Maintenance prédictive et données des capteurs

Gains :

• Capacité à reconnaître le concept de maintenance prédictive, les indicateurs de vibration/température et les modes de défaillance typiques
• Possibilité de configurer l'analyse des anomalies, des tendances et des fréquences caractéristiques dans les séries temporelles de capteurs avec l'IA
• Capacité à recouper l'interprétation de l'IA avec le mécanisme de défaillance physique, l'étalonnage et l'inspection sur le terrain

La maintenance prédictive est l'une des applications qui offre le rendement le plus élevé dans une installation en réduisant les temps d'arrêt planifiés et en évitant les dysfonctionnements inattendus en surveillant constamment l'état de la machine et en prévoyant les pannes avant qu'elles ne surviennent. Au lieu des approches classiques « réparez-la en cas de panne » ou « remplacez-la dans les délais prévus », nous lisons l'état réel de la machine à partir des données des capteurs telles que les vibrations, la température, le courant et l'acoustique. L'intelligence artificielle (IA) est très puissante dans ce domaine : détection d'anomalies (écart par rapport à la normale) dans les données de séries chronologiques, analyse des tendances, interprétation des fréquences de défauts caractéristiques et génération de rapports. Mais le « dysfonctionnement possible » donné par l’IA est une hypothèse, pas un diagnostic. Le capteur peut être cassé, son calibrage peut être erroné, les données peuvent être bruitées et l'IA peut attribuer une signification à un modèle non physique. Interprétation de l’IA avant qu’une décision en matière de maintien ne soit prise ; La fréquence caractéristique des défauts doit être vérifiée par recoupement avec l'étalonnage du capteur, la qualité des données et l'inspection sur le terrain. Dans cette unité, vous apprendrez à interpréter en toute sécurité les données des capteurs avec l'IA.

Grandeurs mesurées et modes de défaillance typiques

La santé des machines tournantes (moteur, pompe, ventilateur, roulement, engrenage) se lit à partir de quelques grandeurs de base. Chaque grandeur est sensible à certains modes de défaillance :

taille

sensible à ce que

Mode de défaillance typique

Vibration (accélération/vitesse)

Déséquilibre, désalignement, roulement/engrenage

Déséquilibre, désalignement, dommages aux roulements

température

Friction, perte de lubrification, surcharge

Échauffement des roulements, dégradation de l'huile

courant du moteur

Changement de charge électrique et mécanique

Rupture de la barre rotorique, anomalie de charge

acoustique/ultrasonique

Dommages prématurés aux roulements, fuite

Dégradation du film d'huile, fuite de gaz

L'outil fondamental de l'analyse vibratoire est le spectre de fréquences : nous séparons le signal temporel en ses composantes fréquentielles grâce à la transformée de Fourier (FFT : le processus mathématique qui sépare un signal en ses composantes fréquentielles). Chaque mode de défaillance produit un pic à une fréquence caractéristique. Par exemple, un déséquilibre apparaît à la fréquence de rotation (1X), un désalignement des axes se produit principalement à 2X et des dommages aux roulements apparaissent à des fréquences spéciales en fonction de la géométrie du roulement (telles que BPFO, BPFI, BSF).

Astuce : Avant de laisser l'IA interpréter le spectre, indiquez la vitesse de rotation (RPM) de la machine et le numéro de roulement, le cas échéant. Les fréquences de défauts caractéristiques ne peuvent être calculées sans ces informations ; sans eux, l'interprétation de l'IA de la « défaillance des roulements » reste en suspens.

Anomalie, tendance et fausse alarme

L’IA fait bien deux choses dans les séries chronologiques : la détection d’anomalies (écarts soudains) et l’analyse des tendances (décroissance lente). Mais il y a deux pièges. Le premier est un faux positif : un bruit, un changement de charge temporaire ou une vibration du capteur peuvent apparaître comme le véritable dysfonctionnement. Le second est un faux négatif : une détérioration lente et progressive peut passer inaperçue car elle reste dans la « plage normale ». Une bonne surveillance suit également le changement en fonction du propre historique de la machine (référence) plutôt que du seuil absolu.

