexplored observations to highlight classes with similar observations. This allows improving the classification and the detection of new operating modes. The supervised classification, based on hidden Markov models, allows associating a degree of similarity when we affect an observation to one or more classes. This defines a reliability index which allows the detection of new operating modes. These methods are not limited to diagnose faults; they can also contribute to the prognosis of faults. Indeed, the prognosis can be defined as an extension of the problem of diagnosis. The prognosis of faults is carried out by three methods based on hidden Markov models for the detection of an impending failure and by two methods based on the neuro-fuzzy system (ANFIS for Adaptive Neuro fuzzy Inference System and the neo-fuzzy neuron) to estimate the remaining time before its appearance. A set of historical data collected on roller bearings is used to validate the proposed methods. The obtained results show the effectiveness of the proposed methods for faults diagnosis and prognosis of electrical drives

Pour maintenir leur compétitivité, les industries du semi-conducteur doivent être en mesure de produire des circuits intégrés en technologies avancées, avec des temps de cycle de plus en plus courts et à des coûts raisonnables. Un des axes d’amélioration réside dans le traitement des défaillances des équipements de production tenus responsables de plus de 50%des rejets produits. Cette thèse se fixe comme objectif de contribuer au développement d’une boucle réactive partant d’une dérive produit à la mise en place d’une solution appropriée tout en assurant un meilleur compromis entre disponibilité des équipements, coûts d’exploitation, qualité et compétitivité du produit. Joignant l’expertise humaine et les événements réels, nous nous sommes proposé ici de développer une méthodologie générique permettant de construire un modèle d’estimation du comportement des équipements de production (Equipment Health Factor EHF) à partir d’un raisonnement mathématique centré sur un formalisme probabiliste. L’approche a été amenée à sa validation expérimentale sur des outils, à base de réseaux Bayésiens, que nous avons développés. Les résultats obtenus amènent des éléments de décision permettant à l’industriel d’intervenir au plus tôt pour envisager par exemple de maintenir l’équipement avant qu’il n’ait dérivé. Cette thèse a été préparée dans le cadre du projet européen IMPROVE en collaboration avec STMicroelectronics, Lfoundry et Probayes / Today, the semiconductor industry must be able to produce Integrated Circuit (IC) withreduced cycle time, improved yield and enhanced equipment effectiveness. Besides thesechallenges IC manufacturers are required to address the products scrap and equipment driftsin a complex and uncertain environment which otherwise shall severely hamper the maximumproduction capacity planned. The objective of this thesis is to propose a generic methodologyto develop a model to predict the Equipment Health Factor (EHF) which will define decisionsupport strategies on maintenance tasks to increase the semiconductor industry performance.So, we are interested here to the problem of equipment failures and drift. We propose apredictive approach based on Bayesian technique allowing intervene early to maintain, forexample, the equipment before its drift. The study presented in this thesis is supported by theIMPROVE European project

La maintenance aéronautique est fortement régulée, notamment à travers l’établissement d’un planning de maintenance obligatoire, permettant de garantir la sureté structurale. La fréquence des arrêts en maintenance est déterminée de manière très conservative en vue d’assurer les exigences de fiabilité. Développer des stratégies de maintenance moins conservatives et plus efficaces peut alors représenter une voie pour une nouvelle croissance des compagnies aériennes. Les systèmes de monitoring embarqué de structures, sont progressivement introduits dans l’industrie aéronautique. Ces développements pourraient alors permettre de nouvelles stratégies de maintenance structurale basées sur la prévision de l’état de santé de chaque élément structural, plutôt que basée sur une maintenance programmée, tel qu’implémentée actuellement. Dans ce cadre général, ce travail se concentre sur le suivi par un système embarqué de la propagation de fissures de fatigue dans les panneaux de fuselage. Une nouvelle méthode de prévision des fissures basée sur des modèles de propagation est développée, qui permet de filtrer le bruit des mesures du système embarqué, identifier la taille actuelle de la fissure et prédire son évolution future et par conséquent la fiabilité des panneaux. Cette approche prédictive est intégrée dans le processus de maintenance structurale aéronautique et deux types de maintenances prédictives sont proposés. L’étude numérique montre que ces stratégies de maintenance prédictive peuvent réduire de manière significative les coûts de maintenance en réduisant le nombre d’arrêts en maintenance et le nombre de réparations inutiles. / Aircraft maintenance represents a major economic cost for the aviation industry. Traditionally, the aircraft maintenance is highly regulated based on fixed schedules (thus called scheduled maintenance) in order to ensure safety. The frequency of scheduled maintenance is designed to be very conservative to maintain a desirable level of reliability. Developing efficient maintenance can be an important way for airlines to allow a new profit growth. With the development of sensor technology, structural health monitoring (SHM) system, which employ a sensor network sealing inside aircraft structures to monitor the damage state, are gradually being introduced in the aviation industry. Once it is possible to monitor the structure damage state automatically and continuously by SHM systems, it enables to plan the maintenance activities according to the actual or predicted health state of the aircraft rather than a fixed schedule. This work focus on the fatigue crack propagation in the fuselage panels. The SHM system is assumed to be employed. A model-based prognostics method is developed, which enables to filter the noise of SHM data to estimate the crack size, and to predict the future health state of the panels. This predictive information is integrated into the maintenance decision-making and two types of predictive maintenance are developed. The numerical study shows that the predictive maintenance significantly reduces the maintenance cost by reducing the number of maintenance stop and the repaired panels.

Cette thèse s’inscrit dans le cadre des études des phénomènes électromagnétiques dansles régions frontales des grands turbo-générateurs. L’objectif de la thèse est d’estimer apriori le champ magnétique axial en fonction du point de fonctionnement afin d’éviterles possibles dégradations du circuit magnétique (dus aux points chauds et tensions entretôles, qui sont liés à la composante axiale du champ).Une maquette à échelle réelle a été spécialement conçue et réalisée dans le but d’améliorerla compréhension physique des phénomènes : les pertes, la pénétration du champ magnétiqueet les tensions entre tôles sont analysés.Les simulations par éléments finis sont ensuite utilisées : les avantages et inconvénientsseront discutés, ainsi qu’une comparaison critique des résultats par rapport aux mesuresexpérimentales sur la maquette. La région frontale d’un turbo-alternateur est aussi entièrementmodélisée.Enfin, un modèle simple du flux axial est développé. Ses coefficients sont déterminés àl’aide de simulations par éléments finis, mais il peut ensuite être utilisé en temps réel afind’estimer le flux axial correspondant à un point de fonctionnement quelconque. / This work aims to improve the knowledge of electromagnetic phenomena that occurin the end region of large turbo-generators. The goal of this work is to evaluate theaxial magnetic flux density with regard to the operating conditions (such as active orreactive power) in order to prevent potential deterioration of the stator. Indeed, the axialmagnetic field is known to induce hot points or voltages between laminations that maycause insulation breakdown and thus stator faults.An experimental apparatus in real scale has been designed and built. Its purpose is tostudy precisely the following phenomena: losses, axial magnetic flux density penetration,voltage across adjacent voltages.Finite element simulations (FEM) are also used: their advantages and drawbacks arediscussed, and the results are compared with the experimental measures. The wholeend-region of a turbo-generator is also simulated.Finally, a simple model of the axial magnetic flux is proposed. Its parameters are basedon the results of the FEM model, but it may be used in real time to evaluate the axialmagnetic flux density of any operating point.