Pronostic - Prognostics

Le pronostic est une discipline d'ingénierie axée sur la prédiction du moment où un système ou un composant ne remplira plus la fonction prévue. Ce manque de performance est le plus souvent une défaillance au-delà de laquelle le système ne peut plus être utilisé pour atteindre les performances souhaitées. Le temps prévu devient alors la durée de vie utile restante ( RUL ), qui est un concept important dans la prise de décision pour l'atténuation des imprévus. Les pronostics prédisent les performances futures d'un composant en évaluant l'étendue de l'écart ou de la dégradation d'un système par rapport à ses conditions de fonctionnement normales attendues. La science du pronostic est basée sur l'analyse des modes de défaillance, la détection des premiers signes d'usure et de vieillissement et les conditions de défaut. Une solution de pronostic efficace est mise en œuvre lorsqu'il existe une bonne connaissance des mécanismes de défaillance susceptibles de provoquer les dégradations conduisant à d'éventuelles défaillances du système. Il est donc nécessaire de disposer d'informations initiales sur les défaillances possibles (notamment le site, le mode, la cause et le mécanisme) d'un produit. Une telle connaissance est importante pour identifier les paramètres du système qui doivent être surveillés. Les utilisations potentielles des pronostics sont la maintenance conditionnelle . La discipline qui relie les études des mécanismes de défaillance à la gestion du cycle de vie du système est souvent appelée gestion des pronostics et de la santé ( PHM ), parfois aussi gestion de la santé du système ( SHM ) ou, dans les applications de transport, gestion de la santé du véhicule ( VHM ) ou gestion de la santé du moteur ( EHM ). Les approches techniques de la construction de modèles de pronostics peuvent être classées en grandes catégories en approches basées sur les données, approches basées sur des modèles et approches hybrides.

Pronostic basé sur les données

Les pronostics basés sur les données utilisent généralement des techniques de reconnaissance de formes et d'apprentissage automatique pour détecter les changements dans les états du système. Les méthodes classiques basées sur les données pour la prédiction de système non linéaire incluent l'utilisation de modèles stochastiques tels que le modèle autorégressif (AR), le modèle AR à seuil, le modèle bilinéaire, la poursuite de projection, les splines de régression adaptative multivariée et l'expansion de la série de Volterra. Depuis la dernière décennie, de plus en plus d'intérêts pour la prévision de l'état du système basée sur les données se sont concentrés sur l'utilisation de modèles flexibles tels que divers types de réseaux de neurones (NN) et de systèmes neuronaux flous (NF). Les approches basées sur les données sont appropriées lorsque la compréhension des premiers principes de fonctionnement du système n'est pas complète ou lorsque le système est suffisamment complexe pour que le développement d'un modèle précis soit d'un coût prohibitif. Par conséquent, les principaux avantages des approches basées sur les données sont qu'elles peuvent souvent être déployées plus rapidement et moins cher que d'autres approches, et qu'elles peuvent fournir une couverture à l'échelle du système (voir les modèles basés sur la physique, qui peuvent avoir une portée assez étroite). Le principal inconvénient est que les approches basées sur les données peuvent avoir des intervalles de confiance plus larges que les autres approches et qu'elles nécessitent une quantité substantielle de données pour la formation. Les approches basées sur les données peuvent être subdivisées en statistiques basées sur la flotte et en conditionnement basé sur des capteurs. De plus, les techniques basées sur les données englobent également les techniques de comptage de cycles qui peuvent inclure la connaissance du domaine .

