Pronostic de défaillances guidé par les données ...gt-s3.cran.univ-lorraine.fr/doc/Medjaher_03_11_11.pdf · biomédicale et de micromanipulation (MNBM) Département AS2M. Journée

1Journée du GT S3, Jeudi 03 Novembre 2011, ENSAM, Paris

Pronostic de défaillances guidé

par les données : application à

l’usure des outils de coupe

Journée du GT S3 (Sûreté-Surveillance-Supervision)Jeudi 03 Novembre 2011, ENSAM, Paris

K. Medjaher, D. A. Tobon-Mejia, N. Zerhouni

Institut FEMTO-ST, Département [email protected]

Journée du GT S3, Jeudi 03 Novembre 2011, ENSAM, Paris 2

Sommaire

1.

PHM au sein

de l’institut

FEMTO-ST

2.

Méthode

de pronostic

guidé

par les données

Journée du GT S3, Jeudi 03 Novembre 2011, ENSAM, Paris

1. PHM au sein de l’institut FEMTO-ST


Institut

FEMTO-ST

Localisation


Institut Femto-st

Energie et ingénierie des systèmes multiphysiques (ENISYS)

Mécanique appliquée (MEC’APPLI)

Micro Nano Sciences & Systèmes (MN2S)

Optique (LOPMD)

Temps – Fréquence (TF)

Informatique et systèmes Complexes (DISC)

Automatique et systèmes micro-mécatroniques (AS2M)

Départements de recherche

Institut

FEMTO-ST


•

4 thèmes de recherche

–

Commande et conception des systèmes micromécatroniques

(CCSM)

–

Perception et caractérisation aux échelles nano et microscopiques (PCENM)

–

Prognostic

and Health

Management (PHM)

–

Micro-nanorobotique

biomédicale et de micromanipulation (MNBM)

Département

AS2M


OSA-CBM: Open System Architecture for Condition-Based Maintenance

Thème

PHM

Détection

Diagnostic

Pronostic

Décision

Interface utilisateur

AcquisitionTraitement


Présent

DiagnosticPronostic

Diagnostic vs Pronostic

Thème

PHM


Thème

PHM

La plateforme pétrolière Deepwater

Horizon en feu le 21 avril 2010. Des navires luttent contre les

flammes. Le 22 avril 2010 la plateforme coule. (Credit: U.S. Coast

Guard/Sipa

Press) [source : sciencesetavenir.fr]


En 2010, un feu s’est déclaré

dans le moteur n°2 de l’A380 de la compagnie Quantas juste après son décollage (Source: Australian

Transport Safety

Bureau ATSB).

Selon l’ATSB, le feu a été

causé

par une fatigue prématurée d’une conduite d’huile.

Surveiller, Prédire, Anticiper pour éviter de telles situations

Fiabilité Disponibilité Sécurité Coûts

Thème

PHM


Performance

Temps

Symptôme

DEFAD

Défaillance

Définition :

le pronostic correspond à

l’estimation de la Durée de Fonctionnement Avant Défaillance (DEFAD*)

et du risque d'existence ou d'apparition ultérieure d'un ou de plusieurs modes de défaillance [Norme ISO 13381-1:2004]

Thème

PHM

* Communément appelée RUL: Remaining

Useful

Life


Pronostic

Approche basée sur un modèle physique

(physics

of failure)

Approche guidée par les données Approche hybride

Classification des approches de pronostic

Thème PHM


Approche

basée

sur

un modèle

physique

Thème

PHM

•

Modèle analytique du système fonction du mécanisme de dégradation

•

Modèle de dégradation : la dégradation est considérée comme une variable continue dont l’évolution est déterminée par une loi déterministe (équation(s) statique(s) ou différentielle(s)) ou stochastique (incertitudes sur les conditions initiales et les paramètres)

•

le modèle de dégradation n’est pas toujours facile à

obtenir


Approche

guidée

par les données

Thème

PHM

•

Utilisation directe des données de surveillance ou

indirecte par l’intermédiaire d’indicateurs

•

Le modèle physique de la dégradation n’est pas nécessaire

•

Peut concerner les données de retour d’expérience (modèles de fiabilité)


Positionnement

Thème

PHM

Pronostic

Approche basée modèle physique

(physics

of failure)

Approche guidée par les données Approche hybride


Acquisition- Vibration-

Température- …

Pré-traitement-

Filtrage-

Extraction de Feature-

Sélection

Pronostic-

Classification (Health

Assessment)-

Prédiction

RUL Aide à

la Décision-Ordo. dynamiquedes tâche de maintenance

RUL & aide à

la décision

Thème

PHM


Pronostic

Méthodes par RNs

et RNF

Méthodes probabiliste, Bayésienne

Méthodes par fonctions de croyance

Méthodes orientées gestions des connaissances (KM)

Ordonnancement dynamique, Aide à

la décision

Méthodes

développées

au sein

de Femto-st

Thème

PHM

Journée du GT S3, Jeudi 03 Novembre 2011, ENSAM, Paris

2. Méthode

de pronostic

guidé

par les données


1.

Introduction

2.

Eléments de MoG-HMMs

et de RBDs

3.

