Durée de vie résiduelle pont roulant : LSTM, GRU, Prophet, ARIMA
Comparaison des méthodes de prévision de séries temporelles pour la RUL des composants critiques de ponts roulants
Prenant comme objet de prédiction le roulement d'entrée du réducteur de pont roulant, cette étude compare sur la base de données vibratoires du projet KL-PM-2024 de Kelude Industries Lourdes (60 ponts roulants × 24 mois, soit 1,45 million d'enregistrements vibratoires) la précision de prédiction de durée de vie résiduelle de quatre modèles de prévision de séries temporelles : ARIMA (MAPE = 19,8 %), Prophet (17,5 %), LSTM (14,3 %) et GRU (15,1 %). Le LSTM, avec sa double couche de 128 unités cachées et son mécanisme d'attention, atteint la meilleure précision, mais le GRU, avec un temps d'entraînement représentant seulement 73 % de celui du LSTM, offre une précision comparable et constitue le choix le plus rentable pour un déploiement industriel. Cet article présente une méthodologie complète d'ingénierie des caractéristiques, l'architecture des modèles et le processus d'évaluation.
La prédiction de durée de vie résiduelle (Remaining Useful Life, RUL) des composants critiques de ponts roulants (roulement de réducteur, roulement de moteur, roulement de roue) constitue le maillon technologique central de la Maintenance Prédictive. La précision de cette prédiction influence directement l'optimisation des plans de maintenance et du stock de pièces de rechange. Cet article prend comme objet d'étude le roulement d'entrée du réducteur de pont roulant (roulement rigide à billes SKF 6308) et compare systématiquement, sur la base de données vibratoires du projet KL-PM-2024 (60 ponts roulants × 24 mois d'acquisition continue, fréquence d'échantillonnage de 10 kHz, extraction quotidienne de 17 caractéristiques, soit 1,45 million d'enregistrements), les méthodes d'implémentation technique et la précision de prédiction de quatre modèles de prévision de séries temporelles. Plateforme expérimentale : Intel Xeon Gold 6348 + NVIDIA A10 (24 Go) + PyTorch 2.1.0 / Prophet 1.1.5 / statsmodels 0.14.1. Le code source et le jeu de données annoté sont disponibles sur demande.
Données expérimentales et ingénierie des caractéristiques
Les données expérimentales proviennent du suivi de dégradation sur 24 mois des roulements d'entrée de réducteur (SKF 6308) de 60 ponts roulants. Le capteur de vibrations est installé dans la direction verticale du palier de roulement (PCB 352C33, fréquence d'échantillonnage de 10 kHz, acquisition de 6,4 secondes = 65 536 points toutes les 24 heures). Le jeu de données totalise 1,45 million d'enregistrements, dont 80 % pour l'ensemble d'entraînement (48 appareils × 24 mois) et 20 % pour l'ensemble de test (12 appareils × 24 mois).
Processus d'extraction de caractéristiques : débruitage par ondelettes du signal vibratoire brut (db4, 3 niveaux) → spectre FFT (fenêtre de Hanning, 4096 points, chevauchement de 50 %) → caractéristiques statistiques (valeur efficace Vrms, crête, crête à crête, kurtosis, asymétrie, facteur d'impulsion, facteur de marge, facteur de crête) → caractéristiques fréquentielles (amplitudes BPFI/BPFO, fréquences latérales d'engrènement) → vecteur de caractéristiques à 17 dimensions normalisé (Min-Max, plage [0,1]) → construction par fenêtre glissante (fenêtre d'entrée de 30 jours, fenêtre de prédiction de 30 jours).
Présentation des modèles et implémentation technique
ARIMA (modèle autorégressif à moyenne mobile, implémenté avec statsmodels 0.14.1) : pour chacune des 17 dimensions, un test ADF détermine l'ordre de différenciation d (d = 1 pour la plupart des caractéristiques) ; les ordres p et q sont déterminés à partir des graphiques ACF/PACF (p = 2 à 5, q = 1 à 3) et le critère AIC sélectionne les paramètres optimaux. ARIMA est par nature un modèle de séries temporelles unidimensionnelles et ne peut pas exploiter directement les informations croisées entre variables multiples.
