Ball bearings are one of the most critical components of rotating machines. They ensure shaft support and friction reduction, thus their malfunctioning directly affects the machine’s performance. As a consequence, it is necessary to monitor the health conditions of such a component to avoid major degradations which could permanently damage the entire machine. In this context, HMS (Health Monitoring Systems) and PHM (Prognosis and Health Monitoring) methodologies propose a wide range of algorithms for bearing diagnosis and prognosis. The present article proposes an end-to-end PHM approach for ball bearing RUL (Remaining Useful Life) estimation. The proposed methodology is composed of three main steps: HI (Health Indicator) construction, bearing diagnosis and RUL estimation. The HI is obtained by processing non-stationary vibration data with the MODWPT (Maximum Overlap Discrete Wavelet Packet Transform). After that, a degradation profile is defined and coupled with crack initiation and crack propagation fatigue models. Lastly, a MB-HMM (Hidden Markov Model) is trained to capture the bearing degradation dynamics. This latter model is used to estimate the current degradation state as well as the RUL. The obtained results show good RUL prediction capabilities. In particular, the fatigue models allowed a reduction of the ML (Machine Learning) model size, improving the algorithms training phase.

This paper presents a constrained Kalman filter for Wi-Fi-based indoor localization. The contribution of this work is to introduce constraints on the object speed and to provide a numerically optimized form for fast computation. The proposed approach is suitable to flexible space organization, as in warehouses, and when objects can be spun around, for example barcode readers in a hand. We experimented with the proposed technique using a robot and three devices, on five different journeys, in a 6000 m² warehouse equipped with six Wi-Fi access points. The results highlight that the proposed approach provides a 19% improvement in localization accuracy.

La résolution d'un problème d'estimation de l'état d'un système nécessite de disposer d'un modèle régissant l'évolution des variables d'état et de mesurer de manière directe ou indirecte l'ensemble ou une partie de ces variables d'état. Les travaux exposés dans ce mémoire de thèse portent sur la problématique d'estimation en présence de méconnaissances de modèle et de pertes de capteurs. La première partie de ce travail constitue la synthèse d'un dispositif d'estimation d'état pour systèmes non linéaires. Cela consiste à sélectionner un estimateur d'état et convenablement le régler, puis à concevoir algorithmiquement, à partir d'un critère introduit pour la circonstance, une redondance matérielle visant à compenser la perte de certains capteurs. La seconde partie de ce travail porte sur la conception, à l'aide de la variance d'Allan, d'un sous-modèle permettant de compenser les incertitudes d'un modèle d'état, ce sous-modèle étant utilisable par un filtre de Kalman. Ce travail a été exploité pour tenir compte de dérives gyroscopiques dans le cadre d'une navigation inertielle hybridée avec des mesures GPS par un filtre de Kalman contraint. Les résultats obtenus, issus d'expériences sur deux trajectoires d'avion, ont montré un comportement sain et robuste de l'approche proposée