Maintenance prédictive utilisant des jumeaux numériques : une revue systématique de la littérature

La maintenance prédictive est une technique visant à créer une industrie plus durable, sûre et rentable. L'un des principaux défis de la création de systèmes de maintenance prédictive est le manque de données de défaillance, car la machine est souvent réparée avant la défaillance. Les jumeaux numériques fournissent une représentation en temps réel de la machine physique et génèrent des données, telles que la dégradation des actifs, que l'algorithme de maintenance prédictive peut utiliser. Depuis 2018, la littérature scientifique sur l'utilisation des jumeaux numériques pour la maintenance prédictive s'est accélérée, indiquant la nécessité d'une revue approfondie. Cette recherche vise à rassembler et synthétiser les études se concentrant sur la maintenance prédictive utilisant des jumeaux numériques afin d'ouvrir la voie à des recherches ultérieures. Une revue systématique de la littérature (RSL) utilisant un outil d'apprentissage actif a été réalisée sur des études primaires publiées sur la maintenance prédictive utilisant des jumeaux numériques, dans lesquelles 42 études primaires ont été analysées. Cette RSL identifie plusieurs aspects de la maintenance prédictive utilisant des jumeaux numériques, y compris les objectifs, les domaines d'application, les plateformes de jumeaux numériques, les types de représentation des jumeaux numériques, les approches, les niveaux d'abstraction, les modèles de conception, les protocoles de communication, les paramètres de jumelage, et les défis ainsi que les orientations de solutions. Ces résultats contribuent à une approche d'ingénierie logicielle pour le développement de maintenance prédictive utilisant des jumeaux numériques dans le milieu académique et l'industrie. Cette étude est la première RSL en maintenance prédictive utilisant des jumeaux numériques. Nous répondons à des questions clés pour concevoir un modèle de maintenance prédictive réussi en tirant parti des jumeaux numériques. Nous avons constaté qu'à ce jour, la charge computationnelle, la variété des données et la complexité des modèles, des actifs ou des composants sont les principaux défis dans la conception de ces modèles.