Maintenance prédictive des ponts roulants : mégadonnées et ML

Dans un environnement de production continue en usine intelligente, l'arrêt non planifié d'un système de pont roulant a un impact considérable sur la capacité de production — la défaillance imprévue d'un pont critique peut immobiliser toute une ligne pendant plusieurs heures, entraînant des pertes de production de l'ordre de centaines de milliers, voire de millions d'euros. Le modèle traditionnel de « maintenance périodique + réparation après panne » ne répond plus aux exigences de disponibilité ≥ 99,5 % des équipements dans l'industrie moderne. Kelude Industries Lourdes a développé un système complet de gestion de la santé des équipements (PHM) reposant sur l'analyse des signaux vibratoires, l'apprentissage automatique et les technologies de big data industriel, réalisant ainsi une transition majeure de la « maintenance réactive » vers la « maintenance prédictive ». Cet article présente la démarche technique de Kelude dans le domaine du PHM pour ponts roulants, selon cinq axes : sélection et déploiement des capteurs, extraction des caractéristiques de signaux, construction de modèles d'apprentissage profond, déploiement en inférence périphérique et mise en œuvre complète de la chaîne d'ingénierie.

Sélection des capteurs et stratégie de points de mesure pour pont roulant

La qualité des données d'un système PHM dépend directement de la pertinence du choix des capteurs et de la stratégie de déploiement des points de mesure. Kelude a établi une méthodologie systématique de planification des points de mesure, fondée sur les mécanismes de défaillance et les caractéristiques vibratoires des composants mécaniques critiques du pont roulant.

Le capteur de vibrations constitue la source de données la plus importante du système PHM. Kelude recommande l'utilisation d'accéléromètres de type IEPE (sensibilité 100 mV/g, réponse en fréquence 2 Hz à 10 kHz), déployés aux emplacements suivants : paliers d'entrée/sortie du réducteur de levage, paliers des roues de déplacement du chariot, côté entraînement du réducteur de translation du pont, logement de roulement de tambour et couronne d'orientation du levage. Chaque point de mesure critique est équipé d'un capteur d'accélération triaxiale (axes X/Y/Z), avec une fréquence d'échantillonnage de 5 120 Hz (satisfaisant au critère de Nyquist pour les fréquences d'engrènement du réducteur de 200 à 2 000 Hz). La durée d'acquisition continue est d'au moins 30 secondes par cycle, avec un intervalle d'échantillonnage défini selon la classe d'importance de l'équipement : 1 heure pour les équipements critiques de classe A, 4 heures pour les équipements standards de classe B.

Les capteurs de température utilisent des sondes PT100 ou des thermocouples, installés au niveau des enroulements du moteur (détection de la vitesse d'échauffement), du bain d'huile du réducteur (détection d'anomalies de lubrification) et des surfaces de friction du frein (détection de surchauffe des garnitures). La plage de mesure est de -40 à 200 °C, avec une précision de ± 0,5 °C et une période d'échantillonnage de 10 secondes. Les capteurs de charge utilisent des capteurs de pesage ou des capteurs de tension de câble métallique, enregistrant en temps réel les variations de charge à chaque cycle de levage et cumulant le nombre et l'amplitude des surcharges.

L'acquisition des paramètres de process est réalisée via les protocoles PLC pour lire le courant du moteur, la fréquence de sortie du variateur de fréquence, la vitesse de translation, le temps de fonctionnement cumulé, le nombre d'actions du frein et d'autres paramètres d'exploitation. L'ensemble des données capteurs est agrégé via le bus de terrain vers une passerelle d'acquisition périphérique, puis transmis à la plateforme PHM après encapsulation selon le protocole OPC UA.

Extraction des caractéristiques du signal vibratoire

Le signal vibratoire brut doit subir une extraction systématique de caractéristiques avant de pouvoir être converti en variables d'entrée exploitables par les modèles de machine learning. Le traitement du signal chez Kelude Industries Lourdes couvre trois dimensions : temporelle, fréquentielle et temps-fréquence.

Caractéristiques temporelles : la valeur efficace RMS (reflétant le niveau global d'énergie vibratoire ; en régime normal RMS<2,8 mm/s, en état d'attention <7,1 mm/s, au-delà déclenchement d'alerte), la crête Peak (reflétant l'intensité des chocs), la crête à crête Peak-to-Peak, le kurtosis (reflétant l'acuité du signal ; valeur normale ≈3, >5 en cas d'usure d'engrenage), le facteur de crête Crest Factor, l'asymétrie Skewness et le facteur d'impulsion Impulse Factor. Ces caractéristiques sont calculées en temps réel sur des fenêtres glissantes de 1 024 points (taux de recouvrement de 50 %), chaque fenêtre produisant un vecteur de caractéristiques.

