Autonomous Machine Maintenance and Control in Digital Twin Environment

Cette thèse présente le développement de systèmes intelligents dans l'environnement du jumeau numérique pour prolonger la disponibilité du système industriel et maintenir les performances système souhaitées. Des algorithmes basés sur l'apprentissage automatique (ML) ont été développés pour surveiller et détecter les performances de dégradation des systèmes physiques en ligne tout en analysant les données des capteurs du système. D'autres algorithmes basés sur ML sont développés pour définir les actions capables de restaurer de manière autonome les performances du système au niveau souhaité. Ces algorithmes ont été développés pour fonctionner en ligne dans l'environnement du jumeau numérique et pour déclencher et activer le module d'action autonome. Le module autonome coopère avec le module de surveillance de la santé et l'action corrective est ajustée au système physique pour formuler l'autonomie en boucle fermée. Les systèmes de maintenance autonomes et numériques développés ont été mis en œuvre dans différents systèmes industriels. Ces approches traitent de l'auto-guérison pour l'extension du temps de disponibilité après une panne et avant une panne. Les algorithmes d'apprentissage automatique sont appliqués à différents types de données, telles que des séries chronologiques et des données numériques indépendantes du temps. La reconnaissance de modèles par analyse logique des données (LAD) active le mécanisme d'auto-guérison et définit la cause de l'échec qui doit être atténuée. L'intégration de Deep Reinforcement Learning (DRL) et de LAD se traduit par un module autonome pré-défaillance qui ralentit la dégradation des actifs et augmente le temps de défaillance (T2F). La combinaison d'actions autonomes et de principes de maintenance centrée sur la fiabilité (RCM) permet les actions de maintenance numérique sur des systèmes dont les données de défaillance opérationnelle sont incertaines ou indisponibles. Le déploiement des approches développées impacte les performances du système et améliore sa disponibilité. Le mécanisme d'auto-guérison développé ralentit la dégradation et prolonge le temps jusqu'à la défaillance d'un système. Les approches prépanne prolongent le temps de fonctionnement et e temps de défaillance (T2F) en moyenne de 40% dans les systèmes industriels et de 35% dans les applications Electric-Bus.

Abstract

This thesis presents the development of intelligent systems in digital twin environment to extend the industrial system's uptime and to maintain the desired system performance. Machine learning (ML) based algorithms were developed to monitor and detect the degradation performance of the physical systems online while analyzing the system's sensor data. Other ML-based algorithms are developed to define the actions that are able to autonomously recover the system's performance to the desired level. These algorithms were developed to run online in digital twin environment, and to trigger and enable the autonomous action module. The autonomous module cooperates with the health monitoring module and the corrective action is adjusted to the physical system to formulate the closed-loop autonomy. The developed autonomous and digital maintenance systems were implemented in different industrial systems. These approaches address the self-healing for post-failure and for prefailure uptime extension. The machine learning algorithms are applied to different types of data, such as time-series and numerical time-independent data. Logical Analysis of Data (LAD) pattern recognition enables the self-healing mechanism and defines the cause of failure that is to be mitigated. The integration of Deep Reinforcement Learning (DRL) and LAD results in a pre-failure autonomous module that decelerates the asset degradation and increases the time to failure (T2F). Combining autonomous actions and Reliability Centered Maintenance (RCM) principals allows the digital maintenance actions on systems that have uncertain or unavailable operational failure data. The deployment of the developed approaches impacts the performance of the system and improves its uptime. The developed self-healing mechanism slows down the degradation and extends the time to a system's failure. The pre-failure approaches extend the uptime and the Time to Failure (T2F) on average by 40% in industrial systems and 35% in Electric-Bus applications. Keywords: Maintenance 4.0; Autonomous Machines; Uptime; Machine learning; Artificial Intelligence; Digital Twin.