Les deux stratégies de base basées sur les données impliquent (1) de modéliser les dommages cumulés (ou, de manière équivalente, la santé), puis d'extrapoler jusqu'à un seuil de dommages (ou de santé), ou (2) d'apprendre directement à partir des données la durée de vie utile restante. Comme mentionné, l'un des principaux goulots d'étranglement est la difficulté d'obtenir des données de fonctionnement jusqu'à la défaillance, en particulier pour les nouveaux systèmes, car faire fonctionner les systèmes jusqu'à la défaillance peut être un processus long et plutôt coûteux. Lorsque l'utilisation future n'est pas la même que par le passé (comme avec la plupart des systèmes non stationnaires), la collecte de données qui incluent toutes les utilisations futures possibles (à la fois la charge et les conditions environnementales) devient souvent presque impossible. Même lorsque des données existent, l'efficacité des approches fondées sur les données ne dépend pas seulement de la quantité mais aussi de la qualité des données opérationnelles du système. Ces sources de données peuvent inclure la température, la pression, les débris d'huile, les courants, les tensions, la puissance, les vibrations et les signaux acoustiques, les données spectrométriques ainsi que les données d'étalonnage et calorimétriques. Les données doivent souvent être prétraitées avant de pouvoir être utilisées. Typiquement, deux procédures sont effectuées i) Débruitage et ii) Extraction de caractéristiques. Le débruitage fait référence à la réduction ou à l'élimination de l'influence du bruit sur les données. L'extraction de caractéristiques est importante car dans le monde avide de données d'aujourd'hui, une énorme quantité de données est collectée à l'aide de mesures de capteurs qui peuvent ne pas être utilisées facilement. Par conséquent, la connaissance du domaine et le traitement statistique du signal sont appliqués pour extraire des caractéristiques importantes à partir (le plus souvent) de données bruitées et de grande dimension.

Pronostic basé sur un modèle

Les pronostics basés sur des modèles tentent d'intégrer la compréhension physique (modèles physiques) du système dans l'estimation de la durée de vie utile restante (RUL). La modélisation physique peut être accomplie à différents niveaux, par exemple, aux niveaux micro et macro. Au niveau micro (également appelé niveau des matériaux), les modèles physiques sont matérialisés par des séries d'équations dynamiques qui définissent les relations, à un temps ou à un cycle de charge donné, entre l'endommagement (ou la dégradation) d'un système/composant et les conditions environnementales et opérationnelles dans lesquelles le système/composant sont exploités. Les modèles de micro-niveau sont souvent appelés modèle de propagation des dommages. Par exemple, le modèle de durée de vie en fatigue de Yu et Harris pour les roulements à billes, qui relie la durée de vie en fatigue d'un roulement à la contrainte induite, le modèle de croissance des fissures de Paris et Erdogan et le modèle stochastique de propagation des défauts sont d'autres exemples de modèles à micro-niveau. Étant donné que les mesures des propriétés d'endommagement critiques (telles que la contrainte ou la déformation d'un composant mécanique) sont rarement disponibles, les paramètres du système détectés doivent être utilisés pour déduire les valeurs de contrainte/déformation. Les modèles au niveau micro doivent tenir compte dans la gestion de l'incertitude des hypothèses et des simplifications, ce qui peut poser des limites importantes à cette approche.

Les modèles de niveau macro sont le modèle mathématique au niveau du système, qui définit la relation entre les variables d'entrée du système, les variables d'état du système et les variables/sorties de mesure du système où le modèle est souvent une représentation quelque peu simplifiée du système, par exemple un modèle à paramètres regroupés . Le compromis est une couverture accrue avec éventuellement une réduction de la précision d'un mode de dégradation particulier. Lorsque ce compromis est permis, un prototypage plus rapide peut être le résultat. Cependant, lorsque les systèmes sont complexes (par exemple, un moteur à turbine à gaz), même un modèle au niveau macro peut être un processus assez long et exigeant en main-d'œuvre. Par conséquent, les modèles de niveau macro peuvent ne pas être disponibles en détail pour tous les sous-systèmes. Les simplifications qui en résultent doivent être prises en compte par la gestion des incertitudes.

Approches hybrides

Les approches hybrides tentent de tirer parti de la force des approches basées sur les données et des approches basées sur des modèles. En réalité, il est rare que les approches de terrain soient complètement soit purement data-driven, soit purement model-based. Le plus souvent, les approches basées sur des modèles incluent certains aspects des approches basées sur les données et les approches basées sur les données glanent les informations disponibles à partir des modèles. Un exemple pour le premier serait celui où les paramètres du modèle sont réglés à l'aide de données de terrain. Un exemple pour ce dernier est lorsque le point de consigne, le biais ou le facteur de normalisation pour une approche basée sur les données est donné par des modèles. Les approches hybrides peuvent être classées en deux grandes catégories, 1) Fusion pré-estimation et 2.) Fusion post-estimation.

