Nicolas Cheifetz

• SideBar

Print

• Comment venir à l'IFSTTAR ? - en RER, en voiture
  
  

=== Jury ===

• M. Patrice AKNIN, Directeur de Recherche à l'IFSTTAR, Directeur de thèse
• M. Jean-Laurent FRANCHINEAU, Directeur de Programme à l'IEED VeDeCoM, Invité
• Mme. Nadine MARTIN, Directrice de Recherche CNRS à Gipsa-Lab, Examinatrice
• M. Mohamed NADIF, Professeur à l'Université Paris Descartes, Rapporteur
• M. Igor NIKIFOROV, Professeur à l'Université de Technologie de Troyes (UTT), Rapporteur
• M. Allou SAMÉ, Chargé de Recherche à l'IFSTTAR, Encadrant de thèse

=== Résumé ===

De nos jours, les systèmes de transport ont la nécessité d’être exploités à un haut niveau de sécurité et de fiabilité. On constate notamment un besoin croissant d’outils de surveillance et d’aide à la maintenance préventive de certains sous-systèmes critiques. Menée dans le cadre du projet EBSF (European Bus System of the Future, FP7), cette thèse aborde la problématique de surveillance de deux sous-systèmes d’autobus impactant fortement la disponibilité des véhicules et leurs coûts de maintenance : le système de freinage et les portes d’accès. L’approche à base de reconnaissance des formes, qui s'appuie sur l'analyse de données collectées en exploitation, est privilégiée dans ces travaux de thèse. La méthodologie de détection appliquée aux freins s’appuie sur une modélisation dynamique du véhicule afin d’extraire des descripteurs physiques liés au freinage. Des cartes de contrôle multivariées opérant sur ces descripteurs sont alors employées afin de détecter toute anomalie. La stratégie de détection appliquée aux portes traite directement les courbes, qui sont collectées par des capteurs embarqués pendant des cycles d’ouverture et fermeture. On propose un test séquentiel du rapport de vraisemblance généralisé, qui repose sur un modèle paramétrique de régression à segmentation latente, pour résoudre ce problème de détection. Une approche d’aide au diagnostic à base de détecteurs locaux est également mise en œuvre. Les résultats obtenus à partir de données réelles collectées sur une flotte de bus ont permis de mettre en évidence l'efficacité des méthodes proposées aussi bien pour l'étude des freins que celle des portes.

=== Title ===

Detection and classification of temporal CAN signatures
to support maintenance of public transportation vehicle subsystems

=== Abstract ===

Nowadays, transportation systems need to be operated with a high level of security and reliability. There is an increasing need for tools to monitor and support the preventive maintenance of some critical subsystems. Within the EBSF (European Bus System of the Future, FP7) project, this PhD work addresses the monitoring issue on two bus subsystems strongly impacting the availability of the vehicles and their maintenance costs: the brake and door systems. The pattern recognition approach, based on the analysis of operating data, is favored in this work. The detection methodology dedicated to the brake systems uses a dynamic model of the vehicle to extract physical features related to the brakes. These features are used as inputs to multivariate control charts which are used to detect any anomalies. The detection strategy dedicated to the door systems directly handles the functional data, which are collected by embedded sensors during opening and closing cycles. A sequential testing of generalized likelihood ratio, based on a parametric regression model with latent segmentation, is proposed to solve the detection issue. An approach to support the diagnosis task, based on local detectors, is also implemented. The results gained from a real dataset collected on a fleet of buses allow to highlight the effectiveness of the proposed methods for the brake study as well as the door study.