Système IA de thermographie infrarouge pour pont roulant

Conformément aux exigences de la norme ISO 4301 / FEM 1.001 — Spécifications essentielles pour la conception des appareils de levage concernant la surveillance de la température des équipements électriques et le contrôle de l'isolation, les ponts roulants soumis à des charges lourdes et à un fonctionnement continu présentent des échauffements du système électrique, des élévations de température par frottement des composants mécaniques et un vieillissement de l'isolation, autant de causes majeures de défaillances. La thermographie infrarouge permet de détecter sans contact la distribution de température en surface et d'identifier précocement les risques de surchauffe. Le système d'analyse intelligente par IA résout quant à lui les problèmes de l'analyse manuelle traditionnelle : forte dépendance à l'expérience, faible efficacité et absence de standardisation.

Cet article présente la solution technique complète de l'inspection thermographique intelligente des ponts roulants, depuis la procédure de prise de vue sur site, la constitution de la bibliothèque de signatures thermiques, le déploiement des modèles d'apprentissage profond jusqu'à la génération automatique des rapports d'inspection.

Domaine d'application et cibles de détection de l'inspection thermographique des ponts roulants

Le domaine d'application de l'inspection thermographique infrarouge des ponts roulants couvre trois grandes catégories : le système électrique, la machinerie de transmission et les connexions structurelles. Dans le système électrique, les cibles de détection principales incluent l'échauffement des modules IGBT du variateur de fréquence, l'élévation de température des enroulements statoriques du moteur, les surchauffes localisées dues à une résistance de contact excessive au niveau des borniers et des raccords de câbles, ainsi que les élévations anormales de température des composants de l'armoire de commande tels que les disjoncteurs, contacteurs et relais.

Dans la machinerie de transmission, l'accent est mis sur l'uniformité de la distribution thermique au niveau des paliers de tambour et des roulements du réducteur, l'échauffement par frottement entre la garniture de friction et la roue de frein du frein, les surchauffes localisées dues aux écarts d'alignement d'arbres de l'accouplement, ainsi que les températures de fonctionnement des paliers de tambour et des essieux de galet. Pour les connexions structurelles, une attention particulière est portée aux élévations anormales de température des boulons de liaison entre la poutre principale et les têtes de pont, des agrafes de rail et des supports de ligne conductrice. Une anomalie thermique sur ces zones reflète généralement un desserrage structurel ou un mauvais contact.

En ce qui concerne la fréquence d'inspection, elle doit être adaptée à l'état de fonctionnement et à la classe d'importance de l'équipement. Les équipements de classe A (ponts roulants de coulée métallurgique, ponts roulants critiques des lignes de production principales) doivent faire l'objet d'un balayage thermographique complet mensuel. Les équipements de classe B (ponts roulants standard des zones de travail) sont inspectés trimestriellement, et les équipements de classe C (ponts roulants de réserve ou à faible fréquence d'utilisation) semestriellement. Des contrôles thermographiques spécifiques doivent être programmés après une période de fonctionnement à pleine charge, avant la saison de forte chaleur estivale, et dans les 24 heures suivant la remise en service après maintenance.

L'inspection doit être réalisée lorsque le pont roulant fonctionne à charge nominale, de préférence avec un taux de charge d'au moins 70 %, afin de garantir une manifestation complète des signatures thermiques.

Spécifications des caméras thermiques et procédure de prise de vue sur site

L'inspection infrarouge des ponts roulants impose des exigences précises sur les performances des caméras thermiques. La résolution du détecteur ne doit pas être inférieure à 320×240 pixels ; une résolution de 640×480 pixels ou supérieure est recommandée pour garantir la précision de détection des cibles distantes de petite taille. La sensibilité thermique (NETD) doit être inférieure à 0,05 °C, avec une précision de mesure de ±2 °C ou de ±2 % de la lecture. La plage de mesure de température doit couvrir de −20 °C à +350 °C afin de s'adapter à une large dynamique, des températures ambiantes basses aux points chauds de défaut.

Le choix de la distance focale de l'objectif dépend de la distance de détection : pour l'inspection des moteurs et des freins de pont roulant à une distance de 3 à 5 mètres, un objectif standard de 24° est suffisant ; pour la détection des lignes d'alimentation aériennes et des joints de rail à plus de 10 mètres, il est recommandé d'opter pour un objectif téléobjectif de 12° ou une fonction de mise au point automatique par mesure de distance laser. La caméra thermique doit prendre en charge la mise au point manuelle, une émissivité réglable (de 0,1 à 1,0 par pas de 0,01), la compensation de la température ambiante réfléchie et la correction de la transmission atmosphérique. Ces paramètres sont essentiels pour la précision des inspections sur site.

