Amélioration du pronostic par apprentissage profond pour des applications de maintenance prédictive

Guillaume Chambaret (1) , Laure Berti-Equille (1, 2) , Frédéric Bouchara (1) , Emmanuel Bruno (1) , Vincent Martin , Fabien Chaillan

1 LIS - Laboratoire d'Informatique et des Systèmes (LIS) (Marseille, Toulon)
2 UMR 228 Espace-Dev, Espace pour le développement

In this article, we are interested in improving the prediction of the remaining useful operating time of a complex system whose state is represented by multivariate time series. We present and evaluate two approaches for measuring the improvement of the Remaining Useful Life (RUL) prediction using four different state-of-the-art machine learning approaches based on deep learning. The first method that we propose is based on re-sampling the training data set in order to reduce the errors locally. The second proposed method relies on automatically detecting and using break-points in the signals to improve the training step. We show that break-point detection techniques allow a significant improvement of the RUL prediction performance with gains of more than 27% on the mean absolute error (MAE) regardless of the neural architecture used, which demonstrates the genericity of our approach.

Dans cet article, nous nous intéressons à l'amélioration de la prédiction de la durée restante de fonctionnement utile d'un système complexe dont l'état est représenté par des séries temporelles de données multivariées. Notre contexte d'application est le domaine de la maintenance prédictive pour l'industrie navale. Nous présentons et évaluons deux approches différentes en mesurant l'amélioration de la prédiction de la durée de vie restante utile (Remaining Useful Life ou RUL) au moyen de quatre approches d'apprentissage automatique utilisant des réseaux de neurones profonds. La première méthode que nous proposons s'appuie sur un ré-échantillonnage de la base d'apprentissage afin de réduire localement les erreurs. La deuxième méthode proposée s'intéresse à la détection automatique et l'utilisation d'un point de rupture dans le signal multivarié pour améliorer la phase d'entraînement. Nous montrons que les techniques de détection de points de rupture permettent une amélioration significative de la performance de prédiction des durées de vie restantes avec des gains allant jusqu'à 27 % sur l'erreur moyenne absolue (MAE) quel que soit le réseau utilisé, ce qui démontre la généricité et l'intérêt de notre approche.

Domaines: Informatique [cs]

Guillaume Chambaret, Laure Berti-Equille, Frédéric Bouchara, Emmanuel Bruno, Vincent Martin, et al.. Amélioration du pronostic par apprentissage profond pour des applications de maintenance prédictive. EGC 2021, Jan 2021, Montpellier, France. ⟨hal-03520426⟩