New decision support methods for dynamic predictive maintenance based on data science and multi-objective optimization - TEL - Thèses en ligne Accéder directement au contenu
Thèse Année : 2023

New decision support methods for dynamic predictive maintenance based on data science and multi-objective optimization

Nouvelles méthodes d'aide à la décision pour la maintenance prédictive dynamique basée sur la science des données et l'optimisation multi objectifs

Résumé

In recent years, predictive maintenance (PdM) has gained significant attention in both industry and academia due to the utilization of real-time data from Industry 4.0, enabling equipment health monitoring and remaining useful life (RUL) estimation. However, studies often focus on failure prediction while neglecting decision-making and maintenance planning. Additionally, not all equipment can be maintained solely through PdM, necessitating the integration of preventive maintenance (PvM). This thesis proposes novel approaches for PdM and PvM using data science and mathematical optimization. It addresses key questions, including estimating equipment health and RUL, and incorporating data into decision-making and maintenance planning. A comprehensive Predictive Maintenance Management System (PdMMS) approach is introduced, covering criticality analysis, appropriate maintenance strategies, data acquisition, monitoring systems, health monitoring, RUL estimation, and overall maintenance planning. Several methods and algorithms are developed and applied at the FPT Powertrain Technologies Bourbon-Lancy (FPT-BLY) plant. An innovative approach for identifying maintenance strategies is presented, utilizing multi-criteria decision-making, ABC analysis, sensitivity analysis, and optimal frequency identification. This approach successfully identifies critical equipment, reducing emergency purchases. Relevant maintenance indicators and visualization dashboards are proposed for monitoring and improvement. For equipment health monitoring and RUL estimation, a health indicator (HI) method and a dynamic algorithm are developed and applied to a conveyer chain painting system. Results demonstrate dynamic estimation based on real-time data. Simultaneous PdM and PvM planning is addressed through a mathematical optimization model, considering direct (intervention costs) and indirect costs (expected failure risk costs, unused life losses) while accounting for opportunistic grouping of maintenance interventions. Integrating RUL information into maintenance planning yields optimal results, as validated by a sensitivity analysis indicating reduced long-term costs. The thesis discusses challenges of implementing the proposed PdMMS approach in other companies, provides managerial insights, and outlines future research directions.
La maintenance prédictive (PdM) a gagné en popularité ces dernières années dans les domaines industriels et académiques grâce à l'utilisation des données en temps réel de l'Industrie 4.0, permettant de surveiller l'état des équipements et d'estimer leur durée de vie restante (RUL). Cependant, la plupart des études se sont concentrées sur la prédiction des défaillances, négligeant la planification des interventions de maintenance. De plus, il est important de souligner que tous les équipements ne peuvent pas être entretenus uniquement par la PdM et nécessitent également la maintenance préventive (PvM). Cette thèse propose de nouvelles approches de PdM et PvM basées sur la science des données et l'optimisation mathématique, en abordant des questions clés telles que l'estimation de l'état de santé et/ou de la RUL des équipements, l'utilisation des données pour la prise de décision et la planification de la maintenance. Elle présente une approche globale de l'organisation de la maintenance prédictive, englobant toutes les stratégies de maintenance et comprenant plusieurs étapes interconnectées, de la description à la prise de décision prescriptive. Ces étapes incluent l'analyse de la criticité des équipements, l'identification de la stratégie de maintenance appropriée, l'acquisition des données nécessaires, la surveillance de l'état de santé et l'estimation de la RUL pour la stratégie PdM, ainsi que la planification des interventions de maintenance. Plusieurs méthodes, algorithmes et applications ont été développés et appliqués à l'usine FPT Powertrain Technologies Bourbon-Lancy. Une nouvelle approche d'identification de la stratégie de maintenance a été proposée, utilisant la prise de décision multicritère, les analyse ABC et sensibilité et l'identification de la fréquence optimale qui a permis d'identifier les équipements critiques, réduisant ainsi les achats d'urgence. Des indicateurs pertinents de maintenance ont été identifiés, et des tableaux de bord de visualisation ont été proposés pour surveiller la performance de la maintenance et faciliter les améliorations. Pour la surveillance de l'état des équipements et l'estimation de la RUL, une méthode d'indicateur de santé et un nouvel algorithme dynamique ont été proposés et appliqués à un système de chaîne de convoyage de peinture. Les résultats ont montré qu'il était possible d'estimer dynamiquement l'état de santé et la RUL. Un problème de planification simultanée PdM et PvM a également été étudié, avec un modèle d'optimisation mathématique visant à minimiser les coûts globaux tout en prenant en compte le groupement opportuniste des interventions. L'intégration des informations de RUL dans la planification de maintenance a montré des résultats prometteurs pour la réduction des coûts à moyen/long terme. En conclusion, cette thèse discute des défis de mise en œuvre de l'approche proposée dans d'autres entreprises, présente des perspectives managériales et propose des axes de recherche futurs.
Fichier principal
Vignette du fichier
these.pdf (10.43 Mo) Télécharger le fichier
Origine : Version validée par le jury (STAR)

Dates et versions

tel-04329523 , version 1 (07-12-2023)

Identifiants

  • HAL Id : tel-04329523 , version 1

Citer

Behnam Einabadi. New decision support methods for dynamic predictive maintenance based on data science and multi-objective optimization. Statistics [math.ST]. INSA de Lyon, 2023. English. ⟨NNT : 2023ISAL0053⟩. ⟨tel-04329523⟩
92 Consultations
74 Téléchargements

Partager

Gmail Facebook X LinkedIn More