Titre : PROCEDE ET SYSTEME DE MAINTENANCE

PREDICTIVE

Domaine technique

[0001] La présente divulgation relève du domaine de la maintenance prédictive de composants d’un véhicule routier.

Technique antérieure

[0002] La maintenance préventive d’un véhicule routier consiste à réaliser de la maintenance programmée de manière à pouvoir remplacer un composant avant que celui-ci ne soit défectueux. Les opérations de maintenance sont généralement programmées en fonction de durées d’exploitation de composants, généralement exprimées en nombre d’heures de fonctionnement, calculées de manière à permettre un remplacement de la pièce avant que celle-ci ne soit défectueuse.

[0003] Cette méthode n’est pas très performante car elle se base sur des valeurs nominales établies pour un ensemble de composants et ne prend pas en compte l’état réel du composant. Ainsi, des composants sont systématiquement remplacés alors que certains d’entre eux pourraient être encore utilisés.

[0004] De plus, en cas de défaillance soudaine des performances du composant, l’utilisateur ne peut que constater la défaillance de son composant, sans avoir été alerté de la dégradation du composant.

[0005] Le document US20180204393A1 propose de prédire un temps d’utilisation ou une distance pouvant être parcourue par le véhicule avant qu’une opération de maintenance d’un composant, tel un filtre à air, soit nécessaire. Cette prédiction est mise en oeuvre lorsque des valeurs moyennes et/ou écart types de données collectées représentatives d’un encrassement du filtre sont supérieures à des seuils. La prédiction se base sur une variation de la valeur moyenne et/ou de l’écart type de données représentatives de l’encrassement du filtre. Ces seuils peuvent être prédéterminés ou estimés en fonction de paramètres tels que la distance parcourue par le véhicule, une historique de conduite du véhicule, une valeur de calibration obtenue lors de l’installation du filtre par exemple. [0006] Cette méthode présente un inconvénient. Les données qui sont acquises concernant l’encrassement du filtre ne sont pas forcément corrélées à un contexte d’utilisation du composant, en plus d’un contexte d’utilisation du véhicule, ce qui ne permet pas d’avoir une grande précision dans la détection et dans la prédiction qui est faite.

Résumé

[0007] La présente divulgation vient améliorer la situation.

[0008] Un but de la présente divulgation est notamment de prédire un comportement futur, par exemple une défaillance future, du composant avec une meilleure fiabilité.

[0009] Il est proposé un procédé de maintenance prédictive d’un composant d’un véhicule routier, le procédé étant mis en oeuvre par au moins un calculateur relié au composant, le procédé comprenant les étapes suivantes : a. collecte d’un ensemble de données du véhicule comprenant : i. des premières données relatives à l’utilisation de premières combinaisons prédéterminées de paramètres d’usage dudit composant, ii. des deuxièmes données relatives à l’utilisation de secondes combinaisons prédéterminées de paramètres d’usage dudit véhicule, iii. des troisièmes données permettant d’établir l’évolution d’au moins un paramètre de contrôle du composant représentatif de l’usure du composant en fonction du nombre de kilomètres parcourus par le véhicule, b. en fonction des premières et deuxièmes données du véhicule, sélection, parmi une pluralité de classes préétablies de véhicules ayant des premières données et des deuxièmes données similaires, d’une classe pour laquelle les premières données et les secondes données du véhicule sont similaires à celles des véhicules de la classe sélectionnée, c. comparaison des troisièmes données du véhicule avec des données de référence de la classe sélectionnée, les données de référence étant obtenues à partir de données d’évolution dudit paramètre de contrôle représentatif de l’usure du composant de chacun des véhicules de la classe sélectionnée, d. déduction, en fonction du résultat de la comparaison, d’un comportement futur du composant.

