Méthodes de diagnostic et de pronostic de défaillances basés sur les données - État de l'art

Pour les exploitants de procédés industriels, la surveillance de l’état de santé de leurs équipements est une des préoccupations majeures pour éviter leurs pannes. Depuis plusieurs décennies, de nombreuses méthodes et outils ont été développés pour détecter l’apparition des dégradations, réaliser le diagnostic et estimer la durée de vie restante avant l’apparition de la défaillance (DEFAD, RUL en anglais). Elles sont basées sur des données, des modèles physiques ou une combinaison des deux. Cet article présente un état de l’art des méthodes et outils qui exploitent uniquement des données collectées sur les équipements ou contenues dans des banques de données, pour réaliser le diagnostic et le pronostic de défaillances. Pour éviter toute ambiguïté dans les termes utilisés dans cet article, la première section présente les principales définitions et terminologies proposées par les normes internationales ISO et NF-EN (ISO 13372:2012, ISO 13379-1 ISO 13381-1, ISO 16079-1 et NF EN 13306). Elle propose une classification des méthodes de diagnostic et de diagnostic en trois familles, basées sur les données (data-driven), sur les modèles physiques (model-driven) et hydrides. Ensuite, après une description des enjeux et des spécificités des méthodes basées sur les données, les étapes principales indispensables pour réaliser le diagnostic et le pronostic de l’état de santé en vue d’une prise de décision concernant les stratégies de maintenance de l’équipement sont décrites. Ces étapes participent à la réalisation de deux phases : la CBM (condition monitoring) et la PHM (prognostics and health management) – RUL (remaining useful life). La CBM est dédiée à la surveillance, la détection et le diagnostic de l’état de santé de l’équipement et la PHM – RUL réalise le pronostic de la durée de vie résiduelle. Les principes de la collecte et du stockage des données, de leur traitement, de la détection d’anomalies, du diagnostic et pronostic du temps de vie résiduelle et prises de décision relatives à la maintenance, y sont développés. Compte tenu des risques liés aux erreurs commises lors de la détection, du diagnostic et du pronostic, cette section fait un rappel succinct de la théorie de la décision et propose des métriques pour la confiance à accorder au diagnostic et au pronostic. Comme de nombreux outils et méthodes sont communs à la résolution des problèmes de diagnostic et de pronostic, la deuxième section leur est consacrée. Après une description des principes des techniques d’apprentissage supervisé et non supervisé, elle présente les deux grandes catégories de méthodes : statistiques et basée sur l’intelligence artificielle. Pour les méthodes statistiques figurent la régression par la méthode des moindres carrés, la régression par processus gaussien et les méthodes factorielles (ACP). Ensuite, après une description des concepts...