Diagnostic vibrations, émission acoustique et huile pont roulant
Problème central : comment la fusion par IA des trois technologies de détection — émission acoustique, vibration et analyse d'huile — permet-elle d'anticiper les défaillances de la transmission d'un pont roulant ?
L'émission acoustique capte les microfissures du matériau (50~400 kHz), l'analyse vibratoire identifie les signatures fréquentielles des pièces en rotation (0,5 Hz~10 kHz), et l'analyse d'huile quantifie directement la concentration de particules d'usure. Les données trimodales, traitées par extraction de caractéristiques via 1D-CNN et fusion par attention croisée multi-têtes, atteignent une précision de diagnostic de l'usure des engrenages de 97,2 %, soit 10,7 points de plus qu'avec la seule analyse vibratoire, avec une anticipation moyenne de 24,8 jours et un taux de fausses alertes de seulement 2,1 %.
Conformément aux exigences de la norme ISO 4301 relative aux règles de conception des appareils de levage — dispositions essentielles concernant la surveillance de la santé des mécanismes de transmission, l'évolution des défaillances des composants critiques de transmission d'un pont roulant — réducteurs, roulements, freins — suit généralement un long processus allant de l'endommagement microscopique à la défaillance macroscopique. Une seule technologie de détection ne permet souvent d'identifier efficacement le problème qu'à un stade intermédiaire ou avancé de son développement.
Les trois techniques — émission acoustique (y compris le domaine audible), analyse vibratoire et analyse d'huile — présentent chacune une sensibilité différente aux divers types de défauts naissants : l'émission acoustique est extrêmement sensible à la première rupture des microfissures du matériau, les signaux vibratoires offrent des signatures fréquentielles claires pour les déséquilibres et les défauts d'alignement d'arbres des pièces en rotation, tandis que l'analyse d'huile renseigne directement sur la nature, la morphologie et la concentration des particules d'usure.
La fusion des données issues de ces trois techniques par analyse multimodale basée sur l'IA permet de capter les signaux précoces de défaillance selon plusieurs dimensions physiques, pour un diagnostic plus précoce et plus précis. Cet article expose de manière détaillée la configuration des capteurs, l'extraction de caractéristiques, les algorithmes de fusion et le déploiement industriel d'un système de diagnostic intégré — émission acoustique, vibration et huile — pour la transmission d'un pont roulant.
Fondements physiques de la détection multimodale et configuration des capteurs pour la transmission de pont roulant
Le processus d'évolution des défaillances dans la transmission d'un pont roulant se manifeste par des signaux précoces distincts selon le domaine physique considéré. Dans le domaine de l'émission acoustique, la propagation des microfissures et les mouvements de dislocations génèrent des signaux acoustiques de type transitoire dans la plage de 100 kHz à 1 MHz. Ces signaux peuvent être captés par le capteur d'émission acoustique 2 à 4 semaines avant que les fissures n'atteignent une dimension macroscopique.
Dans le domaine vibratoire, l'écaillage de fatigue naissant d'un roulement produit des chocs périodiques aux fréquences de passage des éléments (BPFO/BPFI/BSF/FTF). Le capteur d'accélération dynamique peut détecter des signaux d'impact faibles de l'ordre de 10 à 50 mg dès le début de la défaillance, généralement 1 à 2 semaines avant toute élévation de température.
Dans le domaine de l'huile, les particules d'usure issues des engrenages et des roulements restent en suspension dans l'huile de lubrification. Avant que l'usure n'entre dans sa phase accélérée, la concentration de particules ferromagnétiques dans l'huile passe de la valeur normale (<10 ppm) à 50~200 ppm. L'analyse ferrographique peut révéler une tendance anormale d'usure 2 à 6 semaines à l'avance.
Les trois techniques se complètent en termes de fenêtre temporelle de détection : l'émission acoustique est la plus précoce (2 à 4 semaines), suivie de l'analyse d'huile (2 à 6 semaines), tandis que l'analyse vibratoire se situe entre les deux (1 à 2 semaines). Leur fusion permet une couverture complète du cycle de vie de la défaillance — stade précoce, intermédiaire et avancé.