Prophet (open source Meta, implémentation 1.1.5) : décompose les caractéristiques vibratoires en composantes tendance + saisonnalité + effets de jours fériés. Paramètres définis : changepoint_prior_scale = 0,05, seasonality_prior_scale = 10, seasonality_mode = ”additive”. L'avantage de Prophet réside dans son traitement automatique des valeurs manquantes et aberrantes, ainsi que dans sa grande tolérance au bruit des données industrielles.
LSTM (implémentation PyTorch 2.1.0) : LSTM bicouche + Attention, couche cachée de 128 dimensions, entrée de 17 dimensions × pas de temps de 30 jours, sortie de la courbe de dégradation sur 30 jours. Paramètres d'entraînement : optimiseur Adam, lr=0.001, Batch=64, Epoch=100, EarlyStopping patience=10, Dropout=0.3. Fonction de perte : perte mixte MSE+MAE (pondération 0,7:0,3).
GRU (même implémentation PyTorch) : GRU bicouche + Attention, structure identique à celle du LSTM, seul le type de cellule est remplacé. La structure de contrôle des paramètres du GRU est plus simple (porte de mise à jour + porte de réinitialisation, contre porte d'oubli + porte d'entrée + porte de sortie pour le LSTM), le nombre total de paramètres représente environ 75 % de celui du LSTM. La vitesse d'entraînement est supérieure d'environ 27 % à celle du LSTM.
Comparaison de précision et évaluation des modèles
| Modèle | MAPE(30Jour) | RMSE(Jour) | Temps d | latence d'inférence | Multivarié | Besoin en données |
|---|---|---|---|---|---|---|
| ARIMA | 19.8% | 7.2Jour | ＜1Minute | ＜1ms | Non(Modélisation dimension par dimension) | ≥200Unité |
| Prophet | 17.5% | 6.4Jour | ~2Minute | ＜5ms | Non(Modélisation dimension par dimension) | ≥100Unité |
| GRU | 15.1% | 5.5Jour | ~22Minute | ＜3ms | Oui | ≥5,000Unité |
| LSTM | 14.3% | 5.2Jour | ~30Minute | ＜3ms | Oui | ≥5,000Unité |
Conclusion de l'évaluation : sur l'indicateur MAPE, le LSTM est le plus performant (14,3 %), suivi de près par le GRU (15,1 %), mais le temps d'entraînement du GRU ne représente que 73 % de celui du LSTM (22 min contre 30 min). Prophet se classe troisième avec 17,5 %, mais ne nécessite pas de GPU et offre la meilleure robustesse aux anomalies (gestion automatique des valeurs manquantes et aberrantes), ce qui le rend adapté à un déploiement industriel rapide. ARIMA arrive en dernière position avec 19,8 % et ne prend en charge que la modélisation univariée (en pratique, il faut exécuter 17 modèles indépendants puis les intégrer), ce qui le rend non recommandé pour les scénarios multi-capteurs.
Recommandations de déploiement technique
Sur la base de la comparaison ci-dessus, voici les recommandations de déploiement technique : ① si le volume de données est inférieur à 1 000 enregistrements et que les ressources de calcul sont limitées, choisir Prophet (MAPE ≈ 17,5 %, sans GPU, bonne robustesse aux anomalies) ; ② si le volume de données est supérieur ou égal à 5 000 enregistrements et que la précision de prédiction est prioritaire, choisir LSTM (MAPE = 14,3 %, le meilleur, nécessite un entraînement GPU) ; ③ si le volume de données est supérieur ou égal à 5 000 enregistrements mais que les ressources de l'équipement d'inférence sont limitées (informatique de périphérie (edge computing)/Jetson), choisir GRU (MAPE = 15,1 %, volume du modèle réduit à 75 % de celui du LSTM, inférence plus rapide) ; ④ ARIMA ne sert que de modèle de référence et n'est pas recommandé pour une utilisation autonome en environnement de production.
