DFT — Digital Failure Twin pour l'évaluation de la fiabilité et la maintenance prédictive des futurs systèmes de fabrication

Assurer une fiabilité élevée avec de faibles coûts d'exploitation est une exigence opérationnelle importante pour les futurs systèmes de fabrication (par exemple, une usine intelligente, des lignes de production intelligentes). Les approches de fiabilité traditionnelles, cependant, ne peuvent pas être appliquées directement, car elles nécessitent une grande quantité de données de défaillance historiques, qui ne sont souvent pas disponibles pour les futurs systèmes de fabrication. Pour combler cette lacune, ce projet vise à développer de nouvelles approches pour améliorer la fiabilité et réduire les coûts opérationnels des futurs systèmes de fabrication grâce à une évaluation de la fiabilité en ligne et à une planification de maintenance prédictive basée sur des jumeaux numériques. Tout d'abord, un modèle basé sur le jumeau numérique (appelé jumeau de défaillance numérique) sera développé pour simuler le comportement de défaillance des futurs systèmes de fabrication. En combinant des jumeaux numériques avec des modèles de défaillance, le jumeau de défaillance numérique pourrait permettre d'évaluer la fiabilité sans avoir besoin de données de défaillance historiques. Ensuite, un cadre bayésien sera développé pour la mise à jour en ligne de la fiabilité sur la base des données de surveillance de l'état des capteurs. Grâce au mécanisme de mise à jour en ligne, la méthode développée fournira des évaluations de fiabilité plus précises. Troisièmement, nous proposerons une approche basée sur l'apprentissage par transfert pour la prévision de la remaining useful life et la planification de la maintenance prédictive basée. L'approche développée pourrait réduire considérablement la quantité de données d'entraînement requises, car un modèle pourrait être pré-entraîné sur la base des données d'entraînement simulées du jumeau de défaillance numérique, puis affiné en fonction des données de surveillance de l'état collectées en ligne via l'apprentissage par transfert. En collaborat