Une nouvelle approche à base de deep learning pour estimer la durée de vie utile pour la maintenance conditionnelle

Abstract

Avec le développement de l’industrie intelligente et afin de détecter les conditions anormales des équipements le plus tôt possible, avant que la machine ne doive être remplacée ou réparée, et de les éviter, la durée de vie utile restante (RUL) est estimée. Elle est au coeur du domaine de PHM (Pronostic and health management) et la maintenance conditionnelle (CBM). Une haute précision de la prédiction de RUL permet de bien garantir la fiabilité et la sécurité d’un composant ou d’un système. Elle réduit non seulement la consommation de main-d’oeuvre et de matériaux, mais réduit également le besoin de maintenance future. Plusieurs approches ont été développées pour estimer RUL. Les approches basées sur les données utilisent des données de capteurs et des données opérationnelles pour estimer RUL. De nos jours, dans cette classe de problèmes, différents types de réseaux de neurones sont utilisés. Dans ce travail, nous avons proposé un modèle hybride, ombinant le réseau deep AutoEncoder convolutionnel caractérisé par sa capacité d’extraction des caractéristiques, avec le réseau deep Gru Bidirectionnel LSTM. Ce dernier est un type du réseau de neurones RNN, connu par sa capacité de gérer la dépendance de séquence. Un tuning d’hyperparamêtres est fait afin d’obtenir un modèle performant. Enfin, une comparaison avec les travaux similaires est faite et montre des résultats prometteurs. Pour évaluer les performances du modèle proposé, un jeu de données de simulation de égradation