Approche statistique pour le pronostic de défaillance : application à l'industrie du semi-conducteur

• Main Author: Nguyen, Thi Bich Lien
• Other Authors: Aix-Marseille
• Language: fr
• Published: 2016
• Subjects: Pronostic de défaillance; Indice de santé; Modélisation statistique; Processus stochastiques; Analyse multi-Variée; Fault prognostics; Health index; Statistical modelling; Stochastic process; Multivariate analysis
• Online Access: http://www.theses.fr/2016AIXM4310/document

Ce travail de thèse concerne le développement d'une méthode de pronostic de défaillance des systèmes de production en série. Une méthode de génération d'un indice de santé brut à partir d'un tenseur de données, appelée Méthode des Points Significatifs a été développée puis validée sur un exemple d'illustration. L'indice généré est ensuite traité par une nouvelle méthode appelée méthode des percentiles, qui permet de générer des profils monotones à partir d'un indice de santé brut. Les profils générés sont ensuite modélisés par un processus Gamma, et la fonction de densité de probabilité agrégée introduite dans ce travail a permis d'estimer le temps de vie résiduel (Remaining Useful Life (RUL)) dans un intervalle de confiance qui assure une marge de sécurité à l'utilisateur industriel. La méthode proposée est appliquée avec succès sur des données expérimentales issues des équipements de production industrielle. === This thesis develops a fault prognosis approach for Discrete Manufacturing Processes. A method of raw health index extraction from a data tensor, called Significant Points was developped and validated on an illustrative example. The generated index is later processed by a new method, called Percentile Method, which allows to generate the monotonic profiles from the raw health index. These profiles are then modelled by a Gamma process, and the aggregate probability density function introduced in this work allowed to estimate the Remaining Useful Life (RUL) in a confidence interval that ensures a safety margin for industrial users. The proposed method is applied successfully on the experimental data of industrial production machines.