Diagnostic de pannes par IA pour moteur de pont roulant

import torch.nn as nn class MotorCNN1D(nn.Module): def __init__(self, num_classes=4): super().__init__() self.conv1 = nn.Sequential( nn.Conv1d(1, 16, kernel_size=64, stride=8), nn.ReLU(), nn.MaxPool1d(2)) self.conv2 = nn.Sequential( nn.Conv1d(16, 32, kernel_size=32, stride=4), nn.ReLU(), nn.MaxPool1d(2)) self.conv3 = nn.Sequential( nn.Conv1d(32, 64, kernel_size=16, stride=2), nn.ReLU(), nn.AdaptiveAvgPool1d(1)) self.fc = nn.Linear(64, num_classes) def forward(self, x): x = self.conv1(x) x = self.conv2(x) x = self.conv3(x).squeeze() return self.fc(x)

Configuration du jeu de données d’entraînement : conditions de fonctionnement normales + trois types de défauts (usure des roulements, rupture de barres rotoriques, court-circuit statorique), avec 2000 échantillons par catégorie (1024 points par fenêtre), répartis selon un ratio de 7:2:1 entre les ensembles d’entraînement, de validation et de test. Hyperparamètres d’entraînement : batch = 64, lr = 0,001, epochs = 100, optimiseur Adam. L’entraînement sur une RTX3060 dure environ 15 minutes, avec une précision de 96,8 % sur l’ensemble de test.

# Code d model.eval() with torch.no_grad(): output = model(sensor_data.unsqueeze(0).unsqueeze(0)) pred = torch.argmax(output, dim=1).item() confidence = torch.softmax(output, dim=1)[0][pred].item() classes = {0: "Normal", 1: "usure des roulements", 2: "Rupture de barres rotoriques", 3: "Court-circuit statorique"} print(f"Diagnostic: {classes[pred]} (Confiance: {confidence:.1%})")

Modes de défaillance et caractéristiques associées

Points clés de la mise en œuvre technique

1. La fréquence d'échantillonnage n'a pas besoin d'être excessive. Les informations utiles du signal vibratoire du moteur se concentrent en dessous de 10 kHz ; une fréquence d'échantillonnage de 25,6 kHz est largement suffisante (soit 2,56 fois la fréquence de Nyquist). Au-delà, le volume de données explose sans amélioration de la précision du modèle, car le bruit haute fréquence s'invite dans le signal.

2. L'emplacement du capteur détermine la qualité des données. La différence d'amplitude du signal peut atteindre un facteur 3 à 5 selon que le capteur est monté directement sur le palier ou sur le flanc du carter moteur. Une fois la position de fixation choisie, il ne faut plus la modifier, sous peine de décalage de la ligne de base et de fausses alarmes.

3. La variation de vitesse impose une normalisation. Le moteur de pont roulant fonctionne en Variation de Vitesse par Fréquence, avec une vitesse de rotation qui évolue de 100 à 1 500 tr/min. Pour une même défaillance, la fréquence vibratoire change selon la vitesse. Solution : appliquer une analyse par suivi d'ordre (Order Tracking) à chaque échantillon, afin de transposer le spectre du domaine fréquentiel absolu vers le domaine des ordres.

4. Ne pas se limiter aux vibrations. Le diagnostic combiné vibrations + courant gagne environ 5 points de précision par rapport aux vibrations seules. Par exemple, une rupture de barre rotorique se distingue plus nettement dans le signal de courant que dans le signal vibratoire. Il est recommandé d'équiper chaque moteur d'au moins un capteur de courant.

5. Renvoyer périodiquement les données pour mettre à jour le modèle. Nous conseillons d'intégrer chaque mois les nouveaux échantillons sains dans la base d'apprentissage pour un entraînement incrémental, afin que le modèle s'adapte en continu au vieillissement de l'équipement.

Questions fréquentes sur le diagnostic des moteurs de pont roulant

Conclusion

Le diagnostic de pannes par IA sur les moteurs, associé à l'assistant de maintenance par IA générative, offre le meilleur retour sur investissement de toutes les rénovations intelligentes appliquées aux ponts roulants. Le coût des capteurs et de l'acquisition pour un moteur est inférieur à 3 000 EUR, mais permet d'anticiper une défaillance de 1 à 3 mois à l'avance. Sur 12 ponts roulants d'un atelier, nous avons fait fonctionner le système pendant 8 mois : 4 défaillances de roulement ont été anticipées, sans aucune fausse alerte ni défaut de détection.