Pronostic de l’usure de l’outil de coupe

4.

Application et résultats

5.

Conclusion

Méthode de pronostic guidé

par les données


Objectif : détection et pronostic de l’état d’usure de l’outil de coupe

Introduction

High-speed CNC milling machine cutters


Transformer les données de surveillance en modèles pour le pronostic

Introduction

Modèle de dégradation pour le pronostic

Données de surveillance

Modèle de dégradation : MoG-HMM représenté

par un RBD


Modèle HMM : λ

= (π, A, B)

N = nombre d’états L = nombre d’observations à

chaque état {v1

, v2

,…, vL

}Matrice de transition A = {aij

}Matrice d’observation B = {bi

(k)}Probabilité

initiale π

= {πi

}

a12 a23

a13

b1(v1)b1(v2)b1(v3)

v1 v2 v3 v1 v2 v3

b2(v1)b2(v2)b2(v3)

v1 v2 v3

b3(v1)b3(v2)b3(v3)

S1 S2 S3a12 a23

a13

a12 a23

a13

b1(v1)b1(v2)b1(v3)

v1 v2 v3 v1 v2 v3

b2(v1)b2(v2)b2(v3)

v1 v2 v3

b3(v1)b3(v2)b3(v3)

b1(v1)b1(v2)b1(v3)

v1 v2 v3

b1(v1)b1(v2)b1(v3)

v1 v2 v3 v1 v2 v3

b2(v1)b2(v2)b2(v3)

v1 v2 v3

b2(v1)b2(v2)b2(v3)

v1 v2 v3

b3(v1)b3(v2)b3(v3)

v1 v2 v3

b3(v1)b3(v2)b3(v3)

S1S1 S2S2 S3S3

Chaînes

de Markov Cachées

(HMM)


et de RBDs

( ) ( ) ( )1 1di ii iip d a a−= −Durée de séjour


Modèle MoG-HMM: λ

= (π, A, B)

N = nombre d’états Matrice de transition A = {aij

}Matrice d’observation B = {μ, σ, M}Probabilité

initiale π

= {πi

}

HMM à

mélange de Gaussiennes (MoG-HMM)

S1 S2 S3S1 S2 S3

( ) ( )1

, , 1M

j jm jm jmm

b O C O U j Nξ μ=

= ≤ ≤∑


et de RBDs


MoG-HMM représenté

par un RBD

1S tS

1M tM

tV1V

Tranche 1 Tranche 2

( ) ( )( )

( )

11

1

1

1

| |

, ,

Ni i

t t t ti

t jm

t jm jm

P S S P S Pa S

SM M C

V V O U

π

ξ μ

−=

=

== =

= =

∏


et de RBDs


Principe



Phase hors ligne : construire le modèle d’usure

Un MoG-HMM par niveau d’usure

Coupes

UsureÉtat

Niveau usure 1 Niveau usure 2 Niveau usure w Niveau usure W

1

2

3

ClimiteDébut coupe






1S tS

1M tM

tV1V

Tranche 1 Tranche 2

Le MoG-HMM est représenté

par un RBD




Quantité

d’usure dans chaque niveau




Phase en ligne : estimer l’usure actuelle et prédire le RUL

Capteurs

Identification du modèle correspondant à

partir de la base globale des modèles

Sélection du meilleur modèle à

partir de la base locale des modèles

Identification du niveau d’usure actuel

Estimation de la quantité

d’usure

Estimation du RUL


Extraction de descripteurs (Features)


Estimation de la quantité d’usure




Estimation du RUL





Prognostic data challenge, PHM Society 2010

Measurements:•

Force•

Acceleration•

Acoustic•

Amount of wear

Experimental parameters:•

Spindle speed of the cutter = 10400 rpm•

Feed rate = 1555 mm/min•

Y depth of cut (radial) = 0.125 mm•

Z depth of cut (axial) = 0.2 mm

High-speed CNC milling machine cutters


Les paramètres du MoG-HMM du 1er

niveau d’usure

Les paramètres en (10−3

mm) du 1er

niveau d’usure de l’outil de coupe n°

6



Mesures d’usure & prédiction pour l’outil de coupe n°

1



Prédiction du RUL pour l’outil de coupe n°

1



Conclusion

Pronostic : des données capteurs à l’estimation du RUL.

Différentes méthodes peuvent être utilisées.

Méthode proposée : peut être généralisée sur d’autres composants.

Evaluation de la performance du pronostic : métriques de pronostic (confiance, précision, exactitude, opportunité, …).

38IFAC-WC, August 28 - September 2, 2011, Milano, Italy

Pronostic de défaillances guidé

par les données : application à

l’usure des outils de coupe

Journée du GT S3 (Sûreté-Surveillance-Supervision)Jeudi 03 Novembre 2011, ENSAM, Paris

K. Medjaher, D. A. Tobon-Mejia, N. Zerhouni

Institut FEMTO-ST, Département [email protected]

Documents

Pronostic de défaillances guidé par les données ...gt-s3.cran.univ-lorraine.fr/doc/Medjaher_03_11_11.pdf · biomédicale et de micromanipulation (MNBM) Département AS2M. Journée