[0010] Selon un autre aspect, il est proposé un dispositif de maintenance prédictive d’au moins un composant d’un véhicule routier, le dispositif comprenant :

- au moins un calculateur relié au composant comprenant un processeur et une mémoire stockant :

* une pluralité de classes préétablies de véhicules ayant des premières données relatives à l’utilisation de premières combinaisons prédéterminées de paramètres d’usage du composant et des deuxièmes données relatives à l’utilisation de secondes combinaisons prédéterminées de paramètres d’usage du véhicule similaires pour les véhicules appartenant à une même classe, et

* des données de référence associées à chaque classe, les données de référence étant obtenues à partir de données d’évolution dudit paramètre de contrôle représentatif de l’usure du composant de chacun des véhicules de la classe considérée, le au moins un calculateur étant configuré pour : a. collecter un ensemble de données dudit véhicule comprenant : i. des premières données relatives à l’utilisation de premières combinaisons prédéterminées de paramètres d’usage dudit composant, ii. des deuxièmes données relatives à l’utilisation de secondes combinaisons prédéterminées de paramètres d’usage dudit véhicule, iii. des troisièmes données permettant d’établir l’évolution d’au moins un paramètre de contrôle du composant représentatif de l’usure du composant en fonction du nombre de kilomètres parcourus par le véhicule, b. en fonction des premières et deuxièmes données dudit véhicule, sélectionner, parmi la pluralité de classes préétablies stockée dans la mémoire, une classe pour laquelle les premières données et les deuxièmes données dudit véhicule sont similaires à celles des véhicules de la classe sélectionnée, c. comparer des troisièmes données du véhicule avec les données de référence de la classe sélectionnée stockées dans la mémoire, d. déduire, en fonction du résultat de la comparaison, un comportement futur du composant.

[0011] Selon un autre aspect, il est proposé un programme informatique comportant des instructions pour la mise en oeuvre de tout ou partie d’un procédé tel que défini dans les présentes lorsque ce programme est exécuté par un processeur. Selon un autre aspect, il est proposé un support d’enregistrement non transitoire, lisible par un ordinateur, sur lequel est enregistré un tel programme.

[0012] Les caractéristiques exposées dans les paragraphes suivants peuvent, optionnellement, être mises en oeuvre. Elles peuvent être mises en oeuvre indépendamment les unes des autres ou en combinaison les unes avec les autres :

[0013] - le procédé comprend en outre, à l’issue de l’étape de comparaison, une étape de détection d’un comportement anormal du composant par rapport aux composants des véhicules de la classe sélectionnée et l’étape de déduction d’un comportement futur du composant est une étape de déduction d’une défaillance future du composant ;

[0014] - les données de référence de la classe sélectionnée comprennent des données de dispersion du paramètre de contrôle autour d’une valeur moyenne obtenue pour tous les véhicules de la classe sélectionnée, et l’étape de comparaison comprend la comparaison des valeurs du paramètre de contrôle dudit véhicule pour un nombre de kilomètres parcourus avec les données de dispersion correspondantes ;

[0015] - le procédé comprend en outre l’émission d’un message d’alerte lorsqu’un comportement anormal d’un composant d’un véhicule est détecté à l’issue de l’étape de comparaison ;

[0016] - les premières données comprennent une pluralité de fréquences d’utilisation de chaque combinaison prédéterminée de paramètres d’usage du composant et les deuxièmes données comprennent une pluralité de fréquences d’utilisation de chaque combinaison prédéterminée de paramètres d’usage dudit véhicule ; [0017] - la pluralité de classes préétablies est obtenue par la mise en œuvre d’un algorithme de classification non supervisée à partir des premières et secondes données collectées pour une pluralité de véhicules ;

[0018] - l’étape de collecte d’un ensemble de données du véhicule comprend en outre la collecte de quatrièmes données relatives au nombre de kilomètres parcourus par le véhicule, et l’étape de sélection d’une classe de véhicules comprend :

* la sélection d’une pluralité de classes préétablies parmi un ensemble de classes préétablies en fonction du nombre de kilomètres parcourus par le véhicule, et

* la sélection d’une classe parmi la pluralité de classes en fonction des premières et deuxièmes données dudit véhicule ;

[0019] - le calculateur est configuré pour, à l’issue de la comparaison, détecter un comportement anormal du composant par rapport aux composants des véhicules de la classe sélectionnée et en déduire une défaillance future du composant.

Brève description des dessins

[0020] D’autres caractéristiques, détails et avantages apparaîtront à la lecture de la description détaillée ci-après, et à l’analyse des dessins annexés, sur lesquels :

Fig. 1

[0021] [Fig. 1] représente un système de maintenance prédictive selon un mode de réalisation.