Pour approfondir : techniques de diagnostic des réducteurs de pont roulant — le moteur et le réducteur forment les deux faces indissociables de la transmission d'un pont roulant. Le diagnostic par IA du moteur couvre les défaillances côté palier, rotor et stator, tandis que celui du réducteur traite l'engrènement des engrenages. Les deux systèmes partagent la même plateforme PC industriel et la même architecture d'acquisition de capteurs ; un déploiement simultané est recommandé.

Les moteurs de pont roulant représentent plus de 30 % des pannes de l'ensemble de la machine — usure des roulements, ruptures de barres rotoriques, courts-circuits statoriques : chacune de ces défaillances impacte directement la production. Dans la plupart des usines, la stratégie de maintenance des moteurs reste encore « on remplace quand c'est cassé ». On attend que le moteur fume ou que la protection saute pour arrêter la ligne, et une seule panne non planifiée coûte de quelques milliers à plusieurs dizaines de milliers d'euros.

Le diagnostic de pannes par IA n'est pas une nouveauté, mais il reposait auparavant principalement sur des systèmes experts (règles + seuils), avec un taux de fausses alertes élevé et une faible adaptabilité. Depuis deux ans, l'utilisation de réseaux de neurones convolutifs 1D (1D-CNN) pour l'analyse des signaux vibratoires donne des résultats remarquables : le capteur de vibrations est fixé sur le palier du moteur, le signal collecté est directement injecté dans le modèle, sans extraction manuelle de caractéristiques — le modèle apprend lui-même les schémas de défaillance. Chaque moteur est équipé de 2 à 3 capteurs, l'inférence s'exécute sur un PC industriel, et un système gère 10 à 20 moteurs.

Cet article présente la solution complète, du choix des capteurs au déploiement du modèle. L'investissement matériel se situe entre 20 000 et 60 000 EUR (capteurs + carte d'acquisition + PC industriel), et les économies réalisées sur les arrêts non planifiés d'un seul moteur suffisent à amortir l'ensemble en un an.

Architecture du système de diagnostic moteur

Le système de diagnostic par IA pour moteurs se décompose en quatre couches :

Choix et installation des capteurs

Capteur de vibrations : Nous recommandons un accéléromètre piézoélectrique de type IEPE, avec une sensibilité de 100 mV/g, une plage de mesure de ±50 g et une réponse en fréquence de 0,5 à 10 kHz. Emplacements de montage : palier côté entraînement (un capteur radial et un axial), palier côté non-entraînement (un capteur radial). La fixation s'effectue par boulon de grade M6 ou par base magnétique. La base magnétique est pratique, mais sa fréquence maximale est limitée (environ 2 kHz), tandis que la fixation par boulon permet d'atteindre 10 kHz. Nous recommandons la fixation par boulon : bien qu'elle prenne dix minutes de plus, la qualité du signal en haute fréquence est nettement supérieure.

capteur de courant : Transformateur de Courant de type pince, classe de précision 0,5, plage de mesure dimensionnée à 1,5 fois le courant nominal du Moteur. Il s'installe sur le câble d'alimentation triphasé pour la Détection des variations harmoniques du Courant causées par les barres rotoriques cassées.

Paramètres clés du Capteur :

Conception et entraînement du modèle 1D-CNN

L’atout principal du 1D-CNN réside dans sa capacité à traiter directement les signaux vibratoires bruts dans le domaine temporel (1024 points par fenêtre), sans recourir à une extraction manuelle de caractéristiques telle que la FFT ou la transformée en ondelettes. L’architecture du réseau se présente comme suit :

import torch.nn as nn class MotorCNN1D(nn.Module): def __init__(self, num_classes=4): super().__init__() self.conv1 = nn.Sequential( nn.Conv1d(1, 16, kernel_size=64, stride=8), nn.ReLU(), nn.MaxPool1d(2)) self.conv2 = nn.Sequential( nn.Conv1d(16, 32, kernel_size=32, stride=4), nn.ReLU(), nn.MaxPool1d(2)) self.conv3 = nn.Sequential( nn.Conv1d(32, 64, kernel_size=16, stride=2), nn.ReLU(), nn.AdaptiveAvgPool1d(1)) self.fc = nn.Linear(64, num_classes) def forward(self, x): x = self.conv1(x) x = self.conv2(x) x = self.conv3(x).squeeze() return self.fc(x)

