Maintenance prévisionnelle
Master Génie industrielParcours Production industrielle (GIPI) (alternance)
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