Attention : Un capteur lui-même peut tomber en panne. Même si un capteur de température mal calibré peut déclencher une alarme de « surchauffe », la machine est parfaitement normale ; ou un accéléromètre lâche produit des vibrations parasites. Ce que l’IA voit, ce ne sont que des données ; Le contrôle sur le terrain vous indique si la source des données est fiable. « Vérifier d'abord le capteur » est la première règle de la maintenance prédictive.

Étape par étape : interpréter les données des capteurs avec l'IA

1. Donnez le contexte. Type de machine, régime, informations sur les roulements/engrenages, point de mesure.
2. Vérifiez la qualité des données. La fréquence d'échantillonnage est-elle suffisante, y a-t-il des valeurs manquantes/aberrantes ?
3. Déterminez la ligne de base. À quoi ressemble un état de santé ?
4. Faites extraire l’anomalie/tendance. Marquez l’écart et la tendance avec l’IA.
5. Demandez une interprétation physique. Quel mode de défaillance, à quelle fréquence, pourquoi ?
6. Vérifiez sur le terrain. Calibrage, contrôle visuel/tactile, seconde mesure si nécessaire.

Invite d'interprétation du spectre

Rôle : Spécialiste de l'analyse vibratoire (surveillance de l'état).Contexte : Une pompe centrifuge tournant à 1450 tr/min, roulement côté entraînement 6206.Données : fréquences de pointe dans le spectre de vitesse de vibration [liste, Hz et amplitude].Tâche : Corréler chaque pic avec le mode de défaillance possible (déséquilibre 1X, désalignement d'axe 2X, roulement BPFO/BPFI etc.). Calculez les fréquences caractéristiques des roulements avec la géométrie RPM et 6206, indiquez les fréquences que vous affichez. Règle : Ceci est une HYPOTHÈSE ; Pour chaque commentaire, écrivez comment je le vérifie sur le terrain.

Invite d'analyse des anomalies/tendances

Analysez les séries temporelles de températures suivantes : [date, liste de valeurs].- Quelle est la ligne de base (plage normale) ?- Y a-t-il des anomalies (écart soudain), quand ?- Y a-t-il une tendance à la hausse lente, quelle est la pente ?Règle : Évaluer le risque de faux positifs ; Quelle vérification supplémentaire recommanderiez-vous pour faire la distinction entre une erreur de capteur et une véritable surchauffe ?

Invite de vérification de la qualité des données et du capteur

La fréquence d'échantillonnage dans cette mesure de gigue est de 2 kHz. La fréquence de défaut la plus élevée qui m'intéresse est d'environ 800 Hz. Cet échantillonnage est-il suffisant (Nyquist), commentaire. Les symptômes de sauts soudains et d'écrêtages dans les données sont les suivants : [description]. S'agit-il de signaux réels ou d'erreurs de capteur/d'enregistrement, comment puis-je les distinguer ?

Invite de projet de décision alimentaire

Rédigez un projet de recommandation de maintenance basé sur les résultats suivants : [résultats]. Divisez votre recommandation en trois niveaux : arrêtez immédiatement, inspectez lors de la maintenance programmée, continuez la surveillance. Rédiger la justification et la vérification sur le terrain pour chaque niveau. Règle : L'ingénieur de maintenance compétent prendra la décision finale ; déclarez ceci.

Invite faible/Invite forte

Invite faible :

Cette vibration est-elle élevée ?

Aucune information sur le type de machine, le régime, l'unité de mesure, la ligne de base et le roulement ; L'IA ne peut pas dire "haut/bas", même si c'est le cas, elle n'est pas prise en charge.

Invite puissante :

Pompe centrifuge 1450 tr/min, roulement 6206, dosage côté entraînement. Fréquences maximales du spectre de vitesse de vibration : [liste]. Associez chaque pic à un mode de défaillance possible, calculez et affichez les fréquences caractéristiques des roulements. Indiquez que chaque commentaire est une hypothèse et écrivez comment la vérifier sur le terrain. Considérez également la possibilité d’une erreur du capteur.

La deuxième invite contient le contexte de la machine, les données du spectre et la demande de vérification ; Il positionne l’interprétation comme une hypothèse.

