Évaluation des défaillances de machines sur la base des niveaux de criticitédes niveaux de criticité

Dans le domaine de la maintenance prédictive, la prédiction et l’évaluation de la cri-ticité des défaillances est une question cruciale pour les fabricants. En obtenant les niveaux de criticité des différentes défaillances, les opérateurs de machines peuvent hiérarchiser les actions de maintenance pour les défaillances de niveau de criticité plus élevé par rapport à celles de niveau inférieur. De cette façon, les résultats de la prédiction des défaillances peuvent être utilisés pour planifier la maintenance des machines. Cependant, les approches de maintenance prédictive existantes dans le domaine de la fabrication se limitent au déploiement de systèmes de surveillance de l’état des machines pour détecter les anomalies et prévoir le moment des futures défaillances des machines, tout en ne disposant pas des solutions pour identifier la criticité des défaillances des machines [AGN19]. Il en résulte un lien manquant entre les informations temporelles d’une anomalie (par exemple, le moment d’une future panne de machine) et la criticité de l’anomalie. Pour évaluer la disponibilité des systèmes de fabrication, la durée de l’arrêt est une considération clé qui indique la criticité d’une défaillance mécanique [ALRL04]. Par conséquent, la prévision des moments de défaillance des machines est cruciale pour calculer la durée de l’arrêt et la criticité des défaillances.

Dans ce chapitre, les travaux du chapitre 2.2 sont prolongés par l’introduction de deux approches hybrides basées sur l’ontologie pour les tâches de prédiction et de classification des défaillances. Les approches hybrides basées sur l’ontologie

sont basées sur l’utilisation combinée de techniques de regroupement et de raison-nement ontologique. Dans le cadre des approches proposées, nous abordons l’in-certitude de la criticité des défaillances en adoptant deux cadres d’inl’in-certitude : le regroupement flou de c-means (FCM) [BEF84] et le regroupement probabiliste de

c-means (ECM) [MD08b]. Ces outils sont utilisés pour classer les défaillances en

fonction de leur niveau de criticité.

Les apports de ce chapitre résident tout d’abord dans la formalisation des connaissances de maintenance prédictive basée sur des ontologies, par lesquelles les résultats des ECM sont formalisés et la criticité des défaillances est déduite. Deuxièmement, la classification des défaillances est réalisée par la mise en œuvre d’une approche d’apprentissage non supervisée. L’approche d’apprentissage non supervisé utilise des algorithmes FCM et ECM pour regrouper les défaillances en fonction de leur moment d’occurrence, reflétant leur criticité. Ensuite, chaque groupe est étiqueté avec un indice de criticité (élevé, moyen ou faible) pour clas-ser les défaillances en fonction de leurs contraintes de temps et du coût de main-tenance estimé. Troisièmement, des ontologies et des règles SWRL sont proposées pour formaliser les résultats de la classification, afin de faciliter la représentation et l’interprétation des connaissances pour la maintenance prédictive.

L’approche a été validée sur un ensemble de données industrielles réelles et plu-sieurs ensembles de données synthétiques.

2.4 Utiliser les mesures de qualité des règles pour

l’éla-gage et l’intégration des règles

Comme nous l’avons présenté dans les chapitres 2.2 et 2.3, l’extraction de chro-niques fréquentes est une technique prometteuse pour prédire non seulement l’ordre des événements non défaillants mais aussi les intervalles temporels entre eux. Le résultat de l’extraction de chroniques fréquentes est un ensemble de chro-niques de défaillances qui se présentent sous la forme de règles logiques. Ce type de règles (dans ce chapitre, elles sont définies comme règles de la chronique) dé-crit différents événements ainsi que leurs contraintes temporelles et prédit le temps d’apparition des futures défaillances.

Normalement, le nombre de règles de chroniques extraites de l’extraction des chroniques fréquentes est important. En raison d’un certain degré

d’impréci-sion dans les données du monde réel, certaines des règles de chronique extraites peuvent souffrir d’une mauvaise qualité. En conséquence, les règles de chronique de faible qualité (par exemple, les règles avec une faible précision dans la prédic-tion des échecs) peuvent réduire l’efficacité et la précision du raisonnement basé sur des règles. Il est donc nécessaire d’utiliser une méthode d’élagage basée sur les règles pour obtenir un sous-ensemble de règles de haute qualité.

D’autre part, comme les mégadonnées industrielles sont collectées à partir d’une variété d’appareils et d’environnements, les règles de décision qui en sont ex-traites peuvent être obtenues à partir de sources hétérogènes. Cela peut causer un ensemble de problèmes (par exemple, contradiction de règles, subsomption et re-dondance) lorsque des règles hétérogènes sont combinées pour obtenir un niveau satisfaisant de performance de raisonnement. L’utilisation d’une base de règles de faible qualité peut entraîner des décisions de maintenance inappropriées, ce qui affaiblit les performances des systèmes de maintenance basés sur la connaissance.

Dans ce chapitre, une nouvelle approche d’affinement de la base de règles est proposée. L’approche proposée consiste en deux méthodes d’affinement des règles qui visent à améliorer progressivement la qualité d’une base de règles :

• Une méthode d’élagage et de réduction des règles appliquée à la base de règles obtenue à partir de l’extraction des chroniques fréquentes. Pour réduire le nombre de règles extraites et obtenir une meilleure qualité de la base de règles, une approche d’optimisation multi-objectifs est appliquée. L’approche vise à maximiser la précision et la couverture des règles pour obtenir un en-semble de règles qualité maximale.

• Une méthode d’intégration des règles pour combiner les règles de chronique et les règles d’expert. Pour améliorer la performance de la prédiction des dé-faillances, l’expérience des experts doit être capitalisée sous forme de règles d’experts lorsque les règles de chronique ne permettent pas de prendre des décisions correctes. Dans ce travail, nous considérons des règles d’experts qui ont une structure similaire à celle des chroniques. Lorsque ces règles d’ex-perts sont intégrées aux règles de chronique, elles peuvent souffrir de pro-blèmes liés à la redondance, à la contradiction, ou à la subsomption. Dans ce contexte, une méthode d’intégration des règles permettant de détecter ces trois problèmes est proposée.

Les deux méthodes proposées ont été validées sur un ensemble de données in-dustrielles réelles.