Abstract:
Cette thése propose une méthodologie hybride alliant l’analyse des Modes de Défaillance, de leurs Effets et de leur Criticité(AMDEC/FMECA)aux Importances de variables issues du machine Learning pour renforcer la maintenance prédictive dans les systèmes industriels. Deux études de cas sont
menées: un moteur de véhicule léger(Dataset1)et une machine-outil CNC (Dataset2). Dans chaque cas, les importances statistiques extraites de divers algorithmes ML sont combinées aux cotations d’experts en Gravité(G), Occurrence(O)et Détectabilité (D)pour calculer un indice de criticité unifié (PRI).Nous comparons les classements AMDEC aux classements data-driven, analysons convergences et divergences, et priorisons les actions préventives en conséquence. Des métriques de performance(délai
moyen de détection, taux de pré-détection, réduction de sarrètes, cout de
maintenance par cycle)sont définies pour suivre l’efficacité du plan. Les
résultats montrent que ce cadre intégré identifie d manière fiable les modes
de défaillance les plus critiques lubrification, fuites, usure d’outil et
soutient une planification de maintenance robuste et´economiquement pertinente en conte xteIndustrie4.0.
