Canada Spends Logo

Explorez notre analyse du budget 2026

Grant: Discovery Grants Program - Individual

École Polytechnique de Montréal

$52,000.00

Développement de méthodes rationnelles de maintenance proactive de systèmes industriels

EF 2023-24

Résumé
La maintenance proactive est une stratégie de gestion du vieillissement de systèmes industriels qui met à contribution leurs historiques d'exploitation et l'optimisation de leurs performances en termes de sécurité, fiabilité, disponibilité, et coûts. Les gestionnaires de maintenance disposent de plus en plus de données d'exploitation, d'environnement, de surveillance et d'intervention en maintenance. Plusieurs méthodes de diagnostic de défaillance et de pronostic de l'état de performance d'un système sont offertes. Ces méthodes aident les gestionnaires à modéliser l'état de performance d'un système, avec une certaine incertitude, et à prédire à long terme l'évolution de cet état en prenant l'hypothèse du continuum des conditions d'usage actuel, de leurs interactions et de l'efficacité des interventions de maintenance. Hors, la performance réelle d'un système est assujettie à de nombreux changements au cours du temps. De plus, lorsque les modes de défaillance sont inter reliés ou que l'effet de la maintenance est mal connu, une forte non linéarité apparait dans le comportement du système rendant confus l'interprétation des résultats du modèle. L'objectif de ce programme est de développer des méthodes rationnelles de diagnostic de modes de défaillance et de pronostic de la performance permettant d'interpréter, non seulement l'état actuel d'un système, mais aussi l'évolution de sa performance à travers le temps. Ces méthodes tirent profit des techniques émergentes en analyse statistique et en intelligence artificielle telles que les analyses de régression, les réseaux de neurones profonds et les arbres de décision. Le choix des meilleures techniques en fonction des données disponibles et l'interprétation possible des résultats restent des problèmes cruciaux pour les gestionnaires de maintenance. Les développements proposés couvrent la fusion des données d'exploitation et de maintenance sous forme de séries chronologiques multivariées; le traitement préliminaire des données afin d'identifier et supprimer les anomalies; la modélisation de l'état de performance d'un système ou son duel dans le but d'interpréter la causalité révélée par les modèles; et l'optimisation de la performance globale d'un système sur le long terme. L'originalité du programme réside dans la mise en évidence du concept de gestion de la pérennité des systèmes industriels dans le développement de méthodes proactives de maintenance; la cohérence de ses objectifs de recherche partant de la fusion des données jusqu'à l'optimisation de la performance globale sur le long terme; et le fort pouvoir descriptif et interprétatif des récentes techniques d'intelligence artificielle sur des problèmes de classification supervisée et non supervisée. Ceci offrira aux gestionnaires de maintenance une interprétation rationnelle du vieillissement et des moyens efficaces pour ajuster leurs plans de gestion de la pérennité sur le plus long terme.
Programme
Discovery Grants Program - Individual
Emplacement
Quebec, Canada
Type de bénéficiaire
Academia
Type
Grant
Source
NSERC's Awards Data

Tel que publié

Application id
RGPIN-2019-07064
Name nom
Ouali, Mohamed-Salah
Department département
Mathématiques et génie industriel
Organization id
64
Institution établissement
École Polytechnique de Montréal
Province en
Québec
Province fr
Québec
Country en
CANADA
Country fr
CANADA
Fiscal year exercice financier
2023
Competition year année de concours
2019
Award amount
52000
Program id
RGPIN
Program name en
Discovery Grants Program - Individual
Program name fr
Programme de subventions à la découverte - individuelles
Group en
DISCOVERY RESEARCH
Group fr
RECHERCHE AXÉE SUR LA DÉCOUVERTE
Committee code
1509
Committee name en
Civil, Industrial and Systems Engineering
Committee name fr
Génie civil, industriel et des systèmes
Area of application code
500
Area of application group en
Manufacturing processes and products
Area of application group fr
Procédés et produits industriels
Area of application en
Manufacturing processes and products
Area of application fr
Procédés et produits industriels
Research subject code
2800
Research subject group en
Artificial intelligence
Research subject group fr
Artificial intelligence (computer vision, use2603)
Research subject en
Intelligence artificielle
Research subject fr
Intelligence artificielle (vision artificielle, utiliser 2603)
Application title
Développement de méthodes rationnelles de maintenance proactive de systèmes industriels
Keyword
Intelligence artificielle; Maintenance proactive; Méthodes rationnelles; Optimisation de performance; Systèmes vieillissants
Application summary
La maintenance proactive est une stratégie de gestion du vieillissement de systèmes industriels qui met à contribution leurs historiques d'exploitation et l'optimisation de leurs performances en termes de sécurité, fiabilité, disponibilité, et coûts. Les gestionnaires de maintenance disposent de plus en plus de données d'exploitation, d'environnement, de surveillance et d'intervention en maintenance. Plusieurs méthodes de diagnostic de défaillance et de pronostic de l'état de performance d'un système sont offertes. Ces méthodes aident les gestionnaires à modéliser l'état de performance d'un système, avec une certaine incertitude, et à prédire à long terme l'évolution de cet état en prenant l'hypothèse du continuum des conditions d'usage actuel, de leurs interactions et de l'efficacité des interventions de maintenance. Hors, la performance réelle d'un système est assujettie à de nombreux changements au cours du temps. De plus, lorsque les modes de défaillance sont inter reliés ou que l'effet de la maintenance est mal connu, une forte non linéarité apparait dans le comportement du système rendant confus l'interprétation des résultats du modèle. L'objectif de ce programme est de développer des méthodes rationnelles de diagnostic de modes de défaillance et de pronostic de la performance permettant d'interpréter, non seulement l'état actuel d'un système, mais aussi l'évolution de sa performance à travers le temps. Ces méthodes tirent profit des techniques émergentes en analyse statistique et en intelligence artificielle telles que les analyses de régression, les réseaux de neurones profonds et les arbres de décision. Le choix des meilleures techniques en fonction des données disponibles et l'interprétation possible des résultats restent des problèmes cruciaux pour les gestionnaires de maintenance. Les développements proposés couvrent la fusion des données d'exploitation et de maintenance sous forme de séries chronologiques multivariées; le traitement préliminaire des données afin d'identifier et supprimer les anomalies; la modélisation de l'état de performance d'un système ou son duel dans le but d'interpréter la causalité révélée par les modèles; et l'optimisation de la performance globale d'un système sur le long terme. L'originalité du programme réside dans la mise en évidence du concept de gestion de la pérennité des systèmes industriels dans le développement de méthodes proactives de maintenance; la cohérence de ses objectifs de recherche partant de la fusion des données jusqu'à l'optimisation de la performance globale sur le long terme; et le fort pouvoir descriptif et interprétatif des récentes techniques d'intelligence artificielle sur des problèmes de classification supervisée et non supervisée. Ceci offrira aux gestionnaires de maintenance une interprétation rationnelle du vieillissement et des moyens efficaces pour ajuster leurs plans de gestion de la pérennité sur le plus long terme.