Stratégies intelligentes de maintenance en production manufacturière dans le contexte de l’économie circulaire

Diao, El hadji Oumar (2023). Stratégies intelligentes de maintenance en production manufacturière dans le contexte de l’économie circulaire. Mémoire de maîtrise électronique, Montréal, École de technologie supérieure.

Prévisualisation

PDF Télécharger (3MB) | Prévisualisation

Résumé

L’économie circulaire est devenue de nos jours une approche innovatrice pour la gestion des ressources naturelles. Cette approche est de plus en plus intégrée en milieu industriel car elle permet de satisfaire les exigences environnementales. Dans ce contexte, une maintenance intelligente pourra améliorer la performance des équipements de production. Ainsi dans ce mémoire notre but sera de proposer une stratégie de maintenance intelligente de type prédictive afin de déterminer l’état des composants dans les prochaines 24h. Le modèle prédictif obtenu fournira des probabilités de défaillances de ces composants. Plusieurs contextes manufacturiers seront considérés où nous aurons des composants disposés en série, en parallèle ou en série et parallèle. Pour chaque disposition nous chercherons à optimiser la production, l’inventaire et le plan de maintenance préventive tout en prenant en compte le recyclage lors d’une maintenance préventive. Les bénéfices réalisés sur chaque dispositif seront comparés entre eux afin de déterminer l’impact de la maintenance prédictive dans une entreprise manufacturière.

Nous avons donc mis en place deux modèles dont le premier est un modèle de prédiction de défaillance et le second est un modèle d’optimisation. En ce qui concerne le modèle de prédiction, il utilise un pipeline constitué de données prétraitées et un modèle de classifieur utilisant quatre algorithmes que sont la LR (Logistic Regression) ou régression logistique, la RF (Random Forest) ou forêt aléatoire, l’AdaBoost (Adaptive Boosting) et le KNN (K Nearest Neighbors) ou les k plus proches voisins. Une analyse de la performance est établie afin de déterminer le meilleur modèle capable de classifier la défaillance d’un type de composant. Les résultats de ce premier modèle ont fourni les probabilités de défaillance de chaque composant. Ces probabilités ont été exploiter dans la construction du modèle d’optimisation. Une MIQP (Mixed-Integer Quadratic Programming) ou programmation quadratique en nombres entiers mixtes a été développée dans le modèle d’optimisation.

La construction de ces modèles a nécessité plusieurs techniques et outils dont la collecte de données télémétriques, l’apprentissage automatique supervisé et l’utilisation du solveur de LINGO 19.0. Dans ce mémoire nous avons présenté en premier lieu le contexte de notre étude dans le chapitre 1, suivi d’une revue de la littérature traitée dans le chapitre 2. Les leviers de mise en place de la maintenance prédictive ont été abordés dans le chapitre 3. En ce qui concerne le modèle prédictif, il a été traité dans le chapitre 4, ensuite plusieurs configurations industrielles ont été défini et enfin un modèle d’optimisation a été présenté dans le chapitre 5 exploitant les résultats du modèle prédictif associé à l’économie circulaire.

Titre traduit

Intelligent maintenance strategies in manufacturing production within the context of the circular economy

Résumé traduit

Circular economy has become an innovative approach for natural resource management nowadays. This approach is increasingly integrated in industrial settings as it enables meeting environmental requirements. In this context, intelligent maintenance can enhance the performance of production equipment. Therefore, the aim of this dissertation is to propose a predictive intelligent maintenance strategy to determine the condition of components within the next 24 hours. The predictive model obtained will provide probabilities of component failures. Several manufacturing contexts will be considered, where components are arranged in series, parallel, or series-parallel configurations. For each arrangement, we will seek to optimize production, inventory, and preventive maintenance plans while considering recycling during preventive maintenance. The benefits achieved for each configuration will be compared to determine the impact of predictive maintenance in a manufacturing company.

We have therefore established two models, the first being a failure prediction model and the second an optimization model. Regarding the prediction model, it utilizes a pipeline consisting of preprocessed data and a classifier model using four algorithms: Logistic Regression (LR), Random Forest (RF), Adaptive Boosting (AdaBoost), and K Nearest Neighbors (KNN). An analysis of performance is conducted to determine the best model capable of classifying the failure of a component type. The results of this first model provide the failure probabilities for each component. These probabilities are then utilized in constructing the optimization model, which employs Mixed-Integer Quadratic Programming (MIQP).

The construction of these models required several techniques and tools, including telemetry data collection, supervised machine learning, and the utilization of the LINGO 19.0 solver. In this dissertation, we first present the context of our study in Chapter 1, followed by a literature review in Chapter 2. The implementation drivers of predictive maintenance are addressed in Chapter 3. As for the predictive model, it is discussed in Chapter 4, followed by the definition of various industrial configurations, and finally, an optimization model is presented in Chapter 5, leveraging the results of the predictive model in association with the circular economy.

Type de document:	Mémoire ou thèse (Mémoire de maîtrise électronique)
Renseignements supplémentaires:	"Mémoire présenté à l’École de technologie supérieure comme exigence partielle à l’obtention de la maitrise en génie de la production automatisée". Comprend des références bibliographiques (pages 149-155).
Mots-clés libres:	planification de maintenance, maintenance intelligente, maintenance prédictive, apprentissage automatique, MIQP, économie circulaire
Directeur de mémoire/thèse:	Directeur de mémoire/thèse Kenné, Jean-Pierre
Programme:	Maîtrise en ingénierie > Génie de la production automatisée
Date de dépôt:	08 déc. 2023 17:10
Dernière modification:	08 déc. 2023 17:10
URI:	https://espace.etsmtl.ca/id/eprint/3322

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt