Développement et optimisation des stratégies de réponse à l’obsolescence via des modèles prédictifs

Grichi, Yosra (2020). Développement et optimisation des stratégies de réponse à l’obsolescence via des modèles prédictifs. Thèse de doctorat électronique, Montréal, École de technologie supérieure.

Prévisualisation

PDF Télécharger (1MB) | Prévisualisation

Résumé

La popularité des appareils électroniques a incité la recherche à implémenter des composants pouvant améliorer leurs performances et l'évolutivité. Au cours des dernières décennies, la technologie électronique s'est développée très rapidement, ce qui a raccourci la durée de vie des composants par rapport à la durée de vie du produit dans lequel ils se trouvent, tels que les avions, les systèmes militaires, etc. Le soutien et la maintenance des systèmes contenant certains composants obsolètes sont souvent difficiles à effectuer et coûteux. De ce fait, plusieurs entreprises sont confrontées à des défis importants pour affronter ce problème généralement soudain et non planifié. Afin de faire face à l’obsolescence, la prévision apparaît comme l’une des solutions les plus efficaces, qui joue un rôle clé dans les niveaux de gestion proactive et stratégique et permet aux entreprises d’assurer le support des pièces en service.

Cette thèse propose des méthodes de prévision de l’obsolescence sur une grande échelle de composants électroniques, et s’intéresse aux différents types de prévision de l’obsolescence: la prévision du risque et la prévision du cycle de vie. La première partie de la thèse porte sur la prévision du risque d’obsolescence. Elle introduit l’apprentissage machine et mène une comparaison de différents algorithmes, qui sont capables de prévoir le risque d'obsolescence d'un large échantillon de composants électroniques. Cette étude a démontré que l’algorithme forêt aléatoire (en anglais : random forest RF) est le meilleur classificateur. Cette recherche porte également sur le développement d'une approche basée sur deux algorithmes d’optimisation métaheuristiques : l’algorithme génétique (GA) et l’algorithme d’optimisation par essaims particulaires qui jouent sur l’optimisation des paramètres de l’algorithme forêt aléatoire afin d'améliorer sa performance. Les résultats expérimentaux obtenus montrent que GA-RF surpasse les autres algorithmes. La seconde partie de la modélisation du risque quant à elle, vise à combiner l’apprentissage non-supervisé avec l’apprentissage supervisé afin de créer des groupes identifiés à partir d’une évaluation du risque.

La deuxième partie de la thèse porte sur la prévision de cycle de vie de l'obsolescence. Elle présente une analyse des lacunes et limites des approches actuelles et propose une méthode permettant de mieux prévoir le cycle de vie des composants. La méthode proposée introduit une approche stochastique pour estimer le cycle de vie de l'obsolescence en utilisant la chaîne de Markov et le processus de poisson composé. Cette approche utilise les différentes phases du cycle de vie en fonction du changement du taux de la demande et elle introduit la théorie de Markov cachée pour estimer les paramètres du modèle. Nous démontrons l'approche proposée et soulignons ses avantages ainsi que ses inconvénients.

Titre traduit

Development and optimization of strategies for obsolescence response via predictive models

Résumé traduit

The popularity of electronic devices has sparked research to implement components that can achieve better performance and scalability. During the last decades, electronic technology has developed very rapidly, which made the life cycle of the components very short compared to the product life cycle. Support and maintenance of systems containing certain obsolete components is often difficult and costly. Due to this problem, companies face significant challenges when they use systems with a long life cycle. To overcome this problem, forecasting appears to be one of the most efficient solutions. It plays a key role in proactive and strategic management levels. Through obsolescence forecasting, companies can ensure support of parts in service.

This thesis proposes methods for obsolescence forecasting using different types of forecasting, obsolescence risk forecasting and life cycle forecasting. The first part of the thesis focuses on obsolescence risk forecasting. It introduces machine learning applied for obsolescence of electronic components and presents a comparison of different algorithms that are capable to forecast obsolescence risk of a large sample of data. Random forest algorithm has shown a high degree of accuracy for obsolescence risk forecasting. This research focuses also on developing an approach based on two meta-heuristic methods which are: genetic algorithm (GA) and particle swarm optimization (PSO) which search for optimal parameters and features selection to construct random forest (RF). This approach was proven to optimize the parameter of RF as well as identify the right features extraction to improve the accuracy of RF. The experimental results obtained show that GA-RF outperform the other algorithms. The second phase of risk modeling aims to combine unsupervised learning with supervised learning in order to create groups of risk assessment.

The second part of this thesis focuses on the obsolescence life cycle forecasting. It presents a review of gaps and limits in the actual approaches and proposes a method that can better forecast the life cycle. The proposed method introduces a stochastic approach to estimate the obsolescence life cycle using Markov chain and homogeneous compound Poisson process. This approach uses multiple states of the life cycle curve based on the change in demand rate and introduces hidden Markov theory to estimate the model parameters. We demonstrate the proposed approach and highlights its benefits and limitations.

Type de document:	Mémoire ou thèse (Thèse de doctorat électronique)
Renseignements supplémentaires:	"Thèse par articles présenté à l’École de technologie supérieure comme exigence partielle à l’obtention du doctorat en génie". Comprend des références bibliographiques (pages 137-146).
Mots-clés libres:	obsolescence, cycle de vie, prévision, optimisation, apprentissage machine
Directeur de mémoire/thèse:	Directeur de mémoire/thèse Beauregard, Yvan
Codirecteur:	Codirecteur Dao, Thien-My
Programme:	Doctorat en génie > Génie
Date de dépôt:	22 mars 2021 17:37
Dernière modification:	22 mars 2021 17:37
URI:	https://espace.etsmtl.ca/id/eprint/2646

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt