pronostic de défaillances guidé par les données...
TRANSCRIPT
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
Journée du GT S3, Jeudi 03 Novembre 2011, ENSAM, Paris 4
Institut
FEMTO-ST
Localisation
Journée du GT S3, Jeudi 03 Novembre 2011, ENSAM, Paris 5
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
Journée du GT S3, Jeudi 03 Novembre 2011, ENSAM, Paris 6
•
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
Journée du GT S3, Jeudi 03 Novembre 2011, ENSAM, Paris 7
OSA-CBM: Open System Architecture for Condition-Based Maintenance
Thème
PHM
Détection
Diagnostic
Pronostic
Décision
Interface utilisateur
AcquisitionTraitement
Journée du GT S3, Jeudi 03 Novembre 2011, ENSAM, Paris 8
Présent
DiagnosticPronostic
Diagnostic vs Pronostic
Thème
PHM
Journée du GT S3, Jeudi 03 Novembre 2011, ENSAM, Paris 9
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]
Journée du GT S3, Jeudi 03 Novembre 2011, ENSAM, Paris 10
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
Journée du GT S3, Jeudi 03 Novembre 2011, ENSAM, Paris 11
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
Journée du GT S3, Jeudi 03 Novembre 2011, ENSAM, Paris 12
Pronostic
Approche basée sur un modèle physique
(physics
of failure)
Approche guidée par les données Approche hybride
Classification des approches de pronostic
Thème PHM
Journée du GT S3, Jeudi 03 Novembre 2011, ENSAM, Paris 13
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
Journée du GT S3, Jeudi 03 Novembre 2011, ENSAM, Paris 14
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)
Journée du GT S3, Jeudi 03 Novembre 2011, ENSAM, Paris 15
Positionnement
Thème
PHM
Pronostic
Approche basée modèle physique
(physics
of failure)
Approche guidée par les données Approche hybride
Journée du GT S3, Jeudi 03 Novembre 2011, ENSAM, Paris 16
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
Journée du GT S3, Jeudi 03 Novembre 2011, ENSAM, Paris 17
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
Journée du GT S3, Jeudi 03 Novembre 2011, ENSAM, Paris 19
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
20Journée du GT S3, Jeudi 03 Novembre 2011, ENSAM, Paris
Objectif : détection et pronostic de l’état d’usure de l’outil de coupe
Introduction
High-speed CNC milling machine cutters
21Journée du GT S3, Jeudi 03 Novembre 2011, ENSAM, Paris
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
22Journée du GT S3, Jeudi 03 Novembre 2011, ENSAM, Paris
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)
Eléments de MoG-HMMs
et de RBDs
( ) ( ) ( )1 1di ii iip d a a−= −Durée de séjour
23Journée du GT S3, Jeudi 03 Novembre 2011, ENSAM, Paris
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=
= ≤ ≤∑
Eléments de MoG-HMMs
et de RBDs
24Journée du GT S3, Jeudi 03 Novembre 2011, ENSAM, Paris
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
−=
=
== =
= =
∏
Eléments de MoG-HMMs
et de RBDs
25Journée du GT S3, Jeudi 03 Novembre 2011, ENSAM, Paris
Principe
Pronostic de l’usure de l’outil de coupe
26Journée du GT S3, Jeudi 03 Novembre 2011, ENSAM, Paris
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
Pronostic de l’usure de l’outil de coupe
27Journée du GT S3, Jeudi 03 Novembre 2011, ENSAM, Paris
Pronostic de l’usure de l’outil de coupe
Phase hors ligne : construire le modèle d’usure
28Journée du GT S3, Jeudi 03 Novembre 2011, ENSAM, Paris
1S tS
1M tM
tV1V
Tranche 1 Tranche 2
Le MoG-HMM est représenté
par un RBD
Phase hors ligne : construire le modèle d’usure
Pronostic de l’usure de l’outil de coupe
29Journée du GT S3, Jeudi 03 Novembre 2011, ENSAM, Paris
Quantité
d’usure dans chaque niveau
Phase hors ligne : construire le modèle d’usure
Pronostic de l’usure de l’outil de coupe
30Journée du GT S3, Jeudi 03 Novembre 2011, ENSAM, Paris
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
Pronostic de l’usure de l’outil de coupe
Extraction de descripteurs (Features)
31Journée du GT S3, Jeudi 03 Novembre 2011, ENSAM, Paris
Estimation de la quantité d’usure
Phase en ligne : estimer l’usure actuelle et prédire le RUL
Pronostic de l’usure de l’outil de coupe
32Journée du GT S3, Jeudi 03 Novembre 2011, ENSAM, Paris
Estimation du RUL
Phase en ligne : estimer l’usure actuelle et prédire le RUL
Pronostic de l’usure de l’outil de coupe
33Journée du GT S3, Jeudi 03 Novembre 2011, ENSAM, Paris
Application et résultats
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
34Journée du GT S3, Jeudi 03 Novembre 2011, ENSAM, Paris
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
Application et résultats
35Journée du GT S3, Jeudi 03 Novembre 2011, ENSAM, Paris
Mesures d’usure & prédiction pour l’outil de coupe n°
1
Application et résultats
36Journée du GT S3, Jeudi 03 Novembre 2011, ENSAM, Paris
Prédiction du RUL pour l’outil de coupe n°
1
Application et résultats
Journée du GT S3, Jeudi 03 Novembre 2011, ENSAM, Paris 37
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]