Caractéristiques fréquentielles : obtenues par transformée de Fourier rapide (FFT) appliquée au signal fenêtré avec une fenêtre de Hanning. Les bandes de fréquence clés comprennent : la bande de fréquence de rotation (20~30 Hz, reflétant l'état d'équilibrage du rotor), la bande de fréquence d'engrènement du réducteur (500~700 Hz, reflétant l'état d'engrènement des engrenages), les bandes latérales harmoniques (±50 Hz autour de la fréquence d'engrènement, reflétant le degré d'usure des engrenages) et la bande haute fréquence (2~5 kHz, reflétant les fréquences de résonance générées par les chocs liés aux défauts naissants des roulements). L'extraction des caractéristiques fréquentielles calcule pour chaque bande la proportion d'énergie, la fréquence du centre de gravité et l'indicateur de dispersion fréquentielle, qui servent d'entrées aux modèles de classification.

Caractéristiques temps-fréquence : la transformée de Fourier à court terme (STFT, longueur de fenêtre de 256 points, taux de recouvrement de 75 %) génère un spectrogramme temps-fréquence destiné au modèle CNN. Pour les signaux d'impact haute fréquence provenant des roulements, une analyse d'enveloppe (Envelope Analysis) est ajoutée afin d'extraire les fréquences caractéristiques de défaut dans le spectre démodulé.

3. Conception de l'architecture des modèles d'apprentissage profond

Le système PHM de Kelude Industries Lourdes adopte une stratégie de fusion multi-modèles, sélectionnant l'architecture d'apprentissage profond la plus adaptée à chaque tâche de diagnostic.

Modèle de classification des défauts : basé sur une architecture CNN-1D (réseau de neurones convolutif unidimensionnel), il reçoit en entrée un signal vibratoire brut de 1 024 points. Après extraction des caractéristiques par deux couches Conv1D-BatchNorm, une couche entièrement connectée produit une classification en 4 catégories (normal / usure d'engrenage / défaut de roulement / désalignement d'arbres). La première couche de convolution utilise un noyau de taille 7 avec 32 canaux ; la seconde, un noyau de taille 7 avec 64 canaux. Un taux de Dropout de 0,3 prévient le surapprentissage. Ce modèle atteint une précision de classification de 97,2 % sur les jeux de données réels de Kelude Industries Lourdes, avec une latence d'inférence de 4,5 ms par échantillon sur Jetson Orin NX, satisfaisant ainsi les exigences de calcul pour le diagnostic en temps réel en périphérie. Après entraînement, le modèle est exporté au format ONNX et déployé en périphérie ; l'inférence ne dépend pas de l'environnement d'exécution PyTorch.

Modèle de prédiction de tendance : basé sur une architecture de réseau neuronal récurrent LSTM/GRU, il prend en entrée les séries temporelles de la valeur RMS vibratoire et de la température sur les 30 derniers jours (un point d'échantillonnage par jour) pour prédire la tendance de dégradation sur les 7 prochains jours. La structure du modèle comprend deux couches GRU (unités cachées 128 et 64) suivies d'une couche de sortie entièrement connectée. L'entraînement utilise une fenêtre glissante pour construire les échantillons (fenêtre de 30 jours pour l'entrée, fenêtre de prédiction de 7 jours), avec une fonction de perte MAE. Ce modèle émet des alertes de dégradation 3 à 7 jours à l'avance, laissant ainsi une fenêtre suffisante pour la planification des opérations de maintenance.

Modèle de détection d'anomalies : basé sur une architecture GRU-Autoencodeur. Ce modèle est entraîné exclusivement sur des données d'état normal, apprenant le schéma de compression-reconstruction du signal vibratoire sain. Lorsque le signal d'entrée s'écarte du comportement normal (erreur de reconstruction dépassant le seuil), une alerte d'anomalie est automatiquement déclenchée. Ce modèle est particulièrement adapté à la détection de nouveaux types de défauts non étiquetés, comblant ainsi la lacune des modèles d'apprentissage supervisé qui ne peuvent pas couvrir les « défauts inconnus ».

Modèle de prédiction de durée de vie résiduelle : basé sur une régression XGBoost, il utilise 15 caractéristiques d'entrée, notamment la tendance RMS vibratoire historique, le taux d'élévation de température, le temps de fonctionnement cumulé, le nombre de surcharges et le taux d'usure des garnitures de frein. La sortie est la durée de vie résiduelle (RUL) exprimée en « jours de fonctionnement ». Le modèle est entraîné sur les données historiques de maintenance accumulées par Kelude Industries Lourdes, avec une erreur absolue moyenne de ±12 jours pour la prédiction de la RUL.

4. Déploiement de l'inférence en périphérie et stratégie de mise à jour des modèles

Le déploiement de l'inférence des modèles PHM repose sur une architecture hybride « inférence en temps réel en périphérie + apprentissage incrémental dans le cloud ». En périphérie, les modèles optimisés ONNX sont déployés sur le PC industriel embarqué du pont roulant ou sur un serveur MEC au niveau de l'atelier, avec une latence d'inférence maintenue sous les 10 ms, garantissant ainsi une capacité de diagnostic en temps réel. Le cloud exécute quant à lui le pipeline d'entraînement complet, reçoit les données étiquetées et les nouveaux échantillons de défauts remontés depuis la périphérie, met à jour périodiquement les paramètres du modèle, puis les diffuse vers la périphérie via des mises à jour différentielles OTA.

