Contribution au diagnostic et à l'optimisation des stratégies de maintenance des systémes industriels.

Abstract

Cette th ese est divis ee en deux parties. La premi ere partie consid ere le probl eme des syst emes de surveillance. L'architecture propos ee du syst eme de surveillance int egre un module de d etection et un module de diagnostic a n de surveiller et d'analyser l' etat actuel du syst eme pour aider a la prise de d ecisions d'actions de maintenance. N eanmoins, un ensemble de donn ees avec un grand nombre de r egles de production ne diminuent plus seulement la vitesse d'apprentissage, mais permettent toutefois de confondre le classi eur a cause des r egles inutilisables ou redondantes. Pour traiter ce probl eme, la m ethode de s election a et e propos ee. Des exp eriences r ealis ees sur deux bases de donn ees r eelles, pour les probl emes binaires et multi-classes, ont montr e que notre approche (Fuzzy Levenberg-Marquardt-GA) atteint de bonnes performances de classi cation en comparaison avec d'autres algorithmes d'apprentissage. Dans la deuxi eme partie, nous avons propos e une strat egie de maintenance s elective pour un syst eme requis pour e ectuer une s erie de missions avec des arr^ets nis entre deux missions successives. Pendant ces arr^ets, les actions de maintenance peuvent ^etre r ealis ees sur certains composants du syst eme. Un mod ele d'optimisation math ematique de la maintenance s elective a et e ensuite propos e et dont l'objectif est de maximiser la abilit e du syst eme a ex ecuter sa prochaine mission, en tenant compte des contraintes de budget et du temps allou es a la maintenance.