Trois mini-étuis (par numéros)

Cas 1 - Vérification de la fréquence caractéristique. Sur une pompe, l'IA commente "défaillance de la bague intérieure (BPFI)". L'ingénieur calcule le BPFI avec 1 450 tr/min (24,2 Hz) et une géométrie de roulement 6 206 : ~131 Hz. Le pic du spectre se situe en réalité autour de ~130 Hz et comporte des harmoniques. L'interprétation est cohérente avec la fréquence caractéristique ; L'ingénieur démonte le roulement lors de la maintenance planifiée et découvre des piqûres sur la bague intérieure. La confirmation transforme l'hypothèse en diagnostic.

Cas 2 – Fausse alerte. Sur un ventilateur, le capteur de température donne une alarme 95°C, l'IA dit "surchauffe roulement". L'équipe de terrain effectue un contrôle manuel : le lit est chaud, normal. La connexion du capteur est lâche, l'étalonnage a été décalé. Température réelle ~55°C. Lorsque le capteur est serré et calibré, l'alarme disparaît. Si l’interprétation de l’IA était suivie aveuglément, un lit solide serait démonté inutilement. Leçon : vérifiez d'abord le capteur.

Cas 3 – Attraper la tendance lente. Le seuil absolu de vibration n’est pas dépassé dans une boîte de vitesses, mais l’IA montre une amplitude augmentant d’environ 6 % par semaine sur une tendance de 8 semaines. Par extrapolation, il est prévu que le seuil sera dépassé dans environ 5 semaines. Lors de l'arrêt prévu, l'équipe analyse l'huile, trouve la particule métallique et remplace l'engrenage de manière contrôlée ; Un arrêt inattendu est évité. Leçon : la tendance prévient avant le seuil absolu.

Erreurs courantes

• Demander des commentaires sans contexte : Interpréter le spectre sans RPM et porter des informations.
• Ne pas vérifier le capteur : prendre une erreur de calibrage/connexion comme un véritable dysfonctionnement.
• Confondre une hypothèse avec un diagnostic : traduire l’interprétation de l’IA en une décision de maintenance sans contrôle sur le terrain.
• En regardant uniquement le seuil absolu : il manque la tendance à la lente décroissance.
• Sous-échantillonnage : négliger la règle de Nyquist et négliger le défaut haute fréquence.
• Réaction excessive à un faux positif : prendre le bruit pour un dysfonctionnement réel et arrêter la machine saine.

En résumé

• La maintenance prédictive lit l'état de la machine à partir de capteurs tels que les vibrations, la température et le courant et prédit les pannes à l'avance.
• Dans le spectre vibratoire, chaque mode de défaillance produit un pic à une fréquence caractéristique ; Le commentaire nécessite des connaissances en RPM et en roulements.
• L'interprétation de la faute donnée par l'IA est une hypothèse ; La fréquence caractéristique doit être vérifiée par étalonnage et inspection sur site.
• Le capteur lui-même peut tomber en panne ; "Vérifiez d'abord le capteur" est la première règle.
• La tendance est aussi importante que le seuil absolu ; Une dégradation lente donne une alerte précoce. La décision de maintenance appartient à l'ingénieur compétent.

Tâche de candidature

Choisissez une machine tournante (pompe, ventilateur, moteur). Notez le régime de la machine et le numéro de roulement, le cas échéant. Prenez une série temporelle de spectre de vibration/température réelle ou échantillonnée et demandez à l'IA de l'interpréter avec son contexte. Pour chaque hypothèse de défaillance l'IA indique : vérifiez vous-même la fréquence caractéristique (vérifiez le calcul BPFO/BPFI si roulement), évaluez la possibilité de défaillance du capteur et écrivez comment vous la vérifierez sur le terrain. Enfin, résumez les résultats en une recommandation à trois niveaux (arrêter immédiatement / inspecter dans les délais / continuer la surveillance) et indiquez pourquoi la décision finale en matière de maintenance revient à l'ingénieur qualifié.

liste de contrôle

• [ ] Le contexte de la machine (type, régime, roulement/engrenage, point de mesure) est indiqué.
• [ ] Qualité des données et fréquence d'échantillonnage (Nyquist) vérifiées.
• [ ] Les fréquences de défauts affichées par AI ont été vérifiées par calcul de fréquence caractéristique.
• [ ] Possibilité d'erreur de calibrage/connexion du capteur évaluée.
• [ ] Outre le seuil absolu, la tendance a également été examinée.
• [ ] Commentaire confirmé par une inspection sur le terrain ; La décision de maintenance était laissée à l'ingénieur compétent.