Fig. 2

[0022] [Fig. 2] représente un procédé de maintenance prédictive selon un mode de réalisation.

Fig. 3A

[0023] [Fig. 3A] représente un premier ensemble de données collectées par un véhicule selon un mode de réalisation.

Fig. 3B [0024] [Fig. 3B] représente un deuxième ensemble de données collectées par un véhicule selon un mode de réalisation.

Fig. 3C

[0025] [Fig. 3C] représente un troisième ensemble de données collectées par un véhicule selon un mode de réalisation.

Fig. 4

[0026] [Fig. 4] illustre une combinaison de paramètres d’usage du véhicule.

Fig. 5

[0027] [Fig. 5] représente un ensemble de classes utilisées par le procédé de la figure 2.

Fig. 6

[0028] [Fig. 6] représente l’évolution d’un paramètre de contrôle pour une classe sélectionnée et pour le véhicule concerné.

Description des modes de réalisation

[0029] Les dessins et la description ci-après contiennent, pour l’essentiel, des éléments de caractère certain. Ils pourront donc non seulement servir à mieux faire comprendre la présente divulgation, mais aussi contribuer à sa définition, le cas échéant.

[0030] La figure 1 illustre un système de maintenance prédictive adapté pour mettre en oeuvre le procédé de maintenance prédictive de la figure 2 selon un mode de réalisation. Le système de maintenance prédictive comporte un dispositif de maintenance prédictive installé à bord d’un véhicule routier 10, ici une voiture, et un serveur distant 20 apte à communiquer avec le dispositif de maintenance prédictive installé dans le véhicule. On entend par véhicule routier, tout véhicule doté d’un moteur (généralement à explosion ou électrique) destiné à le mouvoir sur la route et capable de transporter des personnes ou des charges.

[0031] Le véhicule 10 comprend au moins un composant 11, au moins un calculateur 12, au moins un contrôleur électronique 13 du composant et une pluralité de capteurs 14. Le calculateur 12 est relié au composant 11, au contrôleur électronique 13 et à la pluralité de capteurs 14, par exemple, en passant par un bus de communication de données de type CAN (« Controller Area Network », en anglais) ou FlexRAy. Le calculateur 12 peut être configuré pour communiquer directement avec le serveur distant 20, lorsque le calculateur 12 comporte des interfaces de communication adaptées, ou indirectement, par l’intermédiaire d’un autre calculateur comportant des interfaces de communication adaptées. Dans ce cas, les données sont transmises entre les deux calculateurs distincts par le biais du bus de communication de données mentionné précédemment. On notera que le contrôleur électronique 13 du composant peut être distinct (comme illustré ici) ou être intégré dans le calculateur 12.

[0032] Dans l’exemple décrit ici, le calculateur 12 est un contrôleur moteur (« Electronic Control Unit » en anglais) et comprend au moins un processeur, une mémoire et des interfaces de communications avec différents actionneurs et capteurs du véhicule et plus particulièrement du moteur ainsi que des interfaces de communication avec le serveur distant 20. Le contrôleur électronique 13 du composant 12 est configuré pour mettre en œuvre une loi de contrôle prédéterminée en fonction de différents paramètres mesurés par différents capteurs propres au composant mais pas uniquement. Le contrôleur électronique 13 comprend également au moins un processeur, une mémoire et des interfaces de communications avec les différents capteurs le cas échéant.

[0033] En outre, le contrôleur électronique 13, lors du contrôle du composant 11, obtient une mesure d’un paramètre intervenant dans la loi de contrôle et représentatif de l’usure du composant, appelé aussi paramètre de contrôle du composant. Cette valeur est avantageusement périodiquement collectée par le calculateur 12 afin de connaître l’évolution du paramètre d’usure du composant en fonction du nombre de kilomètres parcourus.

[0034] Une partie des capteurs 14 permet d’acquérir des caractéristiques physiques décrivant le comportement dynamique du véhicule 10. Dans un exemple de réalisation, les capteurs 14 permettent d’acquérir des paramètres d’usage du véhicule tels que la vitesse, le couple moteur, la température du moteur, la position de la pédale d’accélération, l’accélération ou la décélération du véhicule, l’angle du volant ou l’angle de braquage par exemple.

