Contribution à l’élaboration d'une stratégie de maintenance prévisionnelle basée sur l'IoT : application à l'industrie biopharmaceutique
Langue Français
Accéder au document

Ce document est protégé en vertu du Code de la Propriété Intellectuelle.

Modalités de diffusion de la thèse :
  • Thèse consultable sur internet, en texte intégral.
  • Thèse avec 2 versions : seule la version intégrale est proposée ; sur authentification (communication intranet).
 
Auteur : Wadel, Florent
Date de soutenance : 27-05-2025

Directeur(s) de thèse : Houssin, Rémy - Coulibaly, Amadou

Président : Di Mascolo, Maria
Rapporteur(s) : Di Mascolo, Maria - Hajej, Zied
Membre(s) du jury : Simeu-Abazi, Zineb - Derigent, William

Établissement de soutenance : Strasbourg
Laboratoire : Laboratoire des sciences de l'ingénieur, de l'informatique et de l'imagerie (Strasbourg ; 2013-....)
École doctorale : École doctorale Mathématiques, sciences de l'information et de l'ingénieur (Strasbourg ; 1997-....)
 
Discipline : Génie industriel
Classification : Fabrication industrielle

Mots-clés libres : Maintenance prévisionnelle, Internet des Objets, Pronostic Health, Management, Industrie 4.0, Biopharmaceutique, Machine Learning
Mots-clés :
  • Entretien - Prévision
  • Internet des objets
  • Biopharmacie
Résumé : Cette thèse, réalisée en collaboration entre OCTAPHARMA SAS et l’équipe CSIP du laboratoire iCube, étudie la transition vers la maintenance prédictive dans l’industrie biopharmaceutique, en réponse à l’évolution des besoins du secteur dans le cadre de l’Industrie 4.0. En s’appuyant sur l’Internet des Objets et le cadre générique du Pronostic Health Management, l’étude propose une méthodologie permettant d’anticiper les défaillances des membranes de vannes pneumatiques, des composants essentiels aux systèmes de production de fluides. L’état de l’art met en évidence un retard dans l’adoption des stratégies de maintenance basées sur l’IOT dans le domaine biopharmaceutique, soulignant ainsi une opportunité majeure de contribution scientifique. Au travers d’une analyse de données, de l’extraction de motifs représentatifs et de l’utilisation de techniques d’apprentissage automatique, un modèle de dégradation est développé pour estimer la durée de vie restante des équipements. Enfin, une stratégie de maintenance hybride, combinant approches systématique et prédictive, est proposée afin d’améliorer la fiabilité et de réduire les coûts opérationnels.
 
Type de contenu : Text
Format : PDF
 
Entrepôt d'origine : STAR : dépôt national des thèses électroniques françaises
Identifiant : 2025STRAD005
Type de ressource : Thèse