Model-based and data-driven prediction methods for prognostics - TEL - Thèses en ligne
Theses Year : 2020

Model-based and data-driven prediction methods for prognostics

Méthodes de prédiction basées sur des modèles et pilotées par les données pour les pronostics

Abstract

Degradation is an unavoidable phenomenon that affects engineering components and systems, and which may lead to their failures with potentially catastrophic consequences depending on the application. The motivation of this Thesis is trying to model, analyze and predict failures with prognostic methods that can enable a predictive management of asset maintenance. This would allow decision makers to improve maintenance planning, thus increasing system availability and safety by minimizing unexpected shutdowns. To this aim, research during the Thesis has been devoted to the tailoring and use of both model-based and data-driven approaches to treat the degradation processes that can lead to different failure modes in industrial components, making use of different information and data sources for performing predictions on the degradation evolution and estimating the Remaining Useful Life (RUL).The Ph.D. work has addressed two specific prognostic applications: model-based prognostics for fatigue crack growth prediction and data-driven prognostics for multi-step ahead predictions of time series data of Nuclear Power Plant (NPP) components.Model-based prognostics relies on the choice of the adopted Physics-of-Failure (PoF) models. However, each degradation model is appropriate only to certain degradation process under certain operating conditions, which are often not precisely known. To generalize this, ensembles of multiple degradation models have been embedded in the model-based prognostic method in order to take advantage of the different accuracies of the models specific to different degradations and conditions. The main contributions of the proposed ensemble of models-based prognostic approaches are the integration of filtering approaches, including recursive Bayesian filtering and Particle Filtering (PF), and novel weighted ensemble strategies considering the accuracies of the individual models in the ensemble at the previous time steps of prediction. The proposed methods have been validated by case studies of fatigue crack growth simulated with time-varying operating conditions.As for multi-step ahead prediction, it remains a difficult task of Prognostics and Health Management (PHM) because prediction uncertainty tends to increase with the time horizon of the prediction. Large prediction uncertainty has limited the development of multi-step ahead prognostics in applications. To address the problem, novel multi-step ahead prediction models based on Long Short- Term Memory (LSTM), a deep neural network developed for dealing with the long-term dependencies in the time series data have been developed in this Thesis. For realistic practical applications, the proposed methods also address the additional issues of anomaly detection, automatic hyperparameter optimization and prediction uncertainty quantification. Practical case studies have been considered, concerning time series data collected from Steam Generators (SGs) and Reactor Coolant Pumps (RCPs) of NPPs.
La dégradation est un phénomène inévitable qui affecte les composants et les systèmes d'ingénierie, et qui peut entraîner leurs défaillances avec des conséquences potentiellement catastrophiques selon l'application. La motivation de cette Thèse est d'essayer de modéliser, d'analyser et de prédire les défaillances par des méthodes pronostiques qui peuvent permettre une gestion prédictive de la maintenance des actifs. Cela permettrait aux décideurs d'améliorer la planification de la maintenance, augmentant ainsi la disponibilité et la sûreté du système en minimisant les arrêts imprévus. Dans cet objectif, la recherche au cours de la thèse a été consacrée à l'adaptation et à l'utilisation d'approches basées sur des modèles et d'approches pilotées par les données pour traiter les processus de dégradation qui peuvent conduire à différents modes de défaillance dans les composants industriels, en utilisant différentes sources d'informations et de données pour effectuer des prédictions sur l'évolution de la dégradation et estimer la durée de vie utile restante (RUL).Les travaux de thèse ont porté sur deux applications pronostiques spécifiques: les pronostics basés sur des modèles pour la prédiction de la croissance des fissures par fatigue et les pronostics pilotées par les données pour les prédictions à pas multiples des données de séries chronologiques des composants des Centrales Nucléaires.Les pronostics basé sur des modèles compter sur le choix des modèles adoptés de Physics-of-Failure (PoF). Cependant, chaque modèle de dégradation ne convient qu'à certains processus de dégradation dans certaines conditions de fonctionnement, qui souvent ne sont pas connues avec précision. Pour généraliser, des ensembles de multiples modèles de dégradation ont été intégrés dans la méthode pronostique basée sur les modèles afin de tirer profit des différentes précisions des modèles spécifiques aux différentes dégradations et conditions. Les principales contributions des approches pronostiques proposées basées sur l'ensemble des modèles sont l'intégration d'approches de filtrage, y compris le filtrage Bayésien récursif et le Particle Filtering (PF), et de nouvelles stratégies d'ensemble pondérées tenant compte des précisions des modèles individuels dans l'ensemble aux étapes de prédiction précédentes. Les méthodes proposées ont été validées par des études de cas de croissance par fissures de fatigue simulées dans des conditions de fonctionnement variables dans le temps.Quant à la prédictions à pas multiples, elle reste une tâche difficile pour le Prognostics and Health Management (PHM) car l'incertitude de prédiction a tendance à augmenter avec l'horizon temporel de la prédiction. La grande incertitude de prédiction a limité le développement de pronostics à pas multiples dans les applications. Pour résoudre le problème, de nouveaux modèles de prédiction à pas multiples basés sur la Long Short-Term Memory (LSTM), un réseau de neurones profond développé pour traiter les dépendances à long terme dans les données de séries chronologiques, ont été développés dans cette Thèse. Pour des applications pratiques réalistes, les méthodes proposées abordent également les problèmes supplémentaires de détection d'anomalie, d'optimisation automatique des hyper-paramètres et de quantification de l'incertitude de prédiction. Des études de cas pratiques ont été envisagées, concernant les données de séries chronologiques collectées auprès des Générateurs de Vapeur et de Pompes de Refroidissement de Réacteurs de Centrales Nucléaires.
Fichier principal
Vignette du fichier
84361_NGUYEN_2020_diffusion.pdf (30.19 Mo) Télécharger le fichier
Origin Version validated by the jury (STAR)

Dates and versions

tel-03331633 , version 1 (02-09-2021)

Identifiers

  • HAL Id : tel-03331633 , version 1

Cite

Hoang-Phuong Nguyen. Model-based and data-driven prediction methods for prognostics. Risques. Université Paris-Saclay, 2020. English. ⟨NNT : 2020UPASC021⟩. ⟨tel-03331633⟩
262 View
66 Download

Share

More