Gains :
- Possibilité d'analyser les symptômes de panne à partir des données de vibration/température en extrayant des fonctionnalités avec l'IA
- Capacité à concevoir des approches simples de détection des anomalies d'apprentissage automatique basées sur des seuils avec l'aide de l'IA
- Capacité à vérifier l'équilibre des fausses alarmes (faux positifs) et des défauts manqués (faux négatifs) et les décisions de maintenance
La défaillance inattendue d'un roulement sur une ligne de production entraîne des heures d'arrêt, des commandes manquées et parfois des dommages collatéraux. L'entretien traditionnel s'arrête à deux extrêmes : l'entretien en cas de panne (le réparer en cas de panne - la surprise la plus coûteuse) et l'entretien périodique (le remplacer selon un calendrier - souvent prématuré et inutile). La maintenance prédictive ouvre la troisième voie : mesurer en permanence l'état réel de la machine, prévoir les pannes et intervenir juste à temps. Les changements de signaux tels que les vibrations, la température, le courant et le son indiquent un dysfonctionnement des semaines à l'avance. L’IA est ici puissante : extraire des caractéristiques des signaux, détecter des anomalies, estimer la durée de vie restante. Mais une fausse alarme signifie un temps d'arrêt inutile, une panne manquée signifie un désastre ; Le seuil et l’équilibre décisionnel relèvent de la responsabilité de l’ingénieur. Dans cette unité, nous expliquons comment mettre en place une maintenance prédictive avec l'IA et valider ses décisions.
Pourquoi les vibrations et la température ?
Les défauts des machines tournantes laissent des signatures caractéristiques. Lorsqu'un roulement s'use, un engrenage se fissure, un arbre se déséquilibre, l'énergie augmente à certaines fréquences du spectre vibratoire. La température est un indicateur lent mais fiable de l’augmentation de la friction et de la charge. Nous extrayons des caractéristiques significatives de ces signaux :
attribut
qu'est-ce que ça dit
Quel dysfonctionnement ?
RMS (valeur efficace)
Énergie vibratoire générale
Détérioration générale, déséquilibre
pic
coups soudains
Défaut de roulement, encoche
Facteur de crête (crête/RMS)
Contenu pulsé
Défaillance prématurée des roulements
aplatissement
Le « caractère pointu » de la distribution
Symptôme de défaut d'impulsion
Fréquence dominante (FFT)
La fréquence à laquelle l'énergie est collectée
Défaillance d'un composant spécifique
Idée clé : au lieu de regarder le signal brut, nous surveillons les fonctionnalités sensibles aux défauts. L'IA écrit rapidement du code qui calcule ces attributs.
importer numpy en tant que npdef jitter_attributes(signal, fs): """signal : séquence d'accélération, fs : fréquence d'échantillonnage (Hz).""" rms = np.sqrt(np.mean(signal**2)) peak = np.max(np.abs(signal)) crest = pic / rms si rms > 0 sinon 0 # kurtosis (quatrième moment / variance^2) moyenne = np.mean(signal) kurtosis = np.mean((signal - medium)**4) / (np.var(signal)**2 + 1e-12) # spectre de fréquence dominante (FFT) = np.abs(np.fft.rfft(signal)) fréquences = np.fft.rfftfreq(len(signal), 1/fs) dominant_f = fréquences[np.argmax(spectrum)] return {"rms": rms, "peak": pic, "crest": crête, "kurtosis": kurtosis, "dominant_ Frequency": dominant_f}
Astuce : lors de l'extraction de fonctionnalités vers AI, veillez à spécifier la fréquence d'échantillonnage (fs) et la durée du signal. La résolution FFT et la limite de Nyquist en dépendent ; Si fs n'est pas donné, la fréquence dominante sera mal interprétée. De plus, aucun seuil n’a de sens sans la collecte d’une « référence » auprès de la machine saine.
Détection basée sur le seuil et basée sur l'apprentissage
Il existe deux approches de base :
Basé sur un seuil : le dépassement d'une certaine limite d'un attribut (par exemple RMS) génère une alarme. Simple, transparent et explicable ; Mais il est difficile et unidimensionnel de définir le bon seuil.
Basé sur l'apprentissage (détection d'anomalies) : il apprend la « normalité » à partir de données de travail saines et en marque les écarts. Il capture des modèles multidimensionnels, mais nécessite davantage de données et risque de devenir une « boîte noire ».
import numpy as npdef z_score_anomali(value, baseline_avg, baseline_std, seuil=3.0) : """Anomalie statistique simple : à combien de normes s'éloignent de la ligne de base ?""" z = (valeur - baseline_avg) / (baseline_std + 1e-12) return abs(z) > seuil, z# Exemple : RMS moyen de 0,8 sur une machine saine, soit std 0,1 alarme, z = z_score_anomaly(value=1,25, baseline_avg=0,8, baseline_std=0,1)print(f"z-score : {z:.1f}, alarme : {alarm}") # z=4,5 -> alarme True
Même cette approche simple du z-score démontre un principe : le seuil est dérivé des statistiques de la machine saine, il n’est pas choisi arbitrairement. L'IA peut suggérer des méthodes plus avancées (Isolation Forest, autoencoder), mais elles ont toutes la même base : définir d'abord « normal », puis mesurer l'écart.
