Remerciez-le!

Remerciez @Admin pour avoir partagé cet document gratuitement, de la manière la plus simple, en partageant sur les réseaux sociaux.

See discussions, stats, and author profiles for this publication at: https://ww

See discussions, stats, and author profiles for this publication at: https://www.researchgate.net/publication/341902461 Stratégie de surveillance des machines tournantes par classiﬁcation en temps réel des signatures vibratoires Conference Paper · August 2019 CITATIONS 0 READS 76 3 authors: Some of the authors of this publication are also working on these related projects: PhD Thesis: Differential Diagnosis of Gear Defects by Vibration Analysis View project THE EFFECT OF SELECTIONS IN THE ZONE OF THE EDGE OF THE PISTON COMBUSTION CHAMBER ON ITS HEAT TENSION AND STRENGTH RESOURCES View project Hassane Hotait Université de Reims Champagne-Ardenne 6 PUBLICATIONS 2 CITATIONS SEE PROFILE Xavier Chiementin Université de Reims Champagne-Ardenne 90 PUBLICATIONS 640 CITATIONS SEE PROFILE Lanto Rasolofondraibe Université de Reims Champagne-Ardenne 50 PUBLICATIONS 421 CITATIONS SEE PROFILE All content following this page was uploaded by Hassane Hotait on 04 June 2020. The user has requested enhancement of the downloaded file. Stratégie de surveillance des machines tournantes par classification en temps réel des signatures vibratoires. H. Hotaita, X. Chiementina, L. Rasolofondraibeb a. ITheMM, Université de Reims Champagne Ardenne, Moulin de la Housse, 51687 Reims Cedex 2, France hotait.hassane@gmail.com, xavier.chiementin@univ-reims.fr b. CReSTIC, Université de Reims Champagne Ardenne, Moulin de la Housse, 51687 Reims Cedex 2, France, lanto.rasolofondraibe@univ-reims.fr Résumé : Ce travail présente une méthodologie de détection et de suivi de défaut de roulement en temps réel basée sur la méthode RT-OPTICS (Real Time-OPTICS). Cette méthodologie repose sur trois boucles: initialisation, détection et suivi. La phase d’initialisation concerne l’initialisation de la matrice d’indicateurs de défauts ainsi que la constitution d’une classe dite « classe saine ». La phase de détection est une boucle de calcul qui consiste à (i) constituer une matrice d’indicateurs et à la normaliser à partir des signaux enregistrés, à l’instant t, (ii) réduire la dimension de cette matrice par projection sur une nouvelle dimension par la méthode de KPCA et enfin (iii) appliquer la méthode de classification OPTICS pour détecter l’apparition d’une nouvelle classe dite « classe défaut ». La phase de suivi consiste à projeter la matrice d’indicateurs de défauts dans la base qui a permis de détecter la « classe défaut » et de suivre dans le temps l’évolution de cette classe dans la même base. La méthode proposée a été validée numériquement et expérimentalement pour deux types de défaut de roulement (défaut de bague extérieure et défaut de bague intérieure). Mots-clés : classification, surveillance vibratoire, KPCA, et RT-OPTICS. 1.Introduction Les machines tournantes occupent actuellement une place prépondérante dans les applications faisant intervenir des systèmes de transmission de puissance. La mesure des vibrations sur ces machines revêt une importance toute particulière puisqu‘elle joue un rôle capital dans les programmes de maintenance. A l’heure actuelle, l’analyse vibratoire tient une place importante chez les industriels afin d’obtenir une disponibilité accrue de leurs machines : ils contrôlent l’état réel de leurs équipements (machines tournantes) afin d’éviter des arrêts non planifiés dus aux pannes. L’analyse vibratoire est un outil puissant de détection de défauts des machines tournantes : elle permet notamment de détecter les défauts se manifestant dans les roulements [1]. Cette technique consiste à extraire des paramètres caractéristiques de l’état de fonctionnement de la machine et à suivre dans le temps l’évolution de ces paramètres dits « indicateurs de défaut ». L’extraction peut se faire dans l’espace-temps, l’espace fréquence et/ou l’espace temps-fréquence ou temps-échelle. Les méthodes basées sur la reconnaissance de formes sont de plus en plus utilisées dans le diagnostic de défaut des machines tournantes. Ces méthodes sont utilisées, dans la plupart des cas, en statique et ne prennent pas en compte l’évolution de l’état de fonctionnement de la machine. Kerroumi (2016) a développé une méthode de classification dynamique basée sur l’algorithme DBSCAN. Elle a proposé une procédure de détection en temps réel des défauts de roulement. Benmahdi (2017) a proposé une méthode classification dynamique basée sur l’algorithme OPTICS (RT-OPTICS : Real Time OPTICS) en utilisant deux indicateurs temporels : le kurtosis et la valeur rms. Nous proposons, dans ce travail, une généralisation de la méthode RT-OPTICS en utilisant plusieurs indicateurs de défaut et une méthode de réduction de dimension afin d’optimiser et donc de fiabiliser la détection et le suivi en temps réel des défauts de roulement, notamment le défaut de bagues extérieure et le défaut de bague intérieure. 