Pré-estimer la fusion des modèles et des données

La motivation de l'agrégation de pré-estimation peut être qu'aucune donnée de vérité terrain n'est disponible. Cela peut se produire dans des situations où les diagnostics font un bon travail en détectant les défauts qui sont résolus (grâce à la maintenance) avant que la défaillance du système ne se produise. Par conséquent, il n'y a pratiquement pas de données d'exécution à l'échec. Cependant, il existe une incitation à mieux savoir quand un système ne parviendrait pas à mieux tirer parti de la durée de vie utile restante tout en évitant une maintenance imprévue (la maintenance non planifiée est généralement plus coûteuse que la maintenance planifiée et entraîne des temps d'arrêt du système). Garga et al. décrire conceptuellement une approche hybride d'agrégation de pré-estimation où la connaissance du domaine est utilisée pour changer la structure d'un réseau de neurones, résultant ainsi en une représentation plus parcimonie du réseau. Une autre façon d'accomplir l'agrégation de pré-estimation consiste à combiner un processus hors ligne et un processus en ligne : en mode hors ligne, on peut utiliser un modèle de simulation basé sur la physique pour comprendre les relations entre la réponse du capteur et l'état de défaut ; En mode en ligne, on peut utiliser des données pour identifier l'état actuel des dommages, puis suivre les données pour caractériser la propagation des dommages, et enfin appliquer un modèle de propagation personnalisé basé sur les données pour la prédiction de la durée de vie restante. Par exemple, Khorasgani et al ont modélisé la physique des défaillances des condensateurs électrolytiques. Ensuite, ils ont utilisé une approche de filtre à particules pour dériver la forme dynamique du modèle de dégradation et estimer l'état actuel de la santé du condensateur. Ce modèle est ensuite utilisé pour obtenir une estimation plus précise de la durée de vie utile restante (RUL) des condensateurs lorsqu'ils sont soumis aux conditions de contrainte thermique.

Fusion post-estimation d'approches basées sur des modèles avec des approches basées sur les données

La motivation pour la fusion post-estimation est souvent prise en compte dans la gestion de l'incertitude. C'est-à-dire que la fusion post-estimation aide à réduire les intervalles d'incertitude des approches basées sur les données ou basées sur un modèle. Dans le même temps, la précision s'améliore. La notion sous-jacente est que plusieurs sources d'information peuvent aider à améliorer les performances d'un estimateur. Ce principe a été appliqué avec succès dans le contexte de la fusion de classificateurs où la sortie de plusieurs classificateurs est utilisée pour arriver à un meilleur résultat que n'importe quel classificateur seul. Dans le contexte des pronostics, la fusion peut être réalisée en utilisant des évaluations de qualité qui sont attribuées aux estimateurs individuels sur la base d'une variété d'entrées, par exemple des heuristiques, des performances connues a priori, un horizon de prédiction ou la robustesse de la prédiction.

