Contribution à l’optimisation des processus de prédiction et de classification pour le Prognostics and Health Management. - Archive ouverte HAL Access content directly
Habilitation À Diriger Des Recherches Year : 2015

Towards optimization of prediction and classification processes for Prognostics and Health Management.

Contribution à l’optimisation des processus de prédiction et de classification pour le Prognostics and Health Management.

Abstract

My postdoctoral research deals with the proposition of data-based failure detection and prognostics approaches. Developments aim at transforming raw data (gathered online on the monitored system) into health indicators that enable estimating the Remaining Useful Life (RUL) and the confidence interval associated to it. Three sets of contributions can be distinguished. –Characterize degradation phenomena. I mainly proposed a new features extraction and selection approach that allows building monotonic and predictable features. This proposition enhances detection of drifts and improve long term predictions of the ageing behavior. –Improve genericity of prognostics. From this point of view, my intent was to develop neural networks and neuro-fuzzy systems that aim at facilitating the building of prognostics algorithms by systematizing the generation of models while reducing the learning time required and avoiding arbitrary choices. –Reliable data-based prognostics. I developed news neuronal algorithms that enable, on one side, to quantify and master the error of prediction, and on the other side, to take into account the non-deterministic aspect of health states. The research project is articulated as follows (short term and mid-term perspectives). First, I would like to develop protocols and metrics for verification and validation of PHM approaches. I am also willing to go through a better modeling of multidimensional systems (physics, time, space). Finally, my intent is to extend PHM to what could be called the “predictive medicine”.
L’essentiel des travaux de recherche post-doctorale porte sur le développement d’approches orientées données de détection et de pronostic de défaillances. Les propositions faites visent à transformer un ensemble de données brutes recueillies sur l’équipement surveillé, en un indicateur de temps résiduel avant défaillance (RUL) auquel est associée une confiance. Trois foyers de contributions peuvent être distingués. –Caractériser les phénomènes de dégradation. Je me suis attaché à proposer une nouvelle approche d’extraction et de sélection de descripteurs permettant in fine d’obtenir des indicateurs de santé monotones facilitant la détection d’une dérive et les prédictions à long terme. –Améliorer la généricité du pronostic. De ce point de vue, mon travail a consisté à proposer des méthodes (neuronales et neuro-floues) permettant de systématiser la génération des modèles de pronostic, et de réduire le temps d’apprentissage nécessaire. –Fiabiliser le pronostic orienté données. J’ai sur cet aspect développé de nouveaux algorithmes permettant d’une part, de quantifier et maîtriser l’erreur de prédiction, et d’autre part, de tenir compte de la nature non−déterministe des états de santé. Le projet de recherche à court et moyen terme s’articule autour de trois axes. Le premier a trait à la définition de protocoles et de métriques de vérification et de validation des approches de PHM. Le second porte sur le développement d’outils pour les systèmes multidimentsionnels (physique, temps, espace). Le dernier vise à étendre la thématique à un cadre applicatif pour lequel elle n’a pas été initialement imaginée : le PHM médical.
Fichier principal
Vignette du fichier
HdR-Rafael-Finale.pdf (4.96 Mo) Télécharger le fichier
Loading...

Dates and versions

tel-01341723 , version 1 (04-07-2016)

Identifiers

  • HAL Id : tel-01341723 , version 1

Cite

Rafael Gouriveau. Contribution à l’optimisation des processus de prédiction et de classification pour le Prognostics and Health Management.. Sciences de l'ingénieur [physics]. Université de Franche-Comté, 2015. ⟨tel-01341723⟩
261 View
422 Download

Share

Gmail Facebook X LinkedIn More