Stratégie hybride recommandée : dans les projets de Maintenance Prédictive déjà déployés chez Kelude, une solution à double modèle a été adoptée : Prophet pour la détection rapide des anomalies (exécution en ligne) + LSTM pour la prédiction précise de la RUL (calcul par lots hors ligne). Prophet atteint un MAPE ≈ 17,5 % sur 30 jours ; lorsque la RUL prédite est ≤ 45 jours, le LSTM est déclenché pour un calcul précis, avec un MAPE ≈ 14,3 % après affinage, équilibrant ainsi coût de calcul et précision de prédiction.
Validation par cas réel
Dans le cadre d'un projet de Maintenance Prédictive portant sur 6 ponts roulants de 32 t dans l'atelier de laminage à chaud d'une entreprise sidérurgique (référence projet KL-PM-2024-017), la solution à double modèle Prophet + LSTM a été déployée. Après 14 mois de validation en conditions réelles : Prophet a atteint un MAPE de 18,2 % pour l'alerte précoce de la tendance de dégradation du roulement de réducteur (RUL > 60 jours), tandis que le LSTM a atteint un MAPE de 13,8 % pour la prédiction à court terme (RUL ≤ 30 jours). Le système a émis 12 alertes précoces de dégradation de roulements, dont 11 concordaient avec la réalité (taux de précision de 91,7 %), avec un délai moyen d'anticipation de 23 jours. Par rapport à la stratégie de remplacement périodique traditionnelle (remplacement fixe tous les 18 mois), la Maintenance Prédictive a réduit les opérations de remplacement inutiles d'environ 35 % et amélioré la rotation du stock de pièces de rechange de 40 %.
Questions fréquentes
Q : Pourquoi le temps d'entraînement du GRU est-il plus court que celui du LSTM alors que la précision est similaire ?
A : Le GRU simplifie les trois portes du LSTM (porte d'oubli / porte d'entrée / porte de sortie) en deux portes (porte de mise à jour / porte de réinitialisation), réduisant le nombre de paramètres d'environ 25 %. Pour des tâches de séries temporelles de complexité moyenne comme les données de dégradation vibratoire des ponts roulants, la structure de portes simplifiée du GRU suffit à capturer la tendance de dégradation sans perte significative de capacité d'expression. Cependant, les paramètres supplémentaires du LSTM conservent un avantage certain pour traiter les conditions de fonctionnement transitoires (comme les sauts vibratoires dus à des variations soudaines de Charge).
Q : La précision de prédiction de Prophet peut-elle être encore améliorée ?
A : Oui. Avec les Paramètres par défaut, Prophet atteint un MAPE de 17,5 % ; les optimisations suivantes permettent de le réduire à environ 16,0 % : ① spécifier manuellement les points de changement de tendance (sur la base des enregistrements de Maintenance et d'arrêts) ; ② augmenter seasonality_prior_scale de 10 à 20 pour accroître la flexibilité des composantes périodiques ; ③ ajouter des régresseurs supplémentaires (comme le taux de charge journalier moyen, la Température Ambiante). Ces optimisations doivent être adaptées aux données de fonctionnement spécifiques de l'équipement.
Q : Comment déployer les modèles LSTM/GRU sur des périphériques de périphérie ?
A : Exporter le modèle entraîné avec PyTorch au format TorchScript (ou ONNX), puis l'optimiser avec TensorRT pour le déployer sur la série NVIDIA Jetson. Exemple avec Jetson Orin NX (16 Go) : après quantification INT8, le volume du modèle est d'environ 3,2 Mo (contre environ 28 Mo en FP32), la latence d'inférence est d'environ 0,5 ms/échantillon et la consommation est d'environ 10 W. Pour un déploiement sur CPU ARM Cortex-A, il est recommandé de quantifier le modèle au format TFLite INT8, avec une latence d'inférence d'environ 15 ms/échantillon.
