Maintenance prédictive des microturbines à gaz : une approche par apprentissage automatique combinant détection de défauts et estimation de la durée de vie résiduelle

Details

Supervisors

Vande Kerckhove, Corentin

Faculty

Louvain School of Management

Degree label

Master [120] : ingénieur de gestion, à finalité spécialisée

Abstract

frCe mémoire présente le développement d'un prototype de maintenance prédictive pour les microturbines à gaz MITIS, en l'absence de données de défaillances réelles. Face à ce défi, une approche innovante combinant simulation physique et apprentissage automatique a été développée. Le modèle Simulink existant chez MITIS a été exploité pour générer 5552 simulations intégrant 12 types de défauts représentatifs. La méthodologie s'articule en deux phases complémentaires. Premièrement, un système de détection de défauts a été développé, atteignant un score F1 de 0.797 avec le modèle LightGBM optimisé. L'analyse temporelle révèle trois phases distinctes : une phase initiale entre 1 % et 30 % où la détection reste difficile, une phase intermédiaire de 30 % à 60% optimale pour la détection fiable, et une phase finale de 60 % à 90 % où les anomalies deviennent évidentes. Deuxièmement, l'estimation de la durée de vie restante (RUL) a été abordée par des modèles spécialisés selon le stade de dégradation, obtenant une erreur MAPE de 11% à 14% avec XGBoost et seulement 17 capteurs sur 36. Les contributions principales incluent l'identification du moment critique de détection fiable, la sélection optimale des capteurs physiques, et le développement d'un guide opérationnel pour l'estimation de la RUL. Cette approche établit le premier benchmark de maintenance prédictive pour les microturbines de 10 kW et démontre la viabilité de préparer des modèles data-driven avant l'arrivée des données de terrain.