Application de l'apprentissage automatique à la prévision et au diagnostic des pannes des grues
I. Pourquoi les grues ont-elles besoin de l'apprentissage automatique pour la prévision des pannes ?
Les grues sont typiquementÉquipements nécessitant une grande fiabilitéEn effet, une panne imprévue peut entraîner l'arrêt de la chaîne de production, voire un accident grave. Le modèle traditionnel de ” maintenance périodique ” présente deux inconvénients majeurs : une maintenance excessive entraîne un gaspillage de ressources, tandis qu'une maintenance insuffisante provoque des pannes imprévues. L'apprentissage automatique (ML), en analysant les données d'exploitation des équipements, permet de passer d'une ” maintenance planifiée ” à“ Maintenance conditionnelle ”un bond en avant.
▲ Architecture d'un système de prévision des pannes de grues basé sur l'apprentissage automatique
II. Approche technique
1. Collecte et prétraitement des données
Depuis la grueContrôleur PLC、Variateur de fréquence、Réseaux de capteursLes données collectées sur site comprennent notamment : le courant, la tension et la puissance du moteur, l'accélération des vibrations, la température, la charge levée, la course de fonctionnement, la fréquence d'utilisation, etc. Les données à haute fréquence (fréquence d'échantillonnage du courant du moteur : 1 kHz) sont traitées via des nœuds de calcul en périphérieExtraction de caractéristiques, les données à faible fréquence (valeurs agrégées toutes les heures) sont directement téléchargées dans le cloud.
2. Choix et apprentissage du modèle
Choisir différents algorithmes en fonction des différents objectifs de prévision :
- Problème de classification en deux classes(Normal/Anormal) : arbres à gradient boosté (XGBoost, LightGBM), avec un taux de précision pouvant atteindre 95,1 % ou plus
- Prévision de la durée de vie restante(RUL) : réseaux neuronaux temporels (LSTM, TCN), erreur de prédiction comprise entre ±151 TP3T
- Classification des types de pannes :Forêts aléatoires, machines à vecteurs de support (SVM) : taux de précision supérieur à 90 % pour la classification multiple
- Détection des anomalies :Les auto-encodeurs ou les forêts isolées conviennent aux cas où les données annotées sont peu nombreuses
▲ Processus de formation et de validation d'un modèle de prédiction des pannes
3. Déploiement en périphérie et inférence en temps réel
Le modèle entraîné est transmis viaFormat ONNXExporter et déployer sur un dispositif de calcul en périphérie local de Crane (tel que NVIDIA Jetson ou Raspberry Pi Industrial Edition). Le temps de latence de l'inférence est limité àmoins de 50 ms, afin de répondre aux besoins de surveillance en temps réel. Les nœuds périphériques assurent à la fois la mise en cache des données et la reprise du téléchargement après interruption, garantissant ainsi qu'aucune donnée ne soit perdue en cas de problème réseau.
III. Modèles types de prévision des pannes
| Type de panne | Caractéristiques de prévision | Recommandations algorithmiques | Délai de prévision |
|---|---|---|---|
| Usure des roulements | Accélération vibratoire RMS, facteur de crête | LSTM | 10 à 14 jours |
| Patiner des freins | Harmoniques du courant du moteur, course de freinage | XGBoost | 5 à 7 jours |
| Rupture de fils dans un câble métallique | Signaux de détection électromagnétique, courbes de capacité de levage | CNN | 7 à 10 jours |
| Vieillissement de l'isolation du moteur | Résistance d'isolement, niveau de décharges partielles | Forêt aléatoire | 15 à 30 jours |
| Usure de la boîte de vitesses | Analyse des huiles : spectroscopie ferromagnétique, analyse des fréquences de bord | LightGBM | 20 à 45 jours |
IV. Recommandations de mise en œuvre
Il est recommandé de mettre en œuvre le système de prévision des pannes basé sur l'apprentissage automatique en trois phases :
- Phase pilote :Sélectionner 3 à 5 grues fonctionnant à haute fréquence, déployer des capteurs et des passerelles périphériques, et collecter des données d'apprentissage pendant 6 mois
- Phase de validation :Entraîner le modèle à partir des données du projet pilote et en vérifier la précision ; le déployer à grande échelle une fois qu'un taux de précision de 90,1 % (TP3T+) aura été atteint.
- Phase d'expansion :Déploiement à l'échelle de l'usine et mise en place d'une plateforme unifiée de gestion de l'état des équipements
▲ Tableau de bord de maintenance prédictive de la plateforme d'exploitation et de maintenance intelligentes
Foire aux questions
问：机器学习在起重机故障预测中有哪些典型应用？
A：典型应用包括：齿轮箱轴承剩余寿命预测（CNN/LSTM）、电机故障诊断（振动频谱+随机森林）、钢丝绳断丝识别（视觉+CNN）、制动器退化趋势预测（时序+GBDT）。
问：起重机故障预测模型需要多少训练数据？
A：分类任务一般每类故障需500~2000条样本，回归预测需连续运行3~6个月以上数据。迁移学习和数据增强可减少数据需求30%~50%。建议使用公开数据集预训练后微调。
问：克鲁德重工在AI故障诊断方面有什么能力？
A：克鲁德重工与AI研究机构合作，可提供基于振动频谱分析和1D-CNN的齿轮箱/轴承故障诊断方案，以及基于YOLOv8的钢丝绳视觉检测方案。