[0035] Une autre partie des capteurs 14 peut être utilisée pour obtenir des paramètres d’usage du composant considéré. Avantageusement, les paramètres d’usage du composant sont des paramètres ayant une influence sur l’usure du composant. Les paramètres d’usage du composant peuvent aussi être obtenus par le biais du contrôleur électronique 13 lorsque celui-ci est distinct du calculateur 12 et par le biais du calculateur 12, ici du contrôleur moteur. Il peut s’agir par exemple, dans le cas d’un injecteur de carburant pour véhicule automobile, de paramètres tels que la pression d’injection du carburant, la température du carburant, la quantité de carburant injectée et la vitesse de la pompe à injection. Bien entendu, d’autres types de composants et donc d’autres paramètres d’usage de composant peuvent être considérés.

[0036] Un odomètre peut également être compris parmi les capteurs 14 afin de déterminer le nombre de kilomètres parcourus par le véhicule.

[0037] Le calculateur 12 est configuré pour collecter des données relatives à l’usage du véhicule, à l’usage du composant et à l’évolution de l’usure du composant en fonction du nombre de kilomètres parcourus.

[0038] En particulier, les données relatives à l’usage du véhicule et à l’usage du composant peuvent correspondre à des données relatives à l’utilisation de combinaisons prédéterminées de paramètres d’usage du composant et d’usage du véhicule, respectivement.

[0039] Les données relatives à l’usage du composant collectées peuvent comprendre des fréquences d’utilisation de combinaisons prédéterminées de paramètres d’usage du composant. Comme illustré sur la figure 3A, pour chaque combinaison prédéterminée de paramètres d’usage du composant CP1 (1 ), ..., CP1(N), le calculateur 12 comptabilise le nombre de fois pendant lequel une combinaison particulière de paramètres d’usage du composant a été utilisée de manière similaire à ce qui est décrit dans le passage p. 7, I. 10 à p.8, I. 17 de la demande de brevet déposée sous le numéro FR1900865 au nom du déposant dans le cas de paramètres d’usure d’un injecteur de carburant. [0040] Avantageusement, comme illustré sur la figure 4, chaque paramètre d’usage, A, B, C du composant par exemple, est divisé en une pluralité de plages de valeurs {a1, ..., a20}, {b1, ..., b3}, {c1, ..., c3}, respectivement. Chaque combinaison prédéterminée CP1 (1 ), ..., CP1(N) de paramètres d’usage du composant correspond à une combinaison particulière d’une ou plusieurs plages de valeurs de chacun des paramètres A, B, C, d’usage du composant par exemple CP1(1) = {a1, a2 ; b2 ; c3}, ..., CP1(N) = {a20 ; b1 ; c1}. Les données ainsi collectées permettent d’établir un profil d’usage du composant pour le véhicule considéré.

[0041] Les données relatives à l’usage du véhicule collectées peuvent comprendre des fréquences d’utilisation de combinaisons prédéterminées de paramètres d’usage du véhicule. Comme illustré sur la figure 3B, pour chaque combinaison prédéterminée de paramètres d’usage du véhicule CP2(1), ..., CP2(N), le calculateur 12 comptabilise le nombre de fois pendant lequel une combinaison particulière de paramètres d’usage du véhicule a été utilisée. On notera que les combinaisons de paramètres d’usage du véhicule sont définies de manière similaire à ce qui a été décrit en référence à la figure 4. Il s’agit donc de combinaisons de plages de valeurs des différents paramètres d’usage du véhicule. Les données ainsi collectées permettent d’établir un profil d’usage du véhicule concerné.

[0042] Par ailleurs, les données relatives à l’évolution de l’usure du composant correspondent à des données relatives à l’évolution d’au moins un paramètre d’usure P3 du composant en fonction du nombre de kilomètres parcourus comme illustré de manière schématique en référence à la figure 3C. Dans le cas d’un injecteur de carburant, il peut s’agir par exemple du temps de fermeture de l’injecteur qui est représentatif de l’usure de l’aiguille de l’injecteur.

