Détection des pannes dans les boîtes de vitesses avec l'analyse des vibrations

Dans plein de machines, surtout dans les industries, c’est super important de détecter les pannes tôt. Une manière de faire ça, c’est en observant les signaux de vibration des machines. Cet article parle d’utiliser différentes méthodes pour détecter des Défauts dans les réducteurs planétaires en analysant ces Vibrations. On a collecté des signaux de vibration d’un banc d'essai qui simule des conditions réelles et on a appliqué plusieurs techniques d’Apprentissage automatique pour classifier ces signaux en différentes catégories : fonctionnement normal et plusieurs conditions de défaut.

#Collecte de données de vibration

On a rassemblé des données de vibration d’un dispositif qui comprend un moteur et un réducteur planétaire. Le moteur peut tourner jusqu’à 6000 tours par minute (tr/min) et applique différentes charges. On s’est concentré sur deux conditions : une à 1500 tr/min avec une charge de 10 Nm et une autre à 2700 tr/min avec une charge de 25 Nm. Pendant le test, on a enregistré les signaux pendant cinq minutes, capturant des données dans plusieurs directions à une fréquence d'échantillonnage élevée. Au total, on a 50 000 signaux de vibration, chacun étiqueté soit normal, soit indiquant un des quatre types de défauts : fissures, usure de surface, dents ébréchées et dents manquantes.

#Importance de la détection des défauts

Surveiller la santé des machines est crucial pour éviter les pannes et garantir un fonctionnement en douceur. Ce domaine, connu sous le nom de Prognostics and Health Management (PHM), vise à prédire les pannes basées sur des données collectées au fil du temps. Les différentes méthodes pour réaliser le PHM peuvent être divisées en deux groupes : les méthodes basées sur des modèles et celles basées sur les données. Les méthodes basées sur des modèles utilisent des modèles physiques de la machine, tandis que les approches basées sur les données s’appuient sur les données historiques pour identifier des motifs. Les tendances récentes dans les méthodes basées sur les données se sont orientées vers l’apprentissage automatique et l’apprentissage profond, qui peuvent mieux gérer des ensembles de données complexes comme les signaux de vibration qu’on a collectés.

#Analyse des données de vibration

Avant de plonger dans les méthodes de Classification, on a fait une analyse initiale des données. Comme chaque classe de signaux avait le même nombre d’échantillons et avait été collectée dans des conditions uniformes, on n’avait pas à s’inquiéter des déséquilibres dans notre ensemble de données. On a tracé les valeurs moyennes, les variances et les plages pour les signaux. De cette analyse, on a découvert que les données semblaient stationnaires, ce qui signifie que les propriétés ne changent pas au fil du temps.

On a aussi regardé de près comment chaque type de défaut varie parmi les différentes classes de données. On a remarqué que les moyennes des signaux de vibration pour les différentes classes ont tendance à se chevaucher. Cela suggère que l’utilisation de classificateurs simples pourrait ne pas donner de super résultats. Au lieu de ça, on devrait utiliser des méthodes qui peuvent extraire automatiquement des caractéristiques à partir des données brutes pour améliorer la performance de classification.

#Méthodes de classification des signaux de vibration

Plusieurs approches peuvent être utilisées pour classifier les données de vibration, y compris les techniques d'apprentissage automatique traditionnelles et les méthodes d'apprentissage profond. Les méthodes traditionnelles s'appuient souvent sur l'extraction de caractéristiques spécifiques des données, tandis que les méthodes d'apprentissage profond peuvent apprendre ces caractéristiques automatiquement à partir de données brutes sans trop d'intervention.

#Méthodes d'apprentissage automatique traditionnelles

1. Méthodes basées sur la distance : Ces techniques comparent des motifs dans les données de séries temporelles pour classifier les signaux. Le Dynamic Time Warping (DTW) est une méthode utilisée pour aligner les données de séries temporelles pour de meilleures comparaisons.

2. Approches basées sur des caractéristiques : Ces méthodes consistent à extraire des caractéristiques spécifiques manuellement des signaux, qui peuvent ensuite être analysées à l'aide de classificateurs traditionnels comme les forêts aléatoires ou la régression logistique.

#Méthodes d'apprentissage profond

1. Réseaux de neurones récurrents (RNN) : Les RNN sont conçus pour traiter des séquences de données et peuvent se souvenir d’informations des entrées précédentes. Ça les rend adaptés aux données de séries temporelles comme les vibrations.

2. Réseaux de neurones convolutifs (CNN) : Dans le contexte des séries temporelles, les CNN 1D peuvent extraire plusieurs caractéristiques des signaux de vibration grâce à des filtres appliqués sur les données.

#Méthodes d'ensemble

Les méthodes d'ensemble combinent les prédictions de plusieurs modèles pour améliorer la précision de classification. Dans notre cas, on s'est concentré sur trois modèles principaux, chacun avec des caractéristiques et des forces uniques :

1. ResNet 1D multi-échelle : Ce modèle extrait des caractéristiques à différentes échelles le long de l’axe temporel en utilisant différentes tailles de filtres pour améliorer les résultats de classification.

2. Réseau de neurones convolutif entièrement convolutif (FCN) avec LSTM : Ça combine les forces des LSTM et des réseaux convolutifs pour capturer à la fois les dépendances temporelles et les caractéristiques locales à partir des données.

3. MiniRocket : Une méthode rapide qui utilise des filtres convolutifs aléatoires pour générer des caractéristiques pour des classificateurs linéaires. Son efficacité en fait un fort candidat pour la classification des séries temporelles.

#Expérience et résultats

On a utilisé nos données de vibration pour entraîner les modèles, et on a fait de la validation croisée pour évaluer leurs performances. Chaque modèle a été entraîné séparément, puis on a combiné leurs prédictions via une approche d'ensemble. En faisant ça, on espérait tirer profit des forces de chaque modèle pour augmenter la précision globale.

#Précision des modèles individuels

On a découvert que le ResNet 1D multi-échelle a généralement mieux fonctionné, suivi par MiniRocket et LSTM-FCN. Malgré des différences légères dans leurs performances individuelles, combiner leurs prédictions par moyennage ou prise du maximum a conduit à des précisions plus élevées dans les deux conditions opérationnelles testées (1500 tr/min et 2700 tr/min).

#Comparaison des temps d'entraînement

Bien qu'on ait obtenu de bons résultats, on a aussi noté les temps d'entraînement de chaque modèle. Le ResNet 1D multi-échelle a nécessité beaucoup plus de temps pour s’entraîner par rapport à LSTM-FCN et MiniRocket. Cependant, comme le modèle d'ensemble additionne simplement les temps d'entraînement des modèles individuels, ça doit être pris en compte dans les applications pratiques.

#Conclusion

L’approche qu’on a adoptée pour détecter les défauts dans les réducteurs planétaires en utilisant les signaux de vibration s'est révélée efficace. En tirant parti d’un mélange de différents modèles, on a atteint une haute précision de classification. Chaque modèle a examiné les données sous son propre angle, et en combinant leurs résultats, on a encore amélioré la performance.

Dans nos travaux futurs, on pourrait explorer l'inclusion de modèles supplémentaires dans nos ensembles et affiner nos méthodes pour des situations où les données sont limitées. On prévoit aussi d’optimiser les techniques existantes pour permettre un déploiement plus facile dans les applications réelles, ce qui peut être crucial lorsqu'on traite de la gestion de la santé des machines.