La configuration du système de capteurs doit couvrir les deux unités de transmission principales : le réducteur du mécanisme de levage et celui du mécanisme de translation. Chaque réducteur est équipé des capteurs suivants : un capteur d'accélération dynamique (type IEPE, sensibilité 100 mV/g, plage de fréquence 0,5 Hz~10 kHz, plage de mesure ±50 g) installé sur le palier d'arbre à grande vitesse, le palier d'arbre intermédiaire et le palier d'arbre à basse vitesse ;
un capteur d'émission acoustique (fréquence de résonance 150 kHz, préamplificateur intégré de 40 dB, plage de fréquence 50 kHz~400 kHz) fixé sur la paroi extérieure du carter du réducteur, à proximité de la zone d'engrènement, maintenu par une base magnétique et couplé acoustiquement à l'aide d'un gel de couplage ultrasonore ;
un capteur d'huile en ligne (mesure de la viscosité ±5 %, de la teneur en eau ±50 ppm, de la concentration de particules ferromagnétiques ±10 ppm et de la constante diélectrique ±0,5) inséré en série dans le circuit de circulation d'huile du réducteur ou monté en dérivation.
À titre d'exemple, pour le réducteur de levage d'un pont roulant de 40 tonnes, la configuration complète comprend 3 points de mesure vibratoire, 2 points de mesure d'émission acoustique et 1 capteur d'huile en ligne, avec une fréquence d'acquisition de 25,6 kHz pour les vibrations, de 1 MHz pour l'émission acoustique et une mesure de l'huile toutes les 10 minutes.
| Détectionmode | Capteurtype | Détectionbande de fréquence | fréquence d | délai d | type de défaut le plus sensible |
|---|---|---|---|---|---|
| émission acoustique | résonant AECapteur | 50~400kHz | 1MHz | 2~4cycle | Engrenagemicroscopique Fissure, Roulementécaillage naissant |
| vibration | IEPECapteur d'accélération | 0.5Hz~10kHz | 25.6kHz | 1~2cycle | Roulementpiqûre, Engrenagerupture de dent, nonalignement d'arbres, déséquilibre |
| huile | état de l Capteur | taille des particules1~1000μm | par10minune fois | 2~6cycle | Engrenage/Usure du roulement Défaillance, dégradation de l |
Extraction de caractéristiques multi-modales et prétraitement en Informatique en Périphérie
Les signaux bruts des trois modalités présentent des différences significatives en termes de caractéristiques de données, nécessitant des pipelines d'extraction de caractéristiques spécifiques à chacune. L'extraction des caractéristiques des signaux vibratoires utilise des statistiques dans les domaines temporel, fréquentiel et temps-fréquence. Les caractéristiques temporelles comprennent la crête, la valeur efficace (RMS), l'aplatissement (kurtosis), le facteur de forme, le facteur de crête et le facteur d'impulsion. L'indicateur d'aplatissement est particulièrement sensible aux défauts d'impact précoces sur les roulements — la valeur d'aplatissement des vibrations d'un roulement sain est d'environ 3, et peut monter à 5~8 lorsqu'un début d'écaillage apparaît.
Les caractéristiques fréquentielles sont extraites par transformée de Fourier rapide (FFT) pour obtenir les amplitudes des fréquences d'engrènement et de leurs bandes latérales. Pour un réducteur à deux étages, les variations d'amplitude des bandes latérales autour des fréquences d'engrènement de l'étage rapide (généralement 300~800 Hz) et de l'étage lent (généralement 80~200 Hz) constituent des indicateurs clés de défauts d'engrenage.