La mise à jour des modèles suit une stratégie d'apprentissage incrémental : le cloud conserve les statistiques des caractéristiques des données d'entraînement historiques et n'effectue qu'un fine-tuning sur les nouvelles données à chaque cycle de mise à jour, sans nécessiter un réentraînement complet. Le cycle de mise à jour est bimensuel ; une mise à jour d'urgence est déclenchée lorsque la précision du diagnostic de panne reste durablement inférieure à 90 %. Un réentraînement complet est effectué chaque trimestre afin de garantir que le modèle conserve des performances optimales tout au long de l'exploitation à long terme.

5. Système de score de santé global PHM

Afin d'agréger les résultats de diagnostic multidimensionnels en un indicateur d'état intuitif de l'équipement, Kelude Industries Lourdes a conçu un modèle de score de santé global pondéré à six dimensions, avec une plage de notation de 0 à 100, correspondant à quatre classes de santé.

Les dimensions de notation et leurs pondérations sont les suivantes : score de temps de fonctionnement (pondération 20 %, décroissance linéaire sur la durée de vie nominale de 30 000 heures), score de surcharge (pondération 20 %, déduction de 5 points par surcharge), score d'usure des garnitures de frein (pondération 20 %, déduction de 1 point par pourcent d'usure), score d'usure du câble métallique (pondération 15 %, aucune déduction en dessous de 7 % d'usure, déduction de 20 points par pourcent au-delà), score de température du réducteur (pondération 10 %, déduction de 2 points par °C au-delà de 70 °C), score de vibration du moteur (pondération 15 %, déduction de 20 points par mm/s au-delà de 2,8 mm/s). Un score global ≥ 85 correspond à l'état « Sain » (feu vert), 60 à 84 à l'état « À surveiller » (feu jaune), 35 à 59 à l'état « Alerte » (feu orange), et un score < 35 à l'état « Critique » (feu rouge, nécessitant un arrêt immédiat pour maintenance).

Au-delà du score global, le système génère un indice de santé distinct pour chaque composant critique : indice de santé du moteur de levage, indice de santé du réducteur, indice de santé du frein, indice de santé du câble métallique et indice de fatigue de la structure. Dès qu'un indice tombe sous le seuil de 50, un ordre de maintenance est automatiquement créé et envoyé sur l'application mobile des équipes d'exploitation. Cet ordre précise la localisation précise du défaut (jusqu'au point de mesure), le type de panne (défaut de roulement, usure d'engrenage, défaut d'alignement d'arbres), le niveau de gravité et la fenêtre de maintenance recommandée.

Étude de cas : déploiement en environnement industriel

Le système PHM de Kelude a été déployé chez un grand sidérurgiste pour superviser la santé de 16 ponts roulants dans son atelier de coulée continue. L'infrastructure comprend 192 points de mesure de vibrations (12 par pont roulant), 48 points de mesure de température (3 par pont roulant) et 16 nœuds d'Informatique en Périphérie (un Jetson Orin NX par pont roulant). La latence moyenne d'inférence du modèle de classification des défauts en périphérie est de 5,2 ms, avec un taux de précision de 96,8 %.

Après 12 mois de fonctionnement, les résultats sont probants : les arrêts non planifiés ont chuté de 37 fois par an en moyenne avant la rénovation à 8 fois par an (soit une réduction de 78,4 %). Le temps de réponse moyen pour la maintenance est passé de 6,2 heures à 1,5 heure, et les coûts de stock de pièces de rechange ont diminué de 32 % grâce à une prévision précise des besoins. Le système a permis de détecter 11 défauts critiques à l'avance (dont 3 défauts de roulement de réducteur, 4 détériorations de bobinage moteur, 2 usures excessives de garnitures de frein et 2 ruptures de fils de câble métallique), offrant aux équipes une fenêtre de préparation moyenne de 5,3 jours. En considérant une perte de production évitée de 150 000 CNY par arrêt non planifié, le gain économique annualisé est estimé à environ 4,35 millions CNY, avec un retour sur investissement d'environ 10 mois.

Fort de cette expérience, Kelude a identifié trois facteurs clés de succès : premièrement, l'emplacement et la méthode de fixation des points de mesure de vibrations sont déterminants pour la qualité du signal. Il est recommandé d'utiliser des boulons à fixation rigide plutôt que des supports magnétiques pour éviter l'atténuation du signal et les artefacts dus au desserrage. Deuxièmement, l'entraînement du modèle nécessite au moins 6 mois de données vibratoires historiques pour couvrir les variations de température et d'humidité des quatre saisons et éviter les fausses alertes saisonnières. Troisièmement, la valeur du système PHM dépend de l'intégration avec les processus de maintenance : les alertes doivent être connectées au système de gestion des ordres de travail, sinon elles restent de simples indicateurs sur un tableau de bord sans impact concret.

Questions Fréquentes (FAQ)

Pour aller plus loin

Lecture complémentaire : IA visuelle et déploiement en périphérie avec Jetson | Télémaintenance 5G et Informatique en Périphérie | Processus de fabrication des ponts roulants