[0043] Comme cela est visible sur la figure 3C, le paramètre d’usure du composant, i.e. le paramètre de contrôle représentatif de l’usure du composant, évolue en fonction du nombre de kilomètres parcourus. L’évolution du paramètre d’usure est corrélée à la façon dont le véhicule et le composant sont utilisés et donc aux profils d’usage du véhicule et du composant. [0044] Par ailleurs, comme mentionné précédemment, le dispositif de maintenance prédictive comprenant le calculateur 12 est apte à communiquer avec le serveur distant 20. Le serveur distant 20 est configuré pour collecter, pour une pluralité de véhicules, des données relatives à l’usage du véhicule, à l’usage du composant et à l’évolution de l’usure du composant en fonction du nombre de kilomètres parcourus telles que celles décrites précédemment en référence aux figures 3A, 3B et 3C par exemple. En particulier, l’ensemble des données collectées par le serveur distant 20 correspond à des données collectées et transmises par une pluralité de véhicules semblables au véhicule 10 décrit en référence à la figure 1 et comprenant un calculateur 12 relié à un composant 11, un contrôleur électronique 13 et à une pluralité de capteurs 14.

[0045] Le serveur distant 20 est également configuré pour déterminer une pluralité de classes par la mise en œuvre d’un algorithme de classification non supervisée, à partir de données d’usage de composant et d’usage du véhicule collectées tel que décrit précédemment pour une pluralité de véhicules. La mise en œuvre de l’algorithme de classification non supervisée permet d’identifier les véhicules ayant des profils d’usage du composant et d’usage du véhicule similaires. Les profils d’usage du véhicule et d’usage du composant sont associés à la répartition des fréquences d’utilisation des différentes combinaisons CP1 (1 ), ..., CP1(N) et CP2(1), ..., CP2(M) de paramètres d’usage du composant et d’usage du véhicule, respectivement. La classification non-supervisée peut donc se faire à partir des fréquences d’utilisation des combinaisons de paramètres d’usure de composant et d’usure de véhicule collectées pour chaque véhicule par exemple.

[0046] Le serveur distant 20 est aussi configuré pour déterminer des données de référence associées à chacune des classes. Les données de référence sont relatives à l’évolution du paramètre d’usure du composant en fonction du nombre de kilomètres parcourus et sont obtenues à partir de données d’évolution du paramètre d’usure du composant de chacun des véhicules d’une classe.

[0047] Enfin, le serveur distant 20 est configuré pour transmettre au dispositif de maintenance prédictive du véhicule des données concernant les classes préétablies et les données de référence associées destinées à être stockées dans la mémoire du calculateur 12. [0048] Ainsi, le calculateur 12 est capable, à partir des données collectées par le véhicule, i.e. des données relatives à l’usage du véhicule, à l’usage du composant et à l’évolution de l’usure du composant, et des données relatives à la pluralité de classes préétablies stockées dans sa mémoire, y compris les données de référence associées à chacune des classes préétablies, de déduire un comportement futur du composant comme décrit plus en détail en référence à la figure 2. Concernant le comportement futur du composant, il peut s’agir d’une défaillance future du composant, lorsque celui-ci présente un comportement anormal en termes d’usure par rapport aux véhicules de sa classe ou de prédire la valeur du paramètre d’usure du composant par exemple.

[0049] Dans un mode de réalisation, le véhicule 10 peut également comprendre un afficheur (non représenté) relié au calculateur 12 et destiné à afficher un message d’alerte à l’attention du conducteur ou d’un service de maintenance dédié, par exemple lorsque le comportement du composant est anormal en termes d’usure par rapport à des données d’usure recueillies pour des véhicules présentant des paramètres d’usage du composant et du véhicule similaires, afin d’indiquer qu’une maintenance de ce composant est à prévoir.

[0050] La figure 2 décrit plus en détail les étapes du procédé de maintenance prédictive mises en œuvre par le calculateur 12 du dispositif de maintenance prédictive.

[0051] En référence à ce qui a été décrit précédemment, le procédé de maintenance prédictive comprend une étape S100 de réception et de stockage en mémoire de données concernant les classes préétablies par le serveur distant 20 et de données de référence associées à chaque classe.

