Description

La maintenance prévisionnelle est une approche avancée de la maintenance visant à anticiper les défaillances des équipements grâce à l’analyse de données collectées en temps réel. En s’appuyant sur des techniques de surveillance conditionnelle et des algorithmes de prévision, cette discipline permet de maximiser la disponibilité des équipements tout en optimisant les coûts de maintenance. Ce cours propose une exploration approfondie des concepts, techniques et outils liés à la maintenance prévisionnelle dans un contexte industriel moderne.

Compétences requises

Connaissances de base en maintenance industrielle

Maîtrise des outils informatiques

Notions de base en programmation

Compétences visées

Macro-compétences :

• Comprendre les principes fondamentaux de la maintenance prévisionnelle
• Concevoir et appliquer des modèles de prévision de défaillances
• Interpréter les résultats pour une prise de décision éclairée

Micro-compétences :

• Différencier les types de maintenance (corrective, préventive, prévisionnelle)
• Comprendre le fonctionnement des méthodes de prétraitement des données (nettoyage, normalisation, réduction de dimension)
• Implémenter des algorithmes de détection d’anomalies (K-means, Isolation Forest) pour classer le comportement des machines.
• Implémenter des modèles d’apprentissage automatique supervisé pour prévoir les défaillances
• Estimer la durée de vie restante (RUL) à l’aide des algorithmes de prévisions
• Exploiter les outils de régression pour les séries chronologiques

Modalités d'organisation et de suivi

Le module est organisé en :

·       Cours magistraux (CM) : 18h

·       Travaux dirigés (TD) : 10h

·       Travaux dirigés (TP) : 8h

Syllabus

1.     Introduction à la maintenance industrielle

Historique et évolution de la maintenance

Normes et définitions (NF EN 13306)

2.     Les différents types de maintenance

Maintenance corrective (d’urgence, différée)

Maintenance préventive (systématique, conditionnelle)

Maintenance prévisionnelle et ses spécificités

3.     Collecte et traitement des données

Types de capteurs et données collectées

Techniques de prétraitement : nettoyage, normalisation, réduction de dimension

4.     Détection et diagnostic des anomalies

Méthodes de détection : analyse vibratoire, thermographie, contrôle non destructif

Algorithmes de machine learning : K-means, Isolation Forest.

Outils de diagnostic : réseaux bayésiens, arbres de défaillance

5.     Pronostic et estimation de la durée de vie restante (RUL)

Processus PHM (Prognostics and Health Management)

Arbres de décision pour la classification et la régression

Analyse des séries chronologiques : décomposition, régression

6.     Aide à la décision et exploitation des résultats

Intégration avec les systèmes de GMAO

Recommandations basées sur les prévisions

Interface homme-machine et exploitation des technologies 4.0

Bibliographie

La liste de références :

• 1- Gilles ZWINGELSTEIN. Méthodes de diagnostic et de pronostic de défaillances basées sur les données – État de l’art Techniques de l’Ingénieur, MT9134 V1