2 Méthode OPTICS OPTICS est un algorithme de classification basée sur la densité mis en place par [2]. Pour cette forme d’algorithme, les objets se trouvant dans des régions denses sont affectés en tant que membres de clusters. Les bruits sont des objets situés dans des régions moins denses, situées séparément des membres des clusters. OPTICS est une extension de l'algorithme de cluster spatial basé sur la densité (DBSCAN) [3], Algorithme 1. Algorithme 1 : C=OPTICS (D, Eps, MinPts) Entrée: une base de données D avec N échantillons ; epsilon (Eps) le rayon ; MinPts le nombre de points minimum dans un cluster. Sortie: ensemble de clusters C = {c1, c2, c3… cn} Méthodes : Étape 1 : Pour chaque point P de D Étape 2 : N = requête de région (P, Eps). Étape 3 : Si la taille de (N) < MinPts, marquez P comme bruit. Étape 4 : Si N > = MinPts, marquez P comme objet principal Étape 5 : Ajoutez P à la file d'attente prioritaire. Étape 6 : Répétez les étapes 1, 2, 3 et 4 jusqu'à ce que la fin de la base de données D soit atteinte. RT-OPTICS (Real Time OPTICS) introduit la dimension temps dans l’analyse pour le suivi en temps réel du composant. La méthode RT-OPTICS fonctionne automatiquement pour chaque nouvelle mesure jusqu'à ce que le défaut soit détecté, puis passe à l'étape suivante qui correspond au suivi du nuage de points constitué de deux indicateurs (Kurtosis et rms). Les caractéristiques du nuage des points peuvent être utilisées pour suivre l’évolution du défaut tels que le contour, la densité ou le centre de gravité du nuage [4]. 3. Méthode proposée 3.1 Principe La méthodologie RT-OPTICS proposée est organisée en trois boucles de calcul : Initialisation, détection, suivi. La phase d’initialisation concerne l’initialisation de la matrice d’indicateurs de défauts ainsi que la constitution d’une classe dite « classe saine ». La phase de détection est une boucle de calcul qui consiste à (i) constituer une matrice d’indicateurs et à la normaliser à partir des signaux enregistrés, à l’instant t, (ii) réduire la dimension de cette matrice par projection sur une nouvelle dimension par la méthode de KPCA et enfin (iii) appliquer la méthode de classification OPTICS pour détecter l’apparition d’une nouvelle classe dite « classe défaut ». La phase de suivi consiste à projeter la matrice d’indicateurs de défauts dans la base qui a permis de détecter la « classe défaut » et de suivre dans le temps l’évolution de cette classe dans la même base. Cette phase de suivi est destinée à prédire la défaillance ou à prévoir le remplacement du composant défectueux. Pour cela, on utilise des caractéristiques géométriques comme la distance entre les deux groupes, le contour et la densité de la « classe défaut ». 3.2 Extraction des caractéristiques L’extraction des paramètres caractéristiques de l’état de fonctionnement de la machine tournante consiste à calculer des indicateurs dans le domaine temporel, fréquentiels, temps-fréquence ou temps-échelle. Dans le cas de cette étude, 13 indicateurs sont calculés. Six indicateurs sont extraits du domaine temporel : moyenne quadratique (rms), kurtosis (Ku), pic (PIC), Facteur crête (CF), asymétrie (AS), facteur d’impulsion (IF) [5]. Cinq indicateurs sont extraits du domaine spectral : la fréquence quadratique moyenne (frms), la fréquence quadratique moyenne brute (frmsb), la fréquence centrale (fc), l'écart type de la fréquence brute (fstdb) et la valeur moyenne quadratique (rmsf) [6]. Deux indicateurs sont extraits de la transformation en ondelettes : la valeur moyenne quadratique du spectre de coefficients d'ondelettes (WRMS) et la valeur moyenne des amplitudes du spectre d'enveloppe (PCWT) [7]. 3.3 Réduction de la dimension Parmi plusieurs méthodes de réduction de dimension, l'analyse en composantes principales à noyau (KPCA) est utilisée pour sa fiabilité. Après l'extraction des indicateurs et avec de grandes quantités de données, l'importance de la sélection devient évidente, car elle réduit le temps et l'espace de stockage requis sans perdre des informations précieuses. Cela facilite également la visualisation des données lorsqu'elles sont réduites en 2D ou 3D [8]. 3.4 Suivi La phase de suivi consiste à projeter la matrice d’indicateurs de défauts dans la base qui a permis de détecter la « classe défaut » et de suivre dans le temps l’évolution de cette classe dans la même base. Cette phase de suivi est destinée à prédire la défaillance ou à prévoir le remplacement du composant défectueux. Pour cela, nous avons utilisé des caractéristiques géométriques comme la distance entre les deux groupes, le contour et la densité de la « classe défaut ». Le suivi de l’évolution de ces caractéristiques en fonction du défaut peut également permettre de quantifier la dégradation d'un roulement ou de différencier un changement dû à l'évolution du défaut. 4 Validation numérique 4.1 Base de données Un modèle uploads/Industriel/ 2019-cfm-papier-hotait.pdf