Sujet de Thèse
Titre :
Pronostic de défaillance et aide à la décision en maintenance prédictive d'un groupe électro-hydrogène par Intelligence Artificielle
Dates :
2022/10/14 - 2025/10/15
Etudiant :
Encadrant(s) : 
Autre(s) encadrant(s) :
Dr. VU Hai-Canh (hai-canh.vu@utc.fr) , Bonrnand Bastien (bastien.bornand@eo.dev)
Description :
Contexte :
Cette thèse s'inscrit dans le cadre industriel d'EODev pour l'amélioration des performances d'un groupe électrogène à pile à combustible hydrogène à travers le déploiement de processus de pronostic et d'aide à la décision en maintenance prédictive. Elle est à l'interface entre plusieurs problématiques dont le dénominateur commun réside dans la complexité de l'exploitation des données disponibles pour prédire l'état de santé et la durée de vie d'une machine entière intégrant différents sous-ensembles (pile à combustible, système de refroidissement, batterie, système de commande, système de conversion de puissance) et optimiser la décision en maintenance prédictive. Cette thèse met en collaboration EODev, le Centre de Recherche en Automatique de Nancy (CRAN-UMR CNRS 7039) de l'Université de Lorraine, et le laboratoire Roverbal de l'Université de Technologies de Compiègne.
Descriptif de la thèse :
Dans le cadre de promouvoir l'énergie renouvelable, le groupe GEH2 électro-hydrogène zéro émissions développé par EODev est le générateur électro-hydrogène, en rapport de la puissance délivrée, le plus compact et le plus efficient du marché. Pour assurer son bon fonctionnement et maximiser l'énergie produite, différentes opérations de maintenance, notamment la maintenance préventive systématique, ont été planifiées. Cependant, ce planning de maintenance non adéquat peut conduire à des désavantages majeures (ex. des opérations de maintenance préventives inutiles, fréquente de pannes élevée, performance aléatoire/réduite, surcoût de maintenance/exploitation, etc.). Dans ce contexte, une évolution vers de la maintenance plus « juste à temps » de type prédictive (prévisionnelle au sens de la norme NF) est donc souhaitée chez EODev afin de ne déployer des actions qu'en fonction de l'état réel du groupe et de ses équipements. Le déploiement de cette nouvelle stratégie de maintenance se base sur deux processus principaux : (1)-pronostics de défaillance/dysfonctionnement des équipements du groupe (pile à combustible, système de refroidissement, batterie, système de commande, système de conversion de puissance) et (2)-optimisation de décision en maintenance prédictive de ces équipements.
Pour apporter des réponses à ces verrous industriels, le premier objectif de cette thèse est de développer des approches de pronostic permettant de prédire l'état de santé (ou niveau de dégradation) des composants clés du groupe électro-hydrogène GEH2. En effet, dans la littérature, plusieurs approches de pronostic ont été proposées pour la prédiction la date de défaillance d'un équipement/système mais les approches existantes sont majoritairement proposées pour des systèmes de production ou des machines-outils. Elles ne sont pas directement applicables aux équipements spécifiques tel que ceux d'un groupe GEH2 étant une machine récemment développée par EODev. De plus, la connaissance et les données disponibles sur son processus de dégradation/défaillance ne sont donc pas encore matures. Ainsi, le groupe intègre différents sous-ensembles/composants (pile à combustible, système de refroidissement, batterie, système de commande, système de conversion de puissance, etc.) qui sont interconnectés avec des dépendances fortes. Compte tenu la complexité du groupe GEH2, des divers types de données, des différentes natures des composants, ainsi que des dépendances entre eux, le pronostic de l'état de santé du groupe GEH2 (niveau système) et de ces composants est donc des problèmes complexes à résoudre.
Le deuxième objectif de cette thèse est de proposer/développer une stratégie de maintenance prédictive adaptée pour pouvoir construire un planning d'interventions adaptés des groupes électrogènes à pile à combustible hydrogène GEH2, à partir des résultats de pronostics sur l'état de santé à la fois aux niveaux composant et système d'une machine GEH2 dans l'étape précédente, tout en respectant les propriétés de la machine, son contexte d'utilisation et des contraintes liées à la fois à l'exploitation et aussi au soutien logistique (ex : disponibilité de pièces de recherches, budget, durée limitée, compétence de réparateurs etc.). Une optimisation multicritère (ex : minimiser les coûts de maintenance et/ou maximiser des performances) avec contraintes sera développée, sur la base des algorithmes d'optimisation conventionnelles ou des algorithmes d'apprentissage par renforcement, pour la recherche du planning optimal de maintenance. Dans la littérature, plusieurs modèles d'aide à la décision (stratégies de maintenance et algorithmes d'optimisation) ont été développés. Cependant, le développement et l'implémentation de solutions adéquates à l'échelle industrielle manque encore cruellement de fondements, de méthodes et d'outils.
Les originalités scientifiques majeures de cette thèse sont par conséquent :
• Le développement d'une méthodologie permettant d'identifier les composants clés/critiques d'un groupe GEH2 selon un contexte d'utilisation spécifique
• La construction d'algorithmes avancés de pronostic, sur la base de Machine Learning, pour permettre de prédire l'évolution de dégradation des composants clés du groupe GEH2. Les algorithmes développés doivent permettre d'exploiter à la fois les données disponibles et les connaissances métiers (vers un pronostic avec un degré de confiance pertinent).
• Le développement d'algorithmes de pronostic (de type hybride) permettant de prédire l'état de santé et la durée de vie résiduelle du groupe GEH2 (pronostic au niveau système)
• Le développement, en intégrant les résultats du pronostic, d'un modèle d'aide à la décision pour la maintenance prédictive du groupe GEH2
• Une approche d'optimisation multicritère permettant de fournir un planning de maintenance adapté, sur le modèle d'aide à la décision développé, tout en respectant les propriétés et les contextes d'utilisation du groupe GEH2 et des contraintes liées à la fois à l'exploitation et aussi au soutien logistique.
• Le développement d'un modèle d'évaluation de l'efficacité des actions de maintenance prédictive mises en oeuvre
• La mise en oeuvre dans une solution logicielle commerciale.
Mots clés :
électro-hydrogène, pronostics, process de vieillissement, maintenance prédictive, machine learning
Département(s) : 
Modélisation Pilotage des Systèmes Industriels