Methodologies for time series analysis under aleatoric and epistemic uncertainties for structural health monitoring and prognostics
Méthodologies d’analyse de séries temporelles sous incertitudes aléatoires et épistémiques pour le suivi et le pronostic de l’état de systèmes et structures - De l’estimation d’une cinétique d’endommagement à son contrôle
Résumé
In this habilitation, I propose a synthesis of my research findings on time series analysis methodologies for monitoring equipments, especially rotating machines and composite structures. The illustrations relate to structures at various scales (laboratory, semi-structural), to benchmarks and to industrial applications. After a synthesis of research and teaching activities, three chapters present the state of the art, the methods and the main results obtained. The first chapter describes a state of the art in PHM (Prognostics and Health Management) and SHM (Structural Health Monitoring). Special attention is given to the evolution of PHM / SHM with the advent of Industry 4.0 accompanied by recent developments in both information gathering technologies and data analysis methods. The second chapter is dedicated to the presentation of contributions to PHM. They concern pattern recognition methods for PHM validated by benchmarking or tested on real data from industrial applications. The specificity of the proposed models particularly concerns the use of formalisms for the representation of uncertainties based on the theory of belief functions or computational geometry. The third chapter depicts the contributions for monitoring composites under fatigue loading using acoustic emission. A methodology is proposed taking as starting point the raw acoustic emission streaming coming from multiple sensors arranged on structures. It includes a real-time processing of streaming by wavelets and classification (unsupervised or partially supervised) into acoustic emissions sources. The issue of robust unsupervised classification from massive data is addressed to help materials scientists to select the correct parameterisation of a pattern recognition chain. The post-HDR project is on integrated approaches for SHM using micromachined ultrasonics transducers developed at FEMTO-ST.
Dans ce manuscrit d’habilitation à diriger des recherches, je propose une synthèse de mes travaux de recherche de 2008 à 2016, portant sur des méthodologies d’analyse de séries temporelles pour la surveillance d’équipements, en particulier les machines tournantes et les structures composites. En fonction des travaux concernés, les illustrations portent sur des éprouvettes de laboratoire, des pièces semi-structurales, des benchmarks ou encore des applications industrielles dans le cadre de partenariats. Après une synthèse des activités de recherche, d’enseignement et des tâches d’intérêt collectif, trois chapitres permettent de présenter l’état de l’art, la démarche et les principaux résultats obtenus. Le premier chapitre desse un état de l’art des approches de suivi de santé et de pronostic dans les disciplines du PHM (Prognostics and Health Management) et du SHM (Structural Health Monitoring). Une attention particulière est portée à l’évolution du PHM/SHM avec l’avènement de l’industrie 4.0 accompagné par l’évolution récente à la fois des technologies de collecte de l’information et des méthodes d’analyse de données. Le second chapitre est dédié à la présentation des contributions au PHM. Elles reposent sur des modèles de reconnaissance de formes adaptés aux problématiques du PHM validés par benchmarking ou testés sur des données réelles issues d’applications industrielles. La spécificité de ces modèles concerne notamment l’emploi de formalismes pour la représentation des incertitudes basés sur la théorie des fonctions de croyance ou sur la géométrie computationnelle. Le troisième chapitre dépeint les contributions en caractérisation et suivi de santé en fatigue de structures composites basés sur la technique de l’émission acoustique. Une méthodologie est proposée prenant comme point de départ les flux bruts issus de multiples capteurs disposés sur des structures tubulaires. Des traitements temps réel de ces flux permettent l’extraction des formes d’ondes et leur classification (non supervisée ou partiellement supervisée) en sources d’émissions acoustiques. La problématique de la classification non-supervisée robuste est abordée pour aider à la caractérisation des matériaux à partir des données massives issues de cette technique. Un lien avec la mécanique de la rupture et la physique des sources est enfin initié permettant d’alimenter le projet post-HDR sur la nécessité d’approches intégrées pour le SHM. Un ensemble de publications complètent le manuscrit sur lesquelles s’appuient les chapitres précédents et permettant de donner au lecteur une vision détaillée des activités menées pendant la période post-doctorale.
Origine : Fichiers produits par l'(les) auteur(s)
Loading...