Pour le domaine temps-fréquence, la transformée de Fourier à court terme (STFT) ou la transformée en ondelettes continue (CWT) sont utilisées pour extraire les motifs de défauts du spectrogramme temps-fréquence. La transformée en ondelettes offre une résolution fréquentielle élevée dans les basses fréquences, ce qui la rend adaptée à l'extraction des caractéristiques vibratoires non stationnaires du réducteur de pont roulant lors des phases de démarrage, d'arrêt et de variation de charge.
Le traitement du signal d'émission acoustique se concentre sur l'extraction de deux types de paramètres : les signaux de type impulsionnel et les signaux de type continu.
Les paramètres d'émission acoustique de type impulsionnel comprennent le comptage de résonances (ring-down count), le comptage d'événements, l'amplitude, le temps de montée, la durée et l'énergie. Chaque paramètre permet de distinguer différentes sources de défauts — les signaux d'émission acoustique générés par les fissures de fatigue sur les dents d'engrenage présentent généralement un temps de montée plus long (50~200 μs) et une énergie plus élevée (>1000 aJ), tandis que les signaux produits par le passage des corps roulants sur une fissure ont un temps de montée plus court (10~50 μs).
Les paramètres d'émission acoustique de type continu comprennent la valeur efficace RMS (reflétant l'intensité globale de l'activité d'émission acoustique) et le niveau moyen du signal ASL (une valeur ASL supérieure de plus de 10 dB à la ligne de base indique une usure anormale accélérée).
L'analyse des signaux d'émission acoustique utilise également une technique de localisation spatiale : un réseau de capteurs d'émission acoustique est disposé sur le carter du réducteur, et la méthode de différence de temps d'arrivée (TDOA) permet de calculer les coordonnées spatiales de la source d'émission acoustique à l'intérieur du réducteur. Cette approche localise le défaut au niveau de l'étage d'engrenage ou de la position de roulement spécifique, avec une Précision de Positionnement de ±50 mm.
Les données d'analyse d'huile comprennent deux catégories : les paramètres temps réel des capteurs en ligne et les données d'analyses en laboratoire hors ligne. Les capteurs en ligne surveillent en continu la concentration de particules ferromagnétiques, l'indice de particules d'usure, la viscosité cinématique et la constante diélectrique de l'huile. La concentration de particules ferromagnétiques (code norme ISO 4406) et l'indice de particules d'usure (WPC) sont les indicateurs clés pour évaluer le degré d'usure.
Les analyses en laboratoire sont effectuées trimestriellement et comprennent : l'analyse ferrographique (déterminant si la morphologie des particules indique une usure par coupe, un écaillage de fatigue ou une usure par glissement), l'analyse spectroscopique des éléments (les concentrations de Fe, Cu, Al, Si, Cr, etc. reflètent les zones d'usure spécifiques — une concentration élevée de Fe indique une usure des engrenages ou des roulements, une concentration élevée de Cu indique une usure de la cage en laiton), ainsi que l'analyse des propriétés physico-chimiques de l'huile (indice d'acidité, teneur en eau, point d'éclair, résistance à l'émulsification, etc.).
La stratégie d'analyse synergique entre les données en ligne et hors ligne est la suivante : les capteurs en ligne surveillent en continu les tendances ; lorsqu'une augmentation anormale est détectée, un échantillonnage hors ligne est déclenché pour une analyse ferrographique et spectroscopique détaillée, confirmant ainsi le type de défaut et la zone d'usure.
Modèle de diagnostic par fusion multimodale IA basé sur les mécanismes d'attention
Le défi technique central de la fusion multimodale (vibrations, émission acoustique, huile) réside dans les différences considérables d'échelles temporelles, de fréquences d'échantillonnage et de dimensions de caractéristiques entre les trois modalités — l'émission acoustique collecte 1 million de points de données par seconde, les vibrations 25 600 points par seconde, et l'huile ne fournit une lecture que toutes les 10 minutes. Les méthodes traditionnelles de fusion au niveau des données peinent à gérer cette hétérogénéité ; une architecture hiérarchique combinant fusion au niveau des caractéristiques et fusion au niveau des décisions est donc adoptée.