Configuration du jeu de données d’entraînement : conditions de fonctionnement normales + trois types de défauts (usure des roulements, rupture de barres rotoriques, court-circuit statorique), avec 2000 échantillons par catégorie (1024 points par fenêtre), répartis selon un ratio de 7:2:1 entre les ensembles d’entraînement, de validation et de test. Hyperparamètres d’entraînement : batch = 64, lr = 0,001, epochs = 100, optimiseur Adam. L’entraînement sur une RTX3060 dure environ 15 minutes, avec une précision de 96,8 % sur l’ensemble de test.

# Code d model.eval() with torch.no_grad(): output = model(sensor_data.unsqueeze(0).unsqueeze(0)) pred = torch.argmax(output, dim=1).item() confidence = torch.softmax(output, dim=1)[0][pred].item() classes = {0: "Normal", 1: "usure des roulements", 2: "Rupture de barres rotoriques", 3: "Court-circuit statorique"} print(f"Diagnostic: {classes[pred]} (Confiance: {confidence:.1%})")

Modes de défaillance et caractéristiques associées

Points clés de la mise en œuvre technique

1. La fréquence d'échantillonnage n'a pas besoin d'être excessive. Les informations utiles du signal vibratoire du moteur se concentrent en dessous de 10 kHz ; une fréquence d'échantillonnage de 25,6 kHz est largement suffisante (soit 2,56 fois la fréquence de Nyquist). Au-delà, le volume de données explose sans amélioration de la précision du modèle, car le bruit haute fréquence s'invite dans le signal.

2. L'emplacement du capteur détermine la qualité des données. La différence d'amplitude du signal peut atteindre un facteur 3 à 5 selon que le capteur est monté directement sur le palier ou sur le flanc du carter moteur. Une fois la position de fixation choisie, il ne faut plus la modifier, sous peine de décalage de la ligne de base et de fausses alarmes.

3. La variation de vitesse impose une normalisation. Le moteur de pont roulant fonctionne en Variation de Vitesse par Fréquence, avec une vitesse de rotation qui évolue de 100 à 1 500 tr/min. Pour une même défaillance, la fréquence vibratoire change selon la vitesse. Solution : appliquer une analyse par suivi d'ordre (Order Tracking) à chaque échantillon, afin de transposer le spectre du domaine fréquentiel absolu vers le domaine des ordres.

4. Ne pas se limiter aux vibrations. Le diagnostic combiné vibrations + courant gagne environ 5 points de précision par rapport aux vibrations seules. Par exemple, une rupture de barre rotorique se distingue plus nettement dans le signal de courant que dans le signal vibratoire. Il est recommandé d'équiper chaque moteur d'au moins un capteur de courant.

5. Renvoyer périodiquement les données pour mettre à jour le modèle. Nous conseillons d'intégrer chaque mois les nouveaux échantillons sains dans la base d'apprentissage pour un entraînement incrémental, afin que le modèle s'adapte en continu au vieillissement de l'équipement.

Questions fréquentes sur le diagnostic des moteurs de pont roulant

Conclusion

Le diagnostic de pannes par IA sur les moteurs, associé à l'assistant de maintenance par IA générative, offre le meilleur retour sur investissement de toutes les rénovations intelligentes appliquées aux ponts roulants. Le coût des capteurs et de l'acquisition pour un moteur est inférieur à 3 000 EUR, mais permet d'anticiper une défaillance de 1 à 3 mois à l'avance. Sur 12 ponts roulants d'un atelier, nous avons fait fonctionner le système pendant 8 mois : 4 défaillances de roulement ont été anticipées, sans aucune fausse alerte ni défaut de détection.

Pour approfondir : techniques de diagnostic des réducteurs de pont roulant — le moteur et le réducteur forment les deux faces indissociables de la transmission d'un pont roulant. Le diagnostic par IA du moteur couvre les défaillances côté palier, rotor et stator, tandis que celui du réducteur traite l'engrènement des engrenages. Les deux systèmes partagent la même plateforme PC industriel et la même architecture d'acquisition de capteurs ; un déploiement simultané est recommandé.