Contribution au pronostic de pannes d’actionneurs électromécaniques : application en milieu aéronautique - TEL - Thèses en ligne
Thèse Année : 2022

Contribution to the prognosis of electromechanical actuators in aeronautics

Contribution au pronostic de pannes d’actionneurs électromécaniques : application en milieu aéronautique

Alexandre Eid
  • Fonction : Auteur
  • PersonId : 1423366
  • IdRef : 269137378

Résumé

This thesis develops a complete predictive maintenance method from data pre-processing to the determination of the remaining lifetime of an electric thrust reverser. In doing so, its objective is to provide a starting point for implementing a more global strategy of industrial predictive maintenance. After defining the industrial context of this work, we will present the state of the art on methods of PHM (Prognostics & Health Management). The methodology aims at solving two types of problems: classification or partitioning to perform a diagnostic step and regression coupled with classification to perform the prognosis. Since the last few years, artificial intelligence methods and, in particular, deep neural networks have made it possible to provide a more relevant solution to these two major classes of problems. That is why we will use artificial intelligence algorithms to develop the whole method. From vibratory signals measured on the thrust-reverser are then extracted descriptors of defects. These are statistical quantities whose dynamics are expected to be correlated with the system's aging. However, these descriptors do not have a label allowing to assign a degree of severity to a given point. In other words, the state of health is unknown over time. Therefore, a time series partitioning algorithm is developed to perform this task. Each descriptor is encoded as an image segmented by a deep neural network trained by artificial data generation. One-dimensional information on the group boundaries is then extracted and filtered. Then, a kernel density estimation transforms the resulting signal into an empirical probability density. Finally, a Gaussian mixture model extracts the independent components of the created distribution to obtain probable group boundaries. This method, SUNRISE (Soft Clustering for Time Series), allows revealing different degrees of severity of faults in the studied data, with their respective likelihood, without any prior knowledge of the data structure. Moreover, to evaluate the obtained partitioning results, we have developed a new quality indicator. It measures the temporal consistency and the similarities of the group shape obtained by the partitioning scheme. Once labeled data are possessed, the determination of the remaining lifetime of the system is performed by time series alignment using the method PARTITA-RULE (Partial Time scaling Invariant Temporal Alignment for Remaining Useful Life Estimation). The idea is to determine the health status of a new actuator by measuring the similarity between its vibration signals and the previous ones contained in the database. A time series alignment method is developed for this: PARTITA. Once the unknown series is aligned with all possible candidates in the database, a weighting scheme is created to assign a likelihood score to each candidate. Finally, a fusion model solving an optimal transport problem is used to obtain the remaining lifetime or RUL of the actuator with an uncertainty measure. Subsequently, the robustness of the method to incomplete time segments is tested. This thesis resulted in a method of PHM created specifically to operate in an industrial setting with a small input dataset but which could be enriched as the product is used. Finally, the method is robust to missing data and remains promising under multiple operational conditions.
Cette thèse développe une méthode de PHM complète allant du pré-traitement de la donnée à la détermination de durée de vie restante d'un inverseur de poussée électrique. Ce faisant, son objectif est de fournir un point de départ à la mise en place d'une stratégie plus globale de maintenance prédictive industrielle. Après la définition du contexte industriel de ces travaux, nous présenterons un état de l'art sur les méthodes de PHM. La méthodologie vise à résoudre deux types de problèmes : la classification ou le partitionnement pour effectuer une étape de diagnostic et la régression couplée à une classification pour effectuer le pronostic. Depuis ces dernières années, les méthodes d'intelligence artificielle et notamment les réseaux de neurones profonds permettent d'apporter une solution plus pertinente à ces deux grandes classes de problèmes, c'est pourquoi ils serviront au développement de la méthode PHM. Des signaux vibratoires mesurés sur l'inverseur de poussée sont alors extraits des descripteurs de défauts. Ces descripteurs de défauts, ou signatures, sont des grandeurs statistiques dont les dynamiques doivent être corrélées au vieillissement du système. Cependant, ces descripteurs ne possèdent pas de labels permettant d'assigner un degré de sévérité à un point donné. Autrement dit, leur état de santé est inconnu au cours du temps. C'est pourquoi, un algorithme de partitionnement de séries temporelles est développé pour réaliser cette tâche. Chaque descripteur est encodé sous forme d'une image qui sera ensuite segmentée par un réseau de neurones profond entraîné par une génération de données artificielles. Des informations unidimensionnelles sur les frontières de groupes sont ensuite extraites et filtrées. Puis, une estimation de densité à noyau transforme le signal résultat en une densité de probabilité empirique. Enfin, un modèle de mélange gaussien extrait les composantes indépendantes de la distribution créée pour obtenir des frontières de groupes probables. Cette méthode, SUNRISE (Soft Clustering for Time Series), permet de révéler différents degrés de sévérité de défauts dans les données étudiées, avec leur vraisemblance respective et ce, sans connaissance a priori de la structure des données. De plus, afin d'évaluer les résultats de partitionnement obtenus, nous avons développé un nouvel indicateur de qualité. Il mesure la cohérence temporelle ainsi que les similarités des formes de groupes obtenues par le schéma de partitionnement. Une fois que la labélisation des données est effectuée, la détermination de la durée de vie restante du système est réalisée par alignement de séries temporelles par la méthode PARTITA-RULE (Partial Time scaling Invariant Temporal Alignment for Remaining Useful Life Estimation). L'idée est de déterminer l'état de santé d'un nouvel actionneur en mesurant la similarité entre ses signaux vibratoires et les précédents, contenus en base de données. Pour ce faire, une méthode d'alignement de séries temporelles est mise au point : PARTITA. Une fois que la série inconnue est alignée sur tous les candidats possibles en base de données, un schéma de pondération est créé afin d'affecter un score de vraisemblance à chaque candidat. Enfin, un modèle de fusion résolvant un problème de transport optimal permet d'obtenir le temps de vie restant ou RUL de l'actionneur avec une mesure d'incertitude. Par la suite, la robustesse de la méthode aux segments temporels incomplets est testée. Cette thèse a permis la réalisation d'une méthode de PHM créée spécifiquement pour fonctionner en milieu industriel avec un ensemble de données d'entrées de petite taille mais qui pourrait être enrichi au fur et à mesure de l'exploitation du produit. Enfin, la méthode est robuste aux données manquantes et reste prometteuse pour un fonctionnement sous de multiples conditions opérationnelles.
Fichier principal
Vignette du fichier
TH2022EIDALEXANDRE.pdf (23.26 Mo) Télécharger le fichier
Origine Version validée par le jury (STAR)

Dates et versions

tel-04725059 , version 1 (08-10-2024)

Identifiants

  • HAL Id : tel-04725059 , version 1

Citer

Alexandre Eid. Contribution au pronostic de pannes d’actionneurs électromécaniques : application en milieu aéronautique. Energie électrique. Université de Lyon, 2022. Français. ⟨NNT : 2022LYSE1022⟩. ⟨tel-04725059⟩
43 Consultations
4 Téléchargements

Partager

More