[0052] Les données concernant les classes préétablies permettent d’identifier des véhicules ayant des profils d’usage du composant et d’usage du véhicule similaires et les données de référence sont obtenues à partir de données d’évolution du paramètre d’usure du composant pour chacun des véhicules de la classe considérée. Ces données de référence peuvent être obtenues par une analyse statistique des données d’évolution collectées pour chacun des véhicules de la classe considérée. Ainsi, les données de référence peuvent comprendre par exemple des caractéristiques de position (par exemple le mode, la médiane, la moyenne arithmétique, les quantiles) et des caractéristiques de dispersion (par exemple l’étendue, l’écart moyen, l’écart interquantiles, la variance, l’écart-type et le coefficient de variation). Dans l’exemple de la figure 6, la valeur moyenne m et l’écart type s sont représentés en fonction du nombre de kilomètres parcourus pour une classe de véhicules particulière.

[0053] Le procédé de maintenance prédictive comprend également une étape S200 de collecte de données relatives à l’usage du véhicule, de données relatives à l’usage du composant et de données relatives à l’évolution de l’usure du composant en fonction du nombre de kilomètres parcourus tel que décrit précédemment en référence aux figures 3A, 3B et 3C par exemple. On rappelle ici que les données relatives à l’usage du véhicule et à l’usage du composant permettent d’établir un profil d’usage du composant et un profil d’usage du véhicule c’est-à-dire une répartition des fréquences d’utilisation des différentes combinaisons de paramètres d’usage du véhicule et du composant.

[0054] En particulier, le nombre de fois pendant lequel chaque combinaison prédéterminée CP2(1), ..., CP2(M) de paramètres d’usage du véhicule et le nombre de fois pendant lequel chaque combinaison prédéterminée CP1 (1 ), ..., CP1(N) de paramètres d’usage du composant est utilisée sont collectés. Cela peut être réalisé en incrémentant un compteur, propre à chaque combinaison de paramètres, chaque fois que chacun des paramètres d’usage du composant ou du véhicule appartient à une plage de valeurs de la combinaison considérée. L’évolution du paramètre d’usure, i.e. du paramètre de contrôle représentatif de l’usure, est également collectée en fonction du nombre de kilomètres parcourus. Dans un mode de réalisation, afin d’alléger le volume de données collectées, il peut s’agir de collecter une valeur moyenne du paramètre d’usure obtenue sur une distance parcourue prédéterminée, par exemple, tous les 100 km.

[0055] Le procédé de maintenance prédictive comprend également une étape S300 de sélection, parmi la pluralité de classes préétablies stockées en mémoire, d’une classe pour laquelle les données relatives à l’usage du composant et les données relatives à l’usage du véhicule collectées lors de l’étape S200 sont similaires à celles des véhicules de la classe sélectionnée. [0056] Plus précisément, la sélection est faite de manière à sélectionner une classe pour laquelle les profils d’usage de véhicule et d’usage de composants sont similaires à l’aide des données concernant la répartition des fréquences d’utilisation des différentes combinaisons de paramètres d’usage du composant CP1 et des différentes combinaisons de paramètres d’usage du véhicule CP2 et des données concernant les classes préétablies stockées en mémoire. Par exemple, les données concernant les classes préétablies peuvent correspondre à la position d’un centroïde pour chaque classe préétablie et la classe ayant son centroïde le plus proche est sélectionné.

[0057] Ensuite, lors d’une étape S400, les données relatives à l’évolution du paramètre d’usure du véhicule collectées lors de l’étape S200 et les données de référence associées à la classe sélectionnée lors de l’étape S300 sont comparées.

[0058] Dans un exemple de réalisation, on compare chaque valeur du paramètre d’usure collecté lors de l’étape S200 à une ou plusieurs valeurs seuil définies en fonction des données de référence de la classe considérée. Les valeurs seuil S1 et S2 peuvent être déterminées à partir de caractéristiques de position et/ou de dispersion décrites précédemment par exemple.

[0059] Dans l’exemple de la figure 6, on vérifie si une valeur du paramètre d’usure collectée pour le véhicule, représentée par une croix sur la figure, est :

- supérieure à une première valeur seuil S1 correspondant à m + s, ou

- inférieure à une seconde valeur seuil S2 correspondant à m - s, m étant la valeur moyenne et s l’écart type, sur l’ensemble des véhicules appartenant à la classe, du paramètre d’usure P3 du composant pour un nombre de kilomètres parcourus donné.