Évaluation des performances pronostiques

L'évaluation des performances pronostiques est d'une importance clé pour un déploiement réussi du système PHM. L'absence précoce de méthodes normalisées d'évaluation des performances et d'ensembles de données de référence a entraîné le recours à des mesures de performance conventionnelles empruntées aux statistiques. Ces mesures étaient principalement basées sur l'exactitude et la précision lorsque les performances sont évaluées par rapport à la fin de vie, généralement connues a priori dans un environnement hors ligne. Plus récemment, les efforts visant à faire mûrir la technologie des pronostics ont mis l'accent sur la normalisation des méthodes de pronostic, y compris celles de l'évaluation des performances. Un aspect clé, absent des mesures conventionnelles, est la capacité de suivre les performances dans le temps. Ceci est important car les pronostics sont un processus dynamique où les prédictions sont mises à jour avec une fréquence appropriée à mesure que davantage de données d'observation deviennent disponibles à partir d'un système opérationnel. De même, les performances de prédiction changent avec le temps qui doivent être suivis et quantifiés. Un autre aspect qui rend ce processus différent dans un contexte PHM est la valeur temporelle d'une prédiction RUL. Au fur et à mesure qu'un système approche de la défaillance, la fenêtre de temps pour prendre une action corrective se raccourcit et, par conséquent, la précision des prévisions devient plus critique pour la prise de décision. Enfin, le caractère aléatoire et le bruit dans le processus, les mesures et les modèles de prédiction sont inévitables et, par conséquent, les pronostics impliquent inévitablement une incertitude dans ses estimations. Une évaluation de performance pronostique robuste doit intégrer les effets de cette incertitude.

Plusieurs mesures de performance de pronostic ont évolué en tenant compte de ces problèmes :

• L'horizon pronostique (PH) quantifie combien d'avance un algorithme peut prédire avec une précision souhaitée avant qu'une défaillance ne se produise. Un horizon pronostique plus long est préférable car plus de temps est alors disponible pour une action corrective.
• La précision α-λ resserre davantage les niveaux de précision souhaités en utilisant un cône rétrécissant de la précision souhaitée à l'approche de la fin de vie. Afin de se conformer aux spécifications α-λ souhaitées à tout moment, un algorithme doit s'améliorer avec le temps pour rester dans le cône.
• La précision relative quantifie la précision par rapport au temps réel restant avant la défaillance.
• La convergence quantifie la vitesse à laquelle les performances convergent pour un algorithme à l'approche de la fin de vie.

Une représentation visuelle de ces métriques peut être utilisée pour décrire les performances pronostiques sur un long horizon temporel.

Incertitude dans les pronostics

De nombreux paramètres d'incertitude peuvent influencer la précision de la prédiction. Ceux-ci peuvent être classés comme :

• Incertitude sur les paramètres du système : il s'agit de l'incertitude sur les valeurs des paramètres physiques du système (résistance, inductance, raideur, capacité, etc.). Cette incertitude est induite par les conditions environnementales et opérationnelles dans lesquelles évolue le système. Cela peut être résolu en utilisant des méthodes adéquates telles que celles à intervalles.
• Incertitude dans le modèle nominal du système : cela concerne les imprécisions dans les modèles mathématiques qui sont générées pour représenter le comportement du système. Ces imprécisions (ou incertitudes) peuvent être le résultat d'un ensemble d'hypothèses utilisées lors du processus de modélisation et qui conduisent à des modèles qui ne correspondent pas exactement au comportement réel du système.
• Incertitude dans le modèle de dégradation du système : le modèle de dégradation peut être obtenu à partir de tests de durée de vie accélérés qui sont menés sur différents échantillons de données d'un composant. En pratique, les données obtenues par des tests de durée de vie accélérés effectués dans les mêmes conditions de fonctionnement peuvent avoir des tendances de dégradation différentes. Cette différence dans les tendances de dégradation peut alors être considérée comme une incertitude dans les modèles de dégradation dérivés des données liées aux tests de durée de vie accélérés.
• Incertitude dans la prédiction : l' incertitude est inhérente à tout processus de prédiction. Toutes les prédictions du modèle nominal et/ou de dégradation sont inexactes, ce qui est affecté par plusieurs incertitudes telles que l'incertitude dans les paramètres du modèle, les conditions environnementales et les futurs profils de mission. L'incertitude de prédiction peut être abordée en utilisant des outils d'estimation et de prédiction bayésiens et en ligne (par exemple, les filtres à particules et le filtre de Kalman, etc.).
• Incertitude dans les seuils de défaillance : le seuil de défaillance est important dans toute méthode de détection et de prédiction de défaillance. Il détermine le moment auquel le système tombe en panne et par conséquent la durée de vie utile restante. En pratique, la valeur du seuil de défaillance n'est pas constante et peut évoluer dans le temps. Il peut également évoluer en fonction de la nature du système, des conditions d'exploitation et de l'environnement dans lequel il évolue. Tous ces paramètres induisent une incertitude qui doit être prise en compte dans la définition du seuil de défaillance.

