No description available.

Le développement de nouveaux convertisseurs d’énergie, plus efficients et plus respectueux de l’environnement, tels que les piles à combustibles, tend à s’accélérer. Leur diffusion à grande échelle suppose cependant des garanties en termes de sécurité et de disponibilité. Une solution possible pour ce faire est de développer des solutions de Prognostics and Health Management (PHM) de ces systèmes, afin de mieux les surveiller, anticiper les défaillances et recommander les actions nécessaires à l’allongement de leur durée de vie. Dans cet esprit, cette thèse porte sur la proposition d’une approche de pronostic dédiée aux piles à combustibles de types PEMFC à l’aide de filtrage particulaire.Le raisonnement s’attache tout d’abord à mettre en place une formalisation du cadre de travail ainsi que des exigences de mise en. Ceci se poursuit par le développement d’un modèle basé sur la physique permettant une estimation d’état de santé et de son évolution temporelle. L’estimation d’état est réalisée grâce à du filtrage particulaire. Différentes variantes de filtres sont considérées sur la base d’une de la littérature et de nouvelles propositions adaptées au PHM sont formulées et comparées à celles existantes. Les estimations d’état de santé fournies par le processus de filtrages ont utilisées pour réaliser des prédictions de l’état de santé futur du système, puis de sa durée devie résiduelle. L’ensemble des propositions est validé sur 4 jeux de données obtenus sur des PEMFC suivant des profils de mission variés. Les résultats montrent de bonnes performances de prédictions et d’estimations de durée de vie résiduelle avant défaillance. / The development of new energy converters, more efficient and environment friendly, such as fuelcells, tends to accelerate. Nevertheless, their large scale diffusion supposes some guaranties in termsof safety and availability. A possible solution to do so is to develop Prognostics and HealthManagement (PHM) on these systems, in order to monitor and anticipate the failures, and torecommend the necessary actions to extend their lifetime. In this spirit, this thesis deals with theproposal of a prognostics approach based on particle filtering dedicated to PEMFCs.The reasoning focuses first on setting a formalization of the working framework and theexpectations. This is pursued by the development of a physic-based modelling enabling a state ofhealth estimation and its evolution in time. The state estimation is made thanks to particle filtering.Different variants of filters are considered on the basis of the literature and new proposals adaptedto PHM are proposed and compared to existing ones. State of health estimates given by the filter areused to predict the future state of the system and its remaining useful life. All the proposals arevalidated on four datasets from PEMFC following different mission profiles. The results show goodperformances for predictions and remaining useful life estimates before failure.

Ce travail de thèse a été initié par Renault, en collaboration avec le Centre de Recherche en Automatique de Nancy (CRAN), dans le but de poser les bases d'une méthodologie générique permettant d'évaluer l'état de santé de moyens de production. Cette méthodologie est issue d’une réflexion conjointe machine - produit en lien avec les exigences industrielles. La méthodologie proposée est basée sur une approche PHM (Prognostics and Health Management) et est structurée en cinq étapes séquentielles. Les deux premières étapes sont développées dans ce travail de thèse et en constituent les contributions scientifiques majeures. La première originalité représente la formalisation des connaissance issues de la relation machine-produit. Cette connaissance est basée sur l'extension de méthodes existantes telle que l’AMDEC et l’HAZOP. La formalisation des concepts de connaissance et de leurs interactions est matérialisée au moyen d'une méta-modélisation basée sur une modélisation UML (Unified Modelling Language). Cette contribution conduit à l'identification de paramètres pertinents à surveiller, depuis le niveau du composant jusqu'au niveau de la machine. Ces paramètres servent ensuite d’entrée au processus d'élaboration du bilan de santé machine, qui représente la deuxième originalité de la thèse. L'élaboration de ces indicateurs de santé est basée sur des méthodes d’agrégation, telle que l'intégrale de Choquet, soulevant la problématique de l'identification des capacités. De cette façon, il est proposé un modèle global d'optimisation de l'identification des capacités multi-niveaux du système à travers l’utilisation d’Algorithmes Génétiques. La faisabilité et l'intérêt d'une telle démarche sont démontrés sur le cas de la machine-outil située à l'usine RENAULT de Cléon / This PhD work has been initiated by Renault, in collaboration with Nancy Research Centre in Automatic Control (CRAN), with the aim to propose the foundation of a generic PHM-based methodology leading to machine health check regarding machine-product joint consideration and facing industrial requirements. The proposed PHM-based methodology is structured in five steps. The two first steps are developed in this PhD work and constitute the major contributions. The first originality represents the formalization of machine-product relationship knowledge based on the extension of well-known functioning/dysfunctioning analysis methods. The formalization is materialized by means of meta-modelling based on UML (Unified Modelling Language). This contribution leads to the identification of relevant parameters to be monitored, from component up to machine level. These parameters serve as a basis of the machine health check elaboration. The second major originality of the thesis aims at the definition of health check elaboration principles from the previously identified monitoring parameters and formalized system knowledge. Elaboration of such health indicators is based on Choquet integral as aggregation method, raising the issue of capacity identification. In this way, it is proposed a global optimization model of capacity identification according to system multi-level, by the use of Genetic Algorithms. Both contributions are developed with the objective to be generic (not only oriented on a specific class of equipment), according to industrial needs. The feasibility and the interests of such approach are shown on the case of machine tool located in RENAULT Cléon Factory

We consider the prediction algorithm and performance evaluation for prognostics and health management (PHM) problems, especially the prediction of remaining useful life (RUL) for the milling machine cutter and lithium ‐ ion battery. We modeled battery as a voltage source and internal resisters. By analyzing voltage change trend during discharge, we made the prediction of battery remain discharge time in one discharge cycle. By analyzing internal resistance change trend during multiple cycles, we were able to predict the battery remaining useful time during its life time. We showed that the battery rest profile is correlated with the RUL. Numerical results using the realistic battery aging data from NASA prognostics data repository yielded satisfactory performance for battery prognosis as measured by certain performance metrics. We built a battery test platform and simulated more usage pattern and verified the prediction algorithm. Prognostic performance metrics were used to compare different algorithms.

No description available.

No description available.

No description available.

No description available.

No description available.

No description available.