Fausse alarme et solde de défaut manqué
Il s’agit de la décision d’ingénierie au cœur de la maintenance prédictive. Il existe deux types d’erreurs et leurs coûts sont asymétriques :
Type d'erreur
Signification
coût
Fausse alerte (faux positif)
Alarme lorsqu'il n'y a pas de défaut
Posture inutile, perte de confiance
Défaut manqué (faux négatif)
Pas d'alarme en cas de panne
Dysfonctionnement inattendu, dommage, danger
Si vous baissez le seuil (trop sensible) le défaut manqué diminue mais la fausse alarme augmente ; les opérateurs cessent de compter sur les alarmes (« fatigue des alarmes »). Si vous augmentez le seuil, les fausses alarmes diminuent, mais le risque de manquer un défaut réel augmente. Le juste équilibre dépend de l'issue de la panne : une panne manquée d'un composant critique pour la sécurité (par exemple un frein de grue) est inacceptable, dans ce cas, vous maintenez une sensibilité élevée et vous acceptez de fausses alarmes.
Attention : Un seuil ou une précision de modèle suggéré par l'IA (par exemple « précision de 95 %) peut être trompeur en raison d'un déséquilibre de classe. Les dysfonctionnements sont rares ; Même un modèle qui dit toujours « pas de panne » montre une grande précision mais ne sert à rien. Évaluer le modèle en fonction du taux de fausses alarmes et du taux de défaillances manquées plutôt que de l'exactitude ; Le risque de votre processus détermine cet équilibre.
De la décision à la maintenance : l'approbation humaine
Une détection d’anomalie n’est pas une commande directe « arrêter la machine » ; C'est un signal d'aide à la décision. Déroulement typique : anomalie détectée → gravité et tendance évaluées → confirmation par l'équipe soignante (contrôle physique, mesure supplémentaire) → intervention planifiée. L’IA peut suggérer la tendance et la cause possible, mais la décision et le moment où « ce roulement doit être remplacé » appartiennent à l’humain ; parce que les humains voient le plan de production, les pièces de rechange et le contexte de sécurité.
Invite faible/Invite forte
FAIBLE : « Ces données de vibration sont-elles défectueuses ? (Pas de référence, pas de fs, pas de contexte. Oui/non non fondé.) FORT : "J'ai des données d'accélération d'une seconde d'un roulement échantillonnées à 12 kHz. Calculez le RMS, le facteur de crête, l'aplatissement et la fréquence dominante. J'ai une base de référence de fonctionnement sain sur 30 jours (RMS moy=0,8, std=0,1). Cette mesure calcule le score z à partir de la ligne de base et l'interprète selon le 3-sigma Déclencher une alarme, mais préciser qu'il s'agit d'un signal d'aide à la décision et non d'une décision de défaut définitive. Comparez la fréquence dominante avec les fréquences de défaut caractéristiques du roulement.
Mini-étui
L'ingénieur de maintenance Emre installe une surveillance basée sur les vibrations pour un moteur de ventilateur. Il imprime l'extraction de fonctionnalités et le code d'anomalie du score z sur l'IA ; Le système déclenche une alarme au bout de quelques jours. Mais quand Emre le vérifie, la machine s'avère intacte : fausse alerte. Lorsqu'il l'examine, il se rend compte qu'il a établi la ligne de base avec seulement 2 heures de données, alors que la vibration du ventilateur fluctue normalement en fonction des changements de charge. Il étend la ligne de base à 1 semaine pour couvrir différentes conditions de charge et les fausses alarmes sont stoppées. Il constate ensuite une lente tendance à la hausse du facteur de crête ; Cela indique une défaillance précoce des roulements avant que le RMS n'ait franchi le seuil. Le contrôle physique confirme une usure prématurée du roulement. Emre change le roulement lors d'une maintenance planifiée, et il n'y a pas d'arrêt inattendu. L'IA a rapidement calculé l'attribut et l'anomalie ; Mais la qualité de base et l'interprétation des tendances (élimination des fausses alarmes et détection précoce des pannes réelles) sont devenues le travail de l'ingénieur.
Erreurs courantes
- Définir un seuil sans collecter une référence adéquate/représentative de la machine saine.
- Interprétation de la FFT/fréquence dominante sans spécifier la fréquence d'échantillonnage.
- Évaluer le modèle avec « précision » et obtenir des résultats trompeurs en cas de dysfonctionnement rare.
- Choisir le seuil arbitrairement, indépendamment du risque lié au processus.
- Confondre le signal d'anomalie avec une commande d'arrêt directe et contourner la vérification humaine.
- En regardant une seule mesure et en ignorant la tendance (augmentation lente).
En résumé
- La maintenance prédictive mesure l'état réel de la machine et prédit les pannes.
- Les caractéristiques telles que RMS, crête, aplatissement et fréquence dominante sont extraites de la vibration/température.
- Les seuils et la détection des anomalies sont dérivés des statistiques de base de la machine saine.
- Le solde des fausses alarmes et des défauts manqués est ajusté en fonction du risque du processus.
- Dans de rares défauts, la « précision » est trompeuse ; les taux de fausses alarmes et d'échecs sont utilisés.
- L'anomalie est un signal d'aide à la décision ; La décision et le moment des soins appartiennent à la personne.
Tâche de candidature
Trouver ou simuler une série temporelle de vibrations ou de températures (une base saine + une section qui se détériore progressivement). Impression de l'extraction de fonctionnalités (RMS, crête, kurtosis) et du code de détection d'anomalies z-score de la ligne de base à l'IA. Ensuite : (1) définissez la ligne de base uniquement à partir de la section saine et donnez la fréquence d'échantillonnage, (2) essayez le seuil pour 2-sigma et 4-sigma et comparez l'évolution du nombre de fausses alarmes et de défauts manqués, (3) tracez la tendance des attributs au lieu d'une seule mesure et voyez si elle donne une alerte précoce. Expliquez quel seuil est approprié pour le risque dans votre scénario et justifiez pourquoi vous l'avez choisi.