Combining First Principles and Machine Learning for optimal maintenance of electrical assets - Archive ouverte HAL Accéder directement au contenu
Communication Dans Un Congrès Année : 2021

Combining First Principles and Machine Learning for optimal maintenance of electrical assets

Marcel Chevalier
  • Fonction : Auteur correspondant
  • PersonId : 1107574

Connectez-vous pour contacter l'auteur
Sylvain Marié
Connectez-vous pour contacter l'auteur
Bartosz Boguslawski
  • Fonction : Auteur
  • PersonId : 1107576
Michel Cercueil
  • Fonction : Auteur
  • PersonId : 1107577
François Chupot
  • Fonction : Auteur
  • PersonId : 1107578
Antoine Vignon
  • Fonction : Auteur
  • PersonId : 1107579
Wedian Youssef
  • Fonction : Auteur
  • PersonId : 1107580

Résumé

Industrial end users face an increasing need to reduce the risk of unexpected failures and optimize their maintenance. This calls for both short-term analysis and long-term ageing anticipation. At Schneider Electric we tackle those two issues using both Machine Learning and First Principles models, to provide advanced services for electrical distribution assets. Machine Learning algorithms are used to model key parameters of electrical assets in normal operation. They predict the expected normal behavior, which serves as a reference. The monitoring system can therefore detect statistically significant deviations from this reference, indicating potential failures. Concerning ageing models, they are based on First Principles, similar to Prognostic Health Management techniques. It consists in breaking down electrical assets into sub-assemblies, identifying for each of them all possible competing degradation modes and their influencing factors (environment and usage). Combining this with relevant kinetics laws we can estimate the expected end of life. These two approaches, short-term and long-term, are combined in operation to provide predictive maintenance services. They belong to a broader initiative aimed at sharing analytics beyond the Schneider Electric scope.
Les acteurs industriels sont confrontés à un besoin accru de réduire le risque d'incidents imprévus et d'optimiser leur maintenance. Ces besoins appellent à une réponse double à la fois sur les détections court-terme et la surveillance de vieillissement long terme. Chez Schneider Electric nous répondons à ces deux problématiques en combinant l'apprentissage artificiel et les modèles physiques et statistiques, afin de fournir des services avancés pour les équipements de distribution électrique. L'apprentissage artificiel est utilisé pour modéliser les paramètres clés des équipements électriques en fonctionnement normal, afin de prédire le comportement normal attendu en toute circonstance. Un système de surveillance peut se servir de cette référence pour détecter des déviations statistiquement significatives, révélant un défaut potentiel. En ce qui concerne les modèles de vieillissement, ils sont basés sur des modèles physiques et statistiques, dans la continuité de l'état de l'art du Prognostic Health Management. Il s'agit ici de décomposer les équipements électriques en sous-systèmes, et d'identifier pour chacun d'eux l'ensemble des modes de dégradation concurrents et leurs facteurs d'influence (environnement et usage). En combinant cela avec les cinétiques appropriées nous pouvons estimer la fin de vie. Ces deux approches, court-terme et long-terme, sont combinées sur le terrain pour fournir des services de maintenance prédictive. Ils s'inscrivent dans une initiative plus large visant à partager des algorithmes avec l'écosystème de partenaires de Schneider Electric.
Fichier principal
Vignette du fichier
Combining First Principles and Machine Learning for optimal maintenance of electrical assets_EN_2021.pdf (233.15 Ko) Télécharger le fichier
Origine : Fichiers éditeurs autorisés sur une archive ouverte

Dates et versions

hal-03320965 , version 1 (16-08-2021)

Identifiants

  • HAL Id : hal-03320965 , version 1

Citer

Marcel Chevalier, Sylvain Marié, Bartosz Boguslawski, Michel Cercueil, François Chupot, et al.. Combining First Principles and Machine Learning for optimal maintenance of electrical assets. CIGI QUALITA 2021, May 2021, Grenoble, France. ⟨hal-03320965⟩
225 Consultations
160 Téléchargements

Partager

Gmail Facebook X LinkedIn More