[0060] On rappelle que dans le cas d’un injecteur de carburant, le paramètre d’usure, i.e. le paramètre de contrôle représentatif de l’usure de composant, peut correspondre au temps de fermeture de l’injecteur par exemple.

[0061] De manière alternative ou additionnelle, l’étape S400 peut comprendre une sous-étape de calcul d’une moyenne glissante à partir des données relatives à l’évolution de l’usure du composant collectées lors de l’étape S200, ici la valeur moyenne du paramètre d’usure collectée tous les 100 km, et une sous-étape de comparaison de la valeur de la moyenne glissante avec la moyenne m.

[0062] Ensuite, lors d’une étape S450, on détermine si le comportement du composant du véhicule 10 est anormal par rapport aux composants des véhicules de la classe sélectionnée. Par exemple, on détecte un comportement anormal du composant lorsque le nombre de fois pendant lequel une valeur représentative du paramètre d’usure collecté se trouve hors d’une plage de référence. Dans l’exemple de la figure 6, la plage de référence est définie par les deux valeurs seuil S1 et S2 décrites précédemment. On notera que la plage de référence, et donc les valeurs seuil S1, S2, peuvent varier en fonction du nombre de kilomètres parcourus comme représenté par les courbes en pointillé sur la figure 6.

[0063] Ensuite, lors d’une étape S500, on en déduit un comportement futur du composant.

[0064] Dans un mode de réalisation, lorsqu’un comportement anormal est détecté lors de l’étape S450, on en déduit une défaillance future du composant. Lors de l’étape S600, un message d’alerte est alors émis à l’attention du conducteur ou d’un service de maintenance afin d’indiquer qu’une maintenance de ce composant est à prévoir.

[0065] L’étape S200 peut être mise en oeuvre en continu alors que les étapes S300, S400, S450 et S500 peuvent être mises en oeuvre de manière périodique, en fonction du nombre de kilomètres parcourus par le véhicule.

[0066] L’étape S200 de collecte d’un ensemble de données du véhicule peut donc comprendre en outre la collecte de données relatives au nombre de kilomètres parcourus par le véhicule et l’étape S300, ainsi que les étapes successives, est mise en oeuvre lorsqu’un nombre prédéterminé de kilomètres a été parcouru par le véhicule par exemple lorsque le nombre de kilomètres parcourus par le véhicule depuis la dernière itération de ces étapes est un nombre inférieur à 10000 km par exemple.

[0067] Par ailleurs, dans un mode de réalisation, l’étape S300 de sélection d’une classe parmi la pluralité de classes préétablies par le serveur distant 20 et stockées en mémoire peut comprendre : - une première sous-étape S310 de sélection d’une pluralité de classes préétablies parmi un ensemble de classes préétablies en fonction du nombre de kilomètres parcourus par le véhicule 10 déterminé lors de l’étape S200, et

- une seconde sous-étape S320 de sélection d’une classe parmi la pluralité de classes sélectionnées lors de la sous-étape S310.

[0068] En effet, comme illustré en référence à la figure 5, l’ensemble de classes préétablies par le serveur distant 20 et stockées en mémoire dans le dispositif de maintenance électronique peut comprendre une pluralité de sous-classes, chaque sous-classe étant établie pour une plage de kilomètres parcourus prédéfinie.

[0069] Dans l’exemple de la figure 5, les sous-classes C1,1, C1 ,2, C1 ,3, C1 ,4, C1 ,5, C1 ,6 sont établies pour des véhicules ayant roulé entre 0 et 10000 km ;

- les sous-classes C2,1, C2,2, C2,3, C2,4, C2,5, C2,6 sont établies pour des véhicules ayant roulé entre 0 et 20000 km ;

- les sous-classes C3,1, C3,2, C3,3, C3,4, C3,5, sont établies pour des véhicules ayant roulé entre 0 et 30000 km ;

- les sous-classes C4,1, C4,2, C4,3, C4,4, C4,5, C4,6, C4,7, C4,8, C4,9 sont établies pour des véhicules ayant roulé entre 0 et 40000 km ; les sous-classes C5,1, C5,2, C5,3, C5,4, C5,5, sont établies pour des véhicules ayant roulé entre 0 et 50000 km.