Des exemples de quantification de l'incertitude peuvent être trouvés dans .

Plateformes matérielles et logicielles commerciales

Pour la plupart des applications industrielles PHM, le matériel d'acquisition de données commercial et les capteurs sont normalement les plus pratiques et les plus courants. Des exemples de fournisseurs commerciaux de matériel d'acquisition de données incluent National Instruments et Advantech Webaccess ; cependant, pour certaines applications, le matériel peut être personnalisé ou renforcé selon les besoins. Les types de capteurs courants pour les applications PHM incluent les accéléromètres, la température, la pression, les mesures de vitesse de rotation à l'aide d'encodeurs ou de tachymètres, les mesures électriques de tension et de courant, les émissions acoustiques, les cellules de charge pour les mesures de force et les mesures de déplacement ou de position. Il existe de nombreux fournisseurs de capteurs pour ces types de mesure, certains proposant une gamme de produits spécifique plus adaptée à la surveillance des conditions et aux applications PHM.

Les algorithmes d'analyse de données et la technologie de reconnaissance des formes sont désormais proposés sur certaines plates-formes logicielles commerciales ou dans le cadre d'une solution logicielle packagée. National Instruments dispose actuellement d'une version d'essai (avec une sortie commerciale dans l'année à venir) de la boîte à outils de pronostic Watchdog Agent, qui est une collection d'algorithmes PHM basés sur les données qui ont été développés par le Center for Intelligent Maintenance Systems. Cette collection de plus de 20 outils permet de configurer et de personnaliser les algorithmes d'extraction de signature, de détection d'anomalies, d'évaluation de l'état de santé, de diagnostic de défaillance et de prédiction de défaillance pour une application donnée selon les besoins. Des solutions commerciales personnalisées de surveillance prédictive utilisant la boîte à outils Watchdog Agent sont maintenant proposées par une jeune entreprise appelée Predictronics Corporation dont les fondateurs ont joué un rôle déterminant dans le développement et l'application de cette technologie PHM au Center for Intelligent Maintenance Systems. Un autre exemple est MATLAB et sa boîte à outils de maintenance prédictive qui fournit des fonctions et une application interactive pour explorer, extraire et classer les fonctionnalités à l'aide de techniques basées sur des données et des modèles, notamment des analyses statistiques, spectrales et chronologiques. Cette boîte à outils comprend également des exemples de référence pour les moteurs, les boîtes de vitesses, les batteries et d'autres machines qui peuvent être réutilisés pour développer des algorithmes personnalisés de maintenance prédictive et de surveillance de l'état. D'autres offres de logiciels commerciaux se concentrent sur quelques outils de détection d'anomalies et de diagnostic de pannes, et sont généralement proposées sous forme de solution globale au lieu d'une offre de boîte à outils. L'exemple inclut la méthode analytique de détection des anomalies Smart Signals, basée sur des modèles de type auto-associatif (modélisation basée sur la similitude) qui recherchent les changements dans la relation de corrélation nominale dans les signaux, calcule les résidus entre les performances attendues et réelles, puis effectue des tests d'hypothèse sur le résidu signaux (test de rapport de probabilité séquentielle). Des types similaires de méthodes d'analyse sont également proposés par Expert Microsystems, qui utilise une méthode de noyau auto-associative similaire pour le calcul des résidus et dispose d'autres modules de diagnostic et de prédiction.

Pronostic au niveau du système

Alors que la plupart des approches de pronostic se concentrent sur le calcul précis du taux de dégradation et de la durée de vie utile restante (RUL) des composants individuels, c'est la vitesse à laquelle les performances des sous-systèmes et des systèmes se dégradent qui intéresse le plus les opérateurs et le personnel de maintenance de ces derniers. systèmes.

Voir également

Remarques

Bibliographie

PHM électronique

Liens externes