Drift detection and characterization for supervision, diagnosis and prognosis of dynamical systems

Détection et caractérisation de dérives pour la supervision, le diagnostic et le pronostic de systèmes dynamiques complexes Le travail présenté dans cette thèse traite l'intégration de diagnostic et de pronostic pour l'optimisation et l’aide à la décision d’actions de maintenance de systèmes complexes. Les défauts considérés dans ce travail sont les dérives. Une architecture générique pour la surveillance, le diagnostic et le pronostic basée sur le traitement des dérives est développée. La surveillance et le diagnostic permettent de déterminer le composant en défaillance et le mode opérationnel de défaut qui initie la dérive. Ensuite, le pronostic permet d’anticiper les défaillances du système en fournissant des informations sur les futurs États des composants. En se basant sur le retour du pronostic, des actions de maintenance préventive peuvent être alors considérées. Les méthodes employées sont basées sur les données. Ceci est d’autant plus intéressant parce que l’hypothèse de connaissance de modèle physique n’y est pas toujours vérifiée. A partir des données mesurées est construit (ou sont construits) un (des) espace(s) de représentation et de décision dans lequel sont matérialisées ou modélisées les classes de fonctionnement. L’environnement dynamique dans lequel se trouve le système peut (va) provoquer des dérives de fonctionnement qui auront comme conséquence un changement dans la structure des classes. Les techniques proposées sont sensibles à ces dérives et permettent de calculer des indicateurs de détection et de caractérisation de la dérive. La détection de dérive vise à détecter, dès que possible, l'apparition d'une dérive. La caractérisation de dérive a pour but de trouver le mode de défaillance entraînant la dérive et de calculer un indicateur de dégradation qui reflète l'état de santé. Le pronostic est fait en modélisant l'évolution de l'indicateur de dégradation du système et permet l’estimation d’RUL (durée de vie utile) ainsi qu'un intervalle de confiance qui lui est associé. Tous ces aspects sont combinés ensemble pour former l'architecture générique pour la surveillance, de diagnostic et de pronostic.