Conclusion
PHM – Prognostics and health management - De la surveillance au pronostic de défaillances de systèmes complexes

Le maintien en condition opérationnelle à moindre coût des systèmes industriels est devenu un facteur critique quant à la performance des entreprises, et les concepts traditionnels de maintenance préventive et corrective sont peu à peu complétés par une prise en compte plus réactive et proactive des défaillances. L'estimation du temps résiduel avant défaillance d'un équipement (RUL) et la confiance pouvant être associée à cet indicateur doivent permettre d'éviter des dépenses de maintenance inutiles, et le pronostic connaît un intérêt croissant ces quinze dernières années. Il fait l'objet d'une norme internationale récente et est aujourd'hui considéré comme un processus clef dans les stratégies de maintenance. L'analyse de la littérature permet de constater que beaucoup d'alternatives existent a priori pour supporter l'activité de pronostic : approches fondées sur un modèle, approches guidées par les données, approches fondées sur l'expérience.

Cependant, si le processus de pronostic vise la quantification du RUL, il ne peut être considéré de manière isolée. Ce point est particulièrement perceptible dans le concept de condition based maintenance (CBM). D'une part, l'anticipation des défaillances ne peut se faire que si les phénomènes de dégradation sont correctement appréhendés (acquisition de données, extraction de descripteurs, détection, diagnostic). D'autre part, dans la pratique, le RUL n'est pas une fin en soi : son estimation doit en revanche permettre de mettre en œuvre des politiques de réaction adéquates (aide à la décision). Ainsi, le déploiement du pronostic requiert un ensemble de tâches (modules) qu'il est commun de regrouper sous le terme de PHM (prognostics and health management). Aussi, même s'il s'agit d'une approche plutôt rationnelle, la mise en œuvre d'un processus de pronostic s'avère délicate. En effet, au même titre que les activités de détection et de diagnostic, la mise en place d'outils de pronostic doit faire face aux spécificités des problèmes traités : données non stabilisées (incertitude, aléas), connaissances utiles mal « bornées » (formalisation des problèmes difficile), mauvaise appréciation des contours d'une étude (expertise forte et distribuée), dynamique prononcée de l'évolution de l'équipement... Aussi, la recherche ne propose pas encore d'outil « universel » :...