Statistical learning methods for anomaly detection and predictive maintenance of high-power engines

Cette thèse, réalisée en partenariat entre Liebherr-Components Colmar et l’Université de Strasbourg, vise à développer des algorithmes de maintenance prédictive pour des moteurs diesel haute puissance. L’objectif principal est d’estimer la durée de vie restante (RUL) des filtres à huile en prenant compte de la censure des données. Après avoir présenté le cadre général de la fiabilité et des données disponibles, deux approches sont étudiées. La première, basée sur l’apprentissage statistique à partir des séries temporelles issues des capteurs moteurs, permet de fournir des estimations de RUL robustes malgré la censure. La seconde repose sur la détection de ruptures dans l’évolution du différentiel de pression afin d’identifier le début du colmatage et d’estimer la RUL des filtres de manière interprétable et peu coûteuse en calcul. Ces travaux montrent que l’estimation de la RUL peut s’appuyer aussi bien sur l’apprentissage des données que sur la détection de rupture.