Analyse des données de translation du pont roulant LXD/DXT
La chaîne complète des données d'exploitation d'un pont roulant comprend 5 niveaux : acquisition par capteurs (vibrations, température, courant, codeurs — 8 à 16 capteurs par appareil), nettoyage en périphérie (élimination des anomalies par σ3, rééchantillonnage, extraction de caractéristiques FFT), stockage temporel (InfluxDB/TimescaleDB, 10 à 50 Go/jour/site), analyse intelligente (maintenance prédictive LSTM, détection d'anomalies, optimisation des plannings) et visualisation sur tableau de bord (Grafana + notifications mobiles). Chaque pont roulant génère entre 3 et 18 To de données brutes par an ; une analyse efficace permet de réduire les arrêts non planifiés de 40 à 60 %. La plateforme Big Data de Kelude Industries Lourdes est déjà connectée à plus de 200 ponts roulants et accumule plus de 5 Po de données d'exploitation.
Le pont roulant (à pont ou à portique) est l'un des équipements les plus denses en données de l'usine moderne : chaque appareil embarque 8 à 16 capteurs qui produisent en continu des signaux multidimensionnels (vibrations, température, courant, position) à une fréquence d'échantillonnage de 100 Hz. Un pont roulant génère ainsi 30 à 50 Go de données brutes par jour, et une usine moyenne équipée de 20 appareils accumule plus de 200 To de données chaque année. Pourtant, la plupart des usines n'exploitent pas plus de 5 % de ces données — les signaux des capteurs ne font que transiter brièvement par l'API et le variateur de fréquence avant d'être perdus, sans jamais entrer dans un pipeline d'analyse. Cet article décompose l'intégralité de la chaîne technique des données d'exploitation d'un pont roulant : acquisition, nettoyage, stockage, analyse et visualisation.
1. Acquisition des données par capteurs — la perception multidimensionnelle des signaux du pont roulant
L'acquisition des données d'exploitation constitue le point de départ de la chaîne d'analyse. Chaque capteur mesure une grandeur physique différente, couvrant ainsi l'ensemble des paramètres d'état de la machinerie et du système électrique du pont roulant. La solution technique standard d'acquisition de données de Kelude Industries Lourdes intègre les capteurs suivants :
| Capteur Type | Mesure Paramètre | Modèle/Spécification | Fréquence d | Quantité par unité | Position d |
|---|---|---|---|---|---|
| Capteur de Vibrations | Ajoutvitesse(mm/s²) | IEPE type, 0.5Hz~10kHz | 25.6kHz | 4~6unité(s) | Moteur/Réducteur/Essieu de Galet Palier/Tambour |
| Capteur de Température | Température(°C) | PT100, ±0.3°C | 1Hz | 4~8unité(s) | Moteur Enroulement/Réducteur Carter d/Frein/Rail |
| capteur de courant | Courant(A) | Effet Hall, ±1%F.S. | 1kHz | 3unité(s) | Levage / Hissage/Chariot/variateur de fréquence de translation du pont Sortie |
| Codeur | Position d/vitesse | Incrémental/Absolu, 1024impulsions par tour (PPR) | 100Hz | 2~4unité(s) | Moteur de Levage/Pont/Chariot Entraînement |
| masse Capteur | Charge(t) | Type colonne/Type axe, 0.5%F.S. | 10Hz | 1unité(s) | réa de moufle Enroulement |
2. Nettoyage et prétraitement des données en périphérie — du signal brut aux caractéristiques exploitables
Les signaux bruts des capteurs ne peuvent pas être injectés directement dans les modèles d'analyse. Les nœuds d'informatique en périphérie (NVIDIA Jetson Orin NX/AGX) assurent en temps réel le nettoyage, le rééchantillonnage et l'extraction de caractéristiques à proximité du pont roulant, compressant les données vibratoires brutes de 25,6 kHz en valeurs caractéristiques à l'échelle de la seconde. Le processus de nettoyage se décompose en quatre étapes :
Étape 1 — Élimination des valeurs aberrantes : Application de la règle des 3σ (critère de Raïda) sur chaque fenêtre glissante de capteur (longueur de fenêtre N = 1 000 points) pour calculer la moyenne μ et l'écart type σ. Tout point dépassant μ ± 3σ est marqué comme aberrant et éliminé. Les pics parasites intermittents des capteurs vibratoires (bruit électromagnétique, chocs mécaniques) représentent environ 0,1 à 0,5 % des données ; après élimination, une reconstruction par interpolation linéaire est effectuée.
Étape 2 — Imputation des valeurs manquantes : Les capteurs de température et les capteurs de courant ont des fréquences d'échantillonnage faibles (1 Hz à 1 kHz) et peuvent présenter des lacunes dues à des pertes de paquets de communication. Pour les lacunes inférieures à 100 ms, une interpolation linéaire est utilisée ; pour celles de 100 ms ou plus, une imputation par KNN (k = 5) est appliquée, sélectionnant les 5 voisins les plus similaires dans la fenêtre temporelle pour un calcul de moyenne pondérée. Le boîtier périphérique de Kelude atteint un taux de précision d'imputation supérieur ou égal à 98 %.
Étape 3 — Rééchantillonnage et alignement : Les capteurs ayant des fréquences d'échantillonnage différentes sont uniformément rééchantillonnés à une fréquence de base de 1 Hz. Pour la réduction de 25,6 kHz à 1 Hz des données vibratoires : extraction chaque seconde de 4 statistiques — RMS, crête, facteur d'aplatissement (kurtosis) et fréquence de crête — compressant ainsi le volume de données par un facteur de 25 600. Pour le courant, de 1 kHz à 1 Hz : calcul de la valeur efficace (RMS) et de la crête chaque seconde. Tous les capteurs sont synchronisés par horloge GPS, avec une précision d'alignement des horodatages de ± 1 ms.
Étape 4 — Ingénierie des caractéristiques : Calcul de caractéristiques avancées sur les données à 1 Hz : facteur d'aplatissement vibratoire (Kurtosis, reflétant les caractéristiques d'impact), facteur de crête (Crest