[0070] Chaque sous-classe regroupe des véhicules ayant des profils d’usage de véhicule et de composant similaires pour la plage de kilomètres parcourus prédéterminée. De même, les données de références associées à ces sous- classes sont calculées pour les plages de kilomètres parcourus correspondants.

[0071] Dans l’exemple de la figure 5, un véhicule ayant parcouru une distance de 35000 km lors de la mise en oeuvre de l’étape S300 se verra attribuer une classe sélectionnée parmi le groupe de sous-classes C4,1, C4,2, C4,3, C4,4, C4,5, C4,6, C4,7, C4,8, C4,9.

[0072] Ainsi, la division de l’ensemble de classes préétablies en différents groupes de sous-classes selon le nombre de kilomètres parcourus par les véhicules permet de mettre en oeuvre l’algorithme de classification non-supervisée en fonction des données actuellement disponibles. Cela est particulièrement avantageux lorsque les véhicules utilisés pour collecter les données n’ont pas tous parcourus de grandes distances. Il est alors possible d’obtenir des données de référence pour différentes plages de kilomètres parcourus, les données de référence étant plus précises pour les premières plages de kilomètres parcourus. En effet, un plus grand nombre de véhicules a parcouru les premières plages de kilomètres comme illustré sur la figure 5 par la largeur des cases symbolisant le nombre de véhicules compris dans chaque sous-classe.

[0073] Avantageusement, l’étape S100 de réception et de stockage en mémoire de données concernant les classes préétablies et les données de référence associées à chaque classe peut être régulièrement mise à jour, notamment afin d’affiner le modèle, i.e. les classes et les données de référence associées, lorsque le nombre de kilomètres parcourus par les différents véhicules augmente.

[0074] Par ailleurs, on notera que les données collectées par le calculateur 12 peuvent également être transmises au serveur distant afin d’être prises en compte par l’algorithme de classification non-supervisée pour l’établissement des classes et pour le calcul des données de référence associées à ces classes. L’établissement des classes comprend alors une sous-étape de sélection de l’ensemble des données collectées par les différents véhicules en fonction du nombre de kilomètres parcours. Ainsi, les données collectées utilisées par le serveur distant 20 sont avantageusement transmises lorsqu’un nombre prédéterminé de kilomètres a été parcouru par chaque véhicule. Dans l’exemple décrit ici, tous les 10000 km par exemple.

[0075] Dans une variante de réalisation, lors de l’étape S450, si l’on ne détecte pas un comportement anormal du composant, on en déduit que le composant se comporte comme tous les composants de la classe sélectionnée et, lors de l’étape S500, on peut en déduire un comportement futur du composant en prédisant la valeur du paramètre d’usure du composant après que le véhicule ait parcouru une distance supplémentaire déterminée. En particulier, on peut prédire la valeur d’au moins un paramètre d’usure du composant, pour un kilométrage prédéterminé, à l’aide des données de référence obtenues pour une sous-classe établie pour une plage de kilomètres parcourus comprenant le kilométrage prédéterminé. [0076] De manière avantageuse, la sous-classe considérée est choisie de sorte qu’elle comporte une majorité de véhicules ayant un profil d’usure du véhicule et un profil d’usure du composant similaires à celui du véhicule considéré pour le nombre de kilomètres actuellement parcourus par le véhicule lors de la mise en oeuvre de l’étape S300. L’étape S100 peut alors comprendre la réception et le stockage en mémoire de données concernant les sous-classes, et plus particulièrement les données de référence associées, à utiliser pour la prédiction de la valeur du paramètre d’usure au kilométrage prédéterminé en fonction de la sous-classe sélectionnée lors de l’étape S320. Par exemple, selon l’exemple précédent, si la sous-classe C4,3 a été sélectionnée lors de l’étape S320 et que la valeur du paramètre d’usure doit être prédit pour une distance de 100000 km, on associera à la sous-classe C4,3 une sous-classe C10,k établie pour des véhicules ayant roulé entre 0 et 100000 km pour laquelle le maximum de véhicules de la sous-classe C4,3 ont un profil d’usage du véhicule et d’usage du composant similaire aux véhicules de la classe C10,k.

[0077] Il est ensuite possible, à l’aide du au moins un paramètre d’usure d’en déduire une durée de fin de vie du composant par exemple.