Au niveau des caractéristiques, les données de chaque modalité passent par un réseau d'extraction dédié pour générer des vecteurs de caractéristiques de basse dimension : le signal vibratoire traverse un réseau 1D-CNN avec blocs résiduels pour produire un vecteur de 192 dimensions ; le signal d'émission acoustique passe par une décomposition en paquets d'ondelettes multi-échelles suivie d'un 1D-CNN pour un vecteur de 256 dimensions ; les données temporelles de l'huile sont traitées par un LSTM ou TimesNet pour un vecteur de 128 dimensions.
Les trois vecteurs de caractéristiques sont fusionnés via un mécanisme d'attention croisée multi-têtes : le vecteur de chaque modalité sert de requête (query), clé (key) et valeur (value), et le modèle apprend automatiquement les poids de corrélation entre les modalités pendant l'entraînement.
Au niveau décisionnel, le vecteur de caractéristiques multimodales fusionné (dimension 576) passe par une couche entièrement connectée et une fonction Softmax pour produire la probabilité de chaque catégorie de défaut. La couche de sortie du modèle comprend 8 catégories de défauts : usure de surface des dents d'engrenage, rupture de dent, défaut de la Bague Extérieure du roulement, défaut de la Bague Intérieure, défaut des corps roulants, défaut de la cage de roulement, désalignement d'arbres / balourd, et mauvaise lubrification / contamination de l'huile.
De plus, le modèle génère un indice de santé HI (0~100) qui évalue l'état global du réducteur. Le jeu de données d'entraînement doit couvrir les données multimodales du réducteur de pont roulant dans diverses conditions de fonctionnement (différents taux de charge, différentes Vitesses de rotation, différentes températures), avec environ 2 000 échantillons positifs (état normal) et au moins 200 échantillons négatifs par catégorie de défaut.
Étant donné la difficulté d'obtenir des données de défauts réels, un Banc d'essai de durée de vie accélérée du réducteur de pont roulant peut être utilisé pour la collecte de données de défauts, ou une plateforme de simulation Jumeau Numérique peut générer des données simulées pour divers scénarios de défauts.
Lors des essais conjoints menés par Kelude et ses universités partenaires, le modèle de diagnostic trimodal basé sur l'attention croisée a atteint un taux de précision de 97,2 % pour l'identification de l'usure précoce des engrenages, soit une amélioration de 10,7 points par rapport au mode vibratoire seul (86,5 %) et de 9,1 points par rapport au mode émission acoustique seul (88,1 %). Le délai d'alerte moyen a été réduit de 13,6 jours par rapport au mode vibratoire seul.
| Diagnosticmode | Engrenage Usuretaux de précision | Roulementtaux de précision des défauts | délai moyen d | taux de fausses alertes |
|---|---|---|---|---|
| mode unique de vibration | 86.5% | 89.2% | 11.2jour | 5.8% |
| émission acoustiquemode unique de vibration | 88.1% | 87.6% | 18.5jour | 6.2% |
| vibration+double mode huile | 93.4% | 94.1% | 19.8jour | 3.5% |
| fusion trimodale | 97.2% | 96.8% | 24.8jour | 2.1% |
Architecture système et déploiement Edge-Cloud
Le système de diagnostic intégré à triple modalité (vibration, émission acoustique, huile) repose sur une architecture distribuée à trois niveaux.
Au niveau terrain, une unité d'acquisition de données intelligente (DAU) est déployée sur chaque réducteur. Elle intègre des canaux d'acquisition IEPE pour les vibrations (4 canaux, échantillonnage synchrone), des canaux d'acquisition à haute vitesse pour l'émission acoustique (2 canaux, fréquence d'échantillonnage de 1 MHz, mémoire tampon de données de 256 Mo), une interface RS485/Modbus pour le capteur d'huile et un module d'informatique en périphérie (processeur ARM Cortex-A72 + NPU avec une puissance de calcul de 4 TOPS).
