Développement et optimisation des stratégies de réponse à l’obsolescence via des modèles prédictifs

Résumé

La popularité des appareils électroniques a incité la recherche à implémenter des composants pouvant améliorer leurs performances et l'évolutivité. Au cours des dernières décennies, la technologie électronique s'est développée très rapidement, ce qui a raccourci la durée de vie des composants par rapport à la durée de vie du produit dans lequel ils se trouvent, tels que les avions, les systèmes militaires, etc. Le soutien et la maintenance des systèmes contenant certains composants obsolètes sont souvent difficiles à effectuer et coûteux. De ce fait, plusieurs entreprises sont confrontées à des défis importants pour affronter ce problème généralement soudain et non planifié. Afin de faire face à l’obsolescence, la prévision apparaît comme l’une des solutions les plus efficaces, qui joue un rôle clé dans les niveaux de gestion proactive et stratégique et permet aux entreprises d’assurer le support des pièces en service. Cette thèse propose des méthodes de prévision de l’obsolescence sur une grande échelle de composants électroniques, et s’intéresse aux différents types de prévision de l’obsolescence: la prévision du risque et la prévision du cycle de vie. La première partie de la thèse porte sur la prévision du risque d’obsolescence. Elle introduit l’apprentissage machine et mène une comparaison de différents algorithmes, qui sont capables de prévoir le risque d'obsolescence d'un large échantillon de composants électroniques. Cette étude a démontré que l’algorithme forêt aléatoire (en anglais : random forest RF) est le meilleur classificateur. Cette recherche porte également sur le développement d'une approche basée sur deux algorithmes d’optimisation métaheuristiques : l’algorithme génétique (GA) et l’algorithme d’optimisation par essaims particulaires qui jouent sur l’optimisation des paramètres de l’algorithme forêt aléatoire afin d'améliorer sa performance. Les résultats expérimentaux obtenus montrent que GA-RF surpasse les autres algorithmes. La seconde partie de la modélisation du risque quant à elle, vise à combiner l’apprentissage non-supervisé avec l’apprentissage supervisé afin de créer des groupes identifiés à partir d’une évaluation du risque. La deuxième partie de la thèse porte sur la prévision de cycle de vie de l'obsolescence. Elle présente une analyse des lacunes et limites des approches actuelles et propose une méthode permettant de mieux prévoir le cycle de vie des composants. La méthode proposée introduit une approche stochastique pour estimer le cycle de vie de l'obsolescence en utilisant la chaîne de Markov et le processus de poisson composé. Cette approche utilise les différentes phases du cycle de vie en fonction du changement du taux de la demande et elle introduit la théorie de Markov cachée pour estimer les paramètres du modèle. Nous démontrons l'approche proposée et soulignons ses avantages ainsi que ses inconvénients.

Date	11 oct. 2020
langue originale	Français
Établissement diplômant	École de technologie supérieure
Superviseur	Yvan Beauregard (Directeur(-trice)) & Thien-My Dao (Codirecteur(-trice))