Q : Comment choisir le modèle lorsque le volume de données est inférieur à 5 000 enregistrements ?
A : En cas de volume de données insuffisant, l'apprentissage par transfert est une option : utiliser le modèle LSTM pré-entraîné publié par Kelude (entraîné sur les données de 60 ponts roulants) comme point de départ, puis affiner (Fine-tune) avec un petit volume de données de l'équipement cible (500 à 1 000 enregistrements), en n'entraînant que les deux dernières couches entièrement connectées. Après affinage, le MAPE peut atteindre ~16,5 %, bien supérieur à un LSTM entraîné de zéro (MAPE > 25 % avec des données insuffisantes). Prophet peut produire des résultats exploitables dès 100 enregistrements (MAPE ≈ 19 %), ce qui en fait le choix privilégié pour les scénarios à petit échantillon.
Normes recommandées
• EN 17505:2021 — Méthodes d'Inspection de Câbles Métalliques pour grues
• ISO 4301 — Interprétation des dispositions essentielles de la norme de conception des grues : Charge, structure, mécanisme, électricité, sécurité
Portique roulant à double poutre
Le portique roulant à double poutre est un équipement de levage industriel conçu pour les environnements exigeants. Grâce à sa structure rigide et à sa grande capacité de charge, il répond parfaitement aux besoins de manutention lourde dans les secteurs de la construction mécanique, de la logistique portuaire et des centrales électriques.
Structure robuste pour charges lourdes
Ce portique se compose de deux poutres principales en acier à haute résistance, offrant une excellente stabilité et une répartition optimale des contraintes. La conception à double poutre autorise des portées plus importantes et des capacités de levage supérieures par rapport aux modèles à poutre unique, tout en maintenant une déformation minimale sous charge maximale.
Le chariot de levage, équipé d'un mécanisme de levage principal et auxiliaire, permet une grande flexibilité d'utilisation. Le mouvement de translation est assuré par des motoréducteurs à fréquence variable, garantissant des démarrages et arrêts progressifs, essentiels pour la précision du positionnement des charges.
Sécurité renforcée et commandes intuitives
La sécurité est au cœur de la conception. Le portique est équipé de limiteurs de charge, de fins de course, de dispositifs anti-collision et de protections contre les surcharges, conformément aux normes ISO 4301 et IEC 60204-32. Les commandes, disponibles en version suspendue ou par télécommande radio, offrent à l'opérateur une visibilité complète et une maîtrise totale des opérations.
Les systèmes de freinage à double circuit et les verrouillages de sécurité mécaniques assurent un maintien fiable de la charge en cas de coupure de courant, une exigence fondamentale pour les applications industrielles critiques.
Applications polyvalentes en milieu industriel
Ce type de portique est particulièrement adapté aux ateliers de fabrication, aux aires de stockage, aux quais de chargement et aux chantiers de préfabrication. Sa capacité à travailler en extérieur comme en intérieur, combinée à une hauteur sous crochet généreuse, en fait un outil indispensable pour la manutention de pièces volumineuses et de machines lourdes.
La maintenance est simplifiée grâce à un accès aisé aux composants clés et à une lubrification centralisée en option. Les galets de roulement, traités thermiquement, offrent une longue durée de vie même dans des conditions de poussière ou d'humidité élevée.
Personnalisation selon vos besoins
Kelude propose une gamme de configurations pour s'adapter à votre application spécifique : choix de la portée, de la hauteur de levage, de la vitesse de translation et des options de fixation au sol (rail ou pneu). Notre équipe d'ingénieurs vous accompagne dans la sélection de la solution la plus performante et la plus économique.
Pour un devis détaillé ou une étude technique personnalisée, contactez notre service commercial. Nous répondons sous 24 heures ouvrées.