La DAU assure l'acquisition des signaux, l'extraction de caractéristiques en périphérie et un premier niveau de diagnostic. Lorsque l'indice de santé (HI) calculé localement descend en dessous de 60, les données de caractéristiques compressées et des extraits de formes d'onde brutes sont transmis à la plateforme d'analyse de données au niveau de l'atelier. Au niveau de l'atelier, un serveur de traitement de données (NVIDIA RTX 4090 ou puissance de calcul équivalente recommandée) exécute la version complète du modèle de diagnostic fusionné, assurant la gestion centralisée des données des différents ponts roulants, l'inférence du modèle et la génération de rapports.
Au niveau de l'entreprise, une plateforme de données centralisée est déployée dans le cloud, permettant l'agrégation et l'analyse des données multi-usines, l'optimisation continue du modèle par apprentissage et la gestion de la base de connaissances du système expert de diagnostic à distance.
La communication du système est sécurisée par un mécanisme de continuité à trois niveaux en cas de coupure réseau. Premièrement, la DAU stocke localement au moins 30 jours de données brutes complètes (vibrations + émission acoustique) et 3 ans de données de tendance, garantissant qu'aucune donnée critique n'est perdue même en cas d'interruption du réseau de l'atelier. Deuxièmement, la communication entre la DAU et le serveur de l'atelier utilise un réseau Ethernet Gigabit filaire. En cas de perte de connexion entre le serveur de l'atelier et le cloud, ce serveur agit comme nœud de mise en cache des données, puis les retransmet automatiquement dès que la connexion est rétablie.
Troisièmement, pour les alertes critiques, le système diffuse simultanément les informations via trois canaux : l'avertisseur sonore et lumineux sur site, une fenêtre contextuelle sur l'interface SCADA de la salle de contrôle, et une notification via SMS ou l'application de messagerie d'entreprise, afin de garantir qu'aucune alerte ne soit manquée.
Dans la pratique de Kelude Industries Lourdes, un système de diagnostic intégré complet peut couvrir la surveillance de la transmission de 10 à 20 ponts roulants dans un seul atelier. La solution de stockage des données est dimensionnée pour environ 2 Go de données brutes par pont roulant et par jour (vibrations 25,6 kHz × 4 canaux × 24 h + émission acoustique 1 MHz × 2 canaux × 24 h). Après extraction des caractéristiques en périphérie, le volume de données à transmettre est réduit à environ 50 Mo par jour, ce qui diminue considérablement la pression sur la bande passante et le stockage cloud.
Cas d'application et retours d'expérience terrain
Dans le cadre d'un projet de surveillance intelligente de la transmission de ponts roulants pour une grande aciérie, Kelude Industries Lourdes a équipé 12 ponts roulants de coulée (chacun avec un mécanisme de levage à crochet double de 40 t/80 t) avec le système de diagnostic intégré à triple modalité.
Au 47e jour d'exploitation, le système a détecté une dégradation de l'indice de santé (HI) du palier de l'arbre à grande vitesse du réducteur de levage principal du pont n° 4, celui-ci passant de 87 à 52. L'aplatissement (kurtosis) des vibrations est passé de 3,1 à 7,8, le nombre d'événements d'émission acoustique est passé d'une moyenne de 200 à 3 800 par jour, et la concentration de particules ferromagnétiques dans l'huile est passée de 12 ppm à 186 ppm. Le modèle de fusion trimodale a conclu à un « début d'écaillage par fatigue de la bague extérieure du roulement, avec un niveau de confiance de 96,5 % ».
L'équipe de maintenance a programmé une intervention de maintenance planifiée sur la base des recommandations du système. L'inspection a révélé 3 fissures d'écaillage par fatigue de 5 à 8 mm de long sur la piste de roulement de la bague extérieure du palier de l'arbre à grande vitesse. Avec le cycle d'inspection vibratoire trimestriel traditionnel, ce défaut n'aurait été détecté que 3 semaines plus tard, moment où l'écaillage se serait étendu, risquant de provoquer la rupture de la cage de roulement, voire le blocage de la boîte de vitesses, entraînant un arrêt non planifié et des dommages collatéraux sur les dents d'engrenage.