La prise de vue sur site doit suivre une procédure standardisée. Avant de capturer les images, l'inspecteur doit saisir les paramètres environnementaux : température ambiante, humidité, vitesse du vent, température réfléchie (généralement mesurée par la méthode de la feuille d'aluminium) et émissivité de la surface inspectée (environ 0,85 à 0,92 pour les surfaces métalliques peintes, et 0,25 à 0,45 pour les surfaces métalliques nues). La distance de prise de vue doit être maintenue dans la plage de mise au point optimale de la caméra thermique, généralement inférieure à 15 mètres.

Chaque point de contrôle doit faire l'objet d'au moins deux images thermiques : une vue panoramique de localisation (incluant des repères environnants pour faciliter la localisation ultérieure du défaut) et une vue rapprochée ciblée (l'objet occupant au moins un tiers du cadre). Les images thermiques doivent être enregistrées au format de données de température radiométrique brute (par exemple, JPEG radiométrique FLIR ou format TMG GuidIR) afin de permettre l'analyse IA ultérieure et la comparaison des tendances de température.

Kelude a développé, à travers sa pratique de l'inspection infrarouge des ponts roulants, une liste standardisée de points de mesure couvrant 32 points de contrôle critiques par pont roulant, incluant les armoires électriques, moteurs, freins, réducteurs, logements de roulement de tambour, blocs de roues, raccords de ligne d'alimentation et boulons de liaison de la poutre principale.

Construction d'une bibliothèque de signatures thermiques et entraînement de modèles IA

Le cœur de l'analyse intelligente d'images par IA repose sur la construction d'une bibliothèque de signatures thermiques infrarouges couvrant les états de fonctionnement normaux et les états de défaut typiques des différents composants du pont roulant. La construction de cette bibliothèque se déroule en trois phases. La première phase est la collecte de la bibliothèque de référence : acquisition continue de données thermiques infrarouges pendant plus de 30 jours lorsque le pont roulant est en état de fonctionnement sain, couvrant différents taux de charge, températures ambiantes et périodes de fonctionnement, afin d'établir des courbes de référence de distribution de température pour chaque point de contrôle.

La bibliothèque de référence nécessite au moins 100 images thermiques valides par point de contrôle, avec une couverture des cinq grandes catégories d'équipements : variateurs de fréquence, moteurs, freins, réducteurs et connexions électriques, chacune comprenant au moins 3 échantillons de marques ou de modèles différents. La deuxième phase est l'enrichissement des échantillons de défauts : simulation de défauts ou collecte de données thermiques de l'historique des défauts afin d'accumuler au moins 50 échantillons positifs pour chaque type de défaut.

Pour les données de défauts réels difficiles à obtenir, des images thermiques de défauts peuvent être synthétisées à l'aide de réseaux antagonistes génératifs (GAN), ou la bibliothèque peut être enrichie par transfert de style de CycleGAN, convertissant des images thermiques normales en images de défauts.

En ce qui concerne la sélection du modèle, le système d'analyse IA des images thermiques de ponts roulants adopte généralement une architecture de détection en deux étapes.

La première étape utilise un réseau de détection d'objets (tel que YOLOv8 ou RT-DETR) pour identifier et découper automatiquement les zones de chaque composant dans l'image thermique panoramique. La deuxième étape utilise un réseau de classification (tel que ResNet-50, EfficientNet-B4 ou Vision Transformer) pour analyser le modèle de température de chaque zone, déterminant si son état est normal, en alerte ou en alarme.

Pour les scénarios d'analyse de tendances temporelles, des informations de dimension temporelle sont intégrées à l'aide de modèles ConvLSTM ou TimesNet afin de prédire les courbes d'évolution de température d'un même point de contrôle lors d'inspections successives et de détecter des vitesses d'échauffement anormales. Lors de l'entraînement, les données de température radiométrique brute des images thermiques sont normalisées en entrée, chaque valeur de pixel correspondant à une température réelle (résolution de 0,1 °C), et la fenêtre contextuelle est définie sur les données des 3 dernières inspections de ce point de contrôle.

Dans le déploiement réel de Kelude, le modèle de détection YOLOv8m atteint une vitesse d'inférence de 35 fps sur le dispositif périphérique NVIDIA Jetson Orin NX, avec une mAP@0,5 de 94,7 %. Le modèle de classification EfficientNet-B4 atteint une précision de 96,3 %, et le temps total entre la capture d'une image thermique et la sortie du résultat de diagnostic est maintenu sous les 2 secondes.

Architecture du système d'analyse d'images IA et mise en œuvre du diagnostic automatique

Le système d'analyse d'images infrarouges IA pour ponts roulants repose sur une architecture hybride combinant l'inférence en périphérie et la gestion centralisée dans le cloud.

Côté périphérie, les données brutes de rayonnement thermique capturées par la caméra thermique infrarouge sont transmises via USB 3.0 ou GigE Vision à un dispositif d'informatique en périphérie déployé localement dans l'atelier (NVIDIA Jetson Orin NX/AGX ou PC industriel de type AI Box). Ce dispositif exécute les modèles de détection YOLOv8 et de classification EfficientNet, permettant une inférence en temps réel et des alertes immédiates.

Pour les points de détection nécessitant une analyse de tendance temporelle, le dispositif périphérique transmet les données thermiques recadrées de la zone cible ainsi que les valeurs caractéristiques de température au centre de données cloud via le protocole MQTT. Le cloud héberge le modèle de prédiction de tendance ConvLSTM et une vaste bibliothèque de caractéristiques thermiques. Il assure également la gestion des mises à jour des modèles, la génération des rapports d'inspection et l'analyse agrégée des données multi-sites.

Les communications du système sont chiffrées par TLS, et les données thermiques sont transmises et stockées conformément aux exigences de niveau 2 de la protection classifiée de la cybersécurité GB/T 22239.

La sortie du diagnostic automatique par IA adopte une stratégie de classification à trois niveaux. Le niveau vert correspond à un état normal : le système archive automatiquement les données thermiques et met à jour la courbe de référence de température du point de détection. Le niveau jaune indique un état de vigilance : l'écart de température dépasse le seuil d'alerte précoce mais reste inférieur au seuil d'alarme ; le système signale ce point dans le rapport d'inspection et recommande une contre-mesure prioritaire lors de la prochaine inspection.

Le niveau rouge correspond à un état d'alarme : l'écart de température dépasse le seuil d'alarme ou la vitesse de variation de température est anormale. Le système déclenche immédiatement des notifications d'alerte par SMS, WeChat et Enterprise WeChat, et génère dans le rapport d'inspection une analyse détaillée de la défaillance comprenant l'image thermique, l'image comparative en lumière visible, la courbe de données de température, les données historiques de composants similaires et des recommandations de maintenance.

Dans le cadre des déploiements réalisés par Kelude dans plusieurs usines, le système d'analyse d'images IA a réduit le temps d'interprétation manuelle de 45 minutes à 8 minutes par pont roulant, avec un taux de non-détection inférieur à 0,5 % et un taux de fausses alertes inférieur à 3 %. Il a permis d'anticiper de 7 à 14 jours les défaillances dans deux scénarios typiques : la surchauffe des raccords électriques et l'usure précoce des roulements.

Automatisation des rapports d'inspection et plateforme de gestion des données

La génération automatique des rapports d'inspection constitue une étape clé de la valorisation du système d'analyse d'images IA.

À l'issue de chaque inspection, le système génère automatiquement un rapport structuré aux formats PDF/HTML, comprenant : les informations de base de l'inspection (numéro d'équipement, date, paramètres environnementaux, inspecteur), un tableau récapitulatif des données de température des points de détection clés (avec code couleur rouge/jaune/vert pour chaque point), une analyse thermique détaillée des points anormaux (image thermique, histogramme de distribution des températures, courbe de tendance historique du même point, conclusion du diagnostic IA et recommandations de maintenance), ainsi qu'un aperçu du score de santé de l'équipement.

Le score de santé de l'équipement est calculé selon un modèle de pondération intégrant les 32 points de détection : le système électrique représente 40 % du poids total (variateur de fréquence IGBT 15 %, enroulements moteur 10 %, bornier 8 %, appareillage de commande 7 %), le système de transmission mécanique 35 % (roulement de réducteur 12 %, surface de friction du frein 10 %, logement de roulement de tambour 7 %, bloc de roues 6 %), et les éléments de liaison structurelle 25 % (boulons de liaison de la poutre principale 10 %, agrafe de rail 8 %, raccords de ligne d'alimentation 7 %).