Cette alerte précoce a permis d'éviter environ 28 000 € de pertes de production et de coûts de maintenance. L'investissement total pour le système de surveillance des 12 ponts roulants de l'usine s'élevant à environ 46 000 €, le retour sur investissement de ce seul événement d'alerte dépasse déjà 77 %.
Plusieurs enseignements importants ont été tirés de ce projet. Premièrement, la qualité du couplage entre le capteur d'émission acoustique et le carter du réducteur influence directement la qualité du signal. Une fixation par embase magnétique avec un coupleur ultrasonore sur une surface métallique propre permet d'obtenir un couplage stable, mais sur des surfaces peintes ou irrégulières, il est recommandé d'utiliser une fixation permanente par collage à la résine époxy.
Deuxièmement, le choix de l'emplacement d'installation du capteur d'huile en ligne est crucial. Il doit être installé sur le retour d'huile principal ou dans la zone de sédimentation des particules au fond du carter d'huile du réducteur. En cas d'installation en dérivation, il faut s'assurer que la vitesse d'écoulement de l'huile soit comprise entre 0,3 et 1,0 m/s pour garantir la représentativité du comptage des particules.
Troisièmement, les caractéristiques du signal des réducteurs de pont roulant diffèrent considérablement entre les phases de démarrage/arrêt et le régime permanent. Lors de l'entraînement du modèle d'IA, il est nécessaire de diviser les plages de charge et de vitesse (quatre plages : à vide, en charge légère, à charge nominale, en surcharge) et d'utiliser des seuils de diagnostic et des modèles de référence différents pour chaque plage, afin d'éviter les fausses alertes dues aux variations des conditions de fonctionnement.
Kelude Industries Lourdes a accumulé une vaste expérience dans la sélection de capteurs, l'intégration de systèmes et l'analyse de données pour la surveillance intelligente des transmissions de ponts roulants. L'entreprise propose des solutions de diagnostic intégré à triple modalité, adaptées aux secteurs de la métallurgie, des ports et de l'énergie, allant du déploiement pilote sur une seule machine à la couverture complète d'une usine.
Questions fréquentes sur le diagnostic des réducteurs
Q : Quelles sont les modifications nécessaires sur un pont roulant existant pour installer le système de diagnostic intégré ?
A : Les travaux de rénovation comprennent principalement l'installation d'un capteur d'émission acoustique sur le carter du réducteur (fixation par embase magnétique, sans percer le carter), l'installation d'un capteur d'accélération sur le palier (fixation par boulon M6, nécessitant un perçage et un taraudage dans le palier), et l'installation d'un capteur d'huile en série ou en dérivation sur le circuit d'huile (nécessitant une modification de la tuyauterie). Pour les ponts roulants plus anciens, il est recommandé d'effectuer ces travaux d'installation lors d'une révision générale planifiée afin de minimiser l'impact sur la production. Le câblage électrique est acheminé le long des chemins de câbles existants du pont roulant, sans affecter le système électrique d'origine. La durée des travaux d'installation des capteurs sur un pont roulant est d'environ 1 à 2 jours.
Q : Le système peut-il distinguer un défaut d'engrenage d'un défaut de roulement ? Comment les fausses alertes sont-elles gérées ?
A : Oui. Les défauts d'engrenage et de roulement présentent des signatures fréquentielles distinctes : les défauts d'engrenage se manifestent par des variations d'amplitude de la fréquence d'engrènement et de ses bandes latérales, tandis que les défauts de roulement se caractérisent par des réponses impulsionnelles aux fréquences caractéristiques du roulement (BPFO/BPFI/BSF/FTF). Le modèle de fusion trimodale confirme le diagnostic grâce à la localisation par différence de temps d'arrivée de l'émission acoustique (permettant de localiser la source du défaut à ±50 mm près) et à l'analyse morphologique des particules d'huile (l'écaillage par fatigue des engrenages produit des particules lamellaires, tandis que la fatigue des roulements produit des particules sphériques). Concernant les fausses alertes, le système intègre un mécanisme de confirmation à deux niveaux : après un premier diagnostic anormal, la fréquence d'acquisition des données est automatiquement augmentée pour une seconde vérification. L'alerte n'est envoyée qu'une fois le seuil de confiance atteint, ce qui réduit efficacement le taux de fausses alertes.
Q : Quel est le coût d'investissement pour équiper un pont roulant du système de diagnostic intégré ?
A : Le coût matériel des capteurs pour un pont roulant (3 capteurs de vibrations IEPE + 2 capteurs d'émission acoustique + 1 capteur d'huile en ligne + 1 unité d'acquisition de données DAU) est d'environ 18 000 à 25 000 €, les frais d'installation s'élèvent à environ 5 000 €, et les frais de service de la plateforme de données (incluant le modèle IA et la Plateforme Cloud) sont d'environ 3 000 à 5 000 € par appareil et par an. Pour un parc de 10 ponts roulants, l'investissement global est d'environ 250 000 à 350 000 €, soit une moyenne de 25 000 à 35 000 € par appareil. Dans l'industrie sidérurgique, une seule panne non planifiée d'un pont roulant de coulée (pertes de production, coûts de réparation et risques de sécurité inclus) représente une perte de 100 000 à 300 000 €. La prévention réussie d'une seule défaillance majeure du réducteur suffit donc à amortir l'intégralité de l'investissement du système.
Q : Quelles sont les interférences rencontrées par les capteurs d'émission acoustique en environnement industriel et comment les éliminer ?
A : Les interférences électromagnétiques (bruit de commutation PWM des variateurs de fréquence, étincelles des balais de moteur), les bruits de fluide (impact du flux d'huile de lubrification, flux d'air du refroidissement) et les bruits structurels (transmission des vibrations des équipements adjacents) constituent les trois principales sources d'interférences pour les signaux d'émission acoustique. Les méthodes d'élimination comprennent : au niveau du traitement du signal, l'utilisation de filtres passe-bande pour éliminer les bruits électriques (en dessous de 10 kHz) et un filtrage par paramètres de forme d'onde pour supprimer les bruits d'écoulement dont la durée dépasse 1 000 μs ; au niveau de l'installation des capteurs, l'ajout d'une cale en polytétrafluoroéthylène entre le capteur et le carter pour assurer l'isolation électrique ; au niveau algorithmique, la comparaison des formes d'onde des événements d'émission acoustique (la forme d'onde à montée rapide et décroissance exponentielle d'une véritable fissure se distingue nettement de la forme d'onde irrégulière d'un bruit) et le filtrage par localisation spatiale (les événements détectés simultanément par tous les capteurs sont classés comme bruit et exclus).
La technologie de diagnostic fusionné acoustique-vibration-huile représente la direction de pointe de la Surveillance d'État des systèmes de transmission des ponts roulants. En combinant la haute sensibilité de l'émission acoustique aux fissures microscopiques, la caractérisation fréquentielle précise des défauts de machinerie rotative par l'analyse vibratoire, et la mesure quantitative directe des produits d'usure par l'analyse d'huile, ces trois modalités se complètent dans un cadre de fusion multimodale par IA. Cette approche porte le délai d'alerte précoce des défauts des réducteurs et roulements de ponts roulants de 1 à 2 semaines (analyse vibratoire traditionnelle) à 3 à 6 semaines, réduisant considérablement le risque d'arrêt non planifié. Pour en savoir plus sur nos solutions de surveillance intelligente des systèmes de transmission de ponts roulants, n'hésitez pas à contacter l'équipe technique de Kelude pour obtenir la Solution Technique détaillée et des études de cas. Kelude s'engage à fournir aux professionnels du Levage une chaîne complète de services d'exploitation intelligente, des capteurs au diagnostic par IA jusqu'à l'aide à la décision de maintenance.