Le score est présenté sur une échelle de 100 : supérieur à 90 = excellent, 75 à 89 = bon, 60 à 74 = à surveiller, inférieur à 60 = maintenance requise.

La plateforme de gestion des données offre des fonctionnalités d'analyse multidimensionnelle : analyse de la tendance historique des températures d'un pont roulant (traçable sur 12 mois), analyse comparative entre équipements de même type (évaluation de la cohérence et des écarts entre modèles identiques), analyse des variations saisonnières de température (pour optimiser les cycles d'inspection et les seuils d'alerte), et prédiction de la dégradation des équipements (estimation de la durée de vie résiduelle des composants critiques à partir de modèles de séries temporelles).

La plateforme propose également une interface API standard, compatible avec les systèmes EAM (gestion des actifs d'entreprise) ou CMMS (gestion de maintenance informatisée), permettant l'automatisation du flux des données d'inspection vers les ordres de travail. Kelude a intégré cette solution d'inspection intelligente par thermographie infrarouge dans son système de gestion du cycle de vie complet des ponts roulants, formant ainsi une boucle fermée complète : détection, diagnostic, maintenance et contre-évaluation.

Points clés de déploiement de l'inspection intelligente par thermographie infrarouge

Dans la pratique, le déploiement du système d'inspection intelligente par thermographie infrarouge sur ponts roulants nécessite une attention particulière sur plusieurs aspects.

Premièrement, l'adéquation entre la caméra thermique et le dispositif d'informatique en périphérie doit être déterminée en fonction de la distance de détection sur site, de la taille de la cible, de la température ambiante et du niveau de vibration. Il s'agit d'éviter les problèmes d'ingénierie tels que l'incapacité à résoudre les petites cibles en raison d'une focale insuffisante, ou l'impossibilité de distinguer les micro-écarts de température en raison d'un NETD trop élevé.

Deuxièmement, l'entraînement spécifique du modèle IA sur les ponts roulants est essentiel. Les modèles pré-entraînés génériques donnent souvent des résultats insatisfaisants sur des composants spécifiques (tels que le boîtier à six transistors de l'IGBT du variateur de fréquence ou la surface de contact incurvée de la garniture de friction du frein). Un micro-ajustement à partir de données thermiques réelles collectées sur site est indispensable pour atteindre une précision de détection exploitable.

Troisièmement, la planification du parcours d'inspection et la standardisation des points de prise de vue constituent la base de la cohérence des données. Il est recommandé de marquer au sol chaque position de prise de vue dans l'atelier et d'utiliser des cibles réfléchissantes sur le pont roulant pour matérialiser les angles de prise de vue, garantissant ainsi une cohérence des angles et des distances à chaque inspection, et donc la fiabilité des comparaisons de tendances de température.

Kelude propose un ensemble complet de services d'ingénierie, de la reconnaissance du site à la sélection des équipements, en passant par l'entraînement des modèles et le déploiement du système, afin d'accompagner les entreprises dans la mise en place d'un système d'inspection intelligente par thermographie infrarouge standardisé pour leurs ponts roulants.

Questions Fréquentes

Le système d'inspection intelligente par imagerie thermique infrarouge à intelligence artificielle pour ponts roulants constitue une application typique de la transition des techniques de détection traditionnelles vers une numérisation intelligente. Grâce à des procédures de prise de vue standardisées, une bibliothèque de caractéristiques thermiques spécialisée, des modèles d'apprentissage profond IA de haute précision et une plateforme automatisée de génération de rapports, il transforme l'inspection des ponts roulants d'une évaluation qualitative fondée sur l'expérience en une évaluation quantitative pilotée par les données. Pour en savoir plus sur les solutions techniques de détection intelligente et de maintenance prédictive des ponts roulants, n'hésitez pas à contacter l'équipe technique de Kelude pour obtenir une documentation technique détaillée et un service d'étude sur site. Kelude a accumulé une riche expérience en ingénierie dans le domaine de la maintenance intelligente des ponts roulants et peut offrir aux entreprises un support technique complet, de la conception des solutions de détection à l'intégration des systèmes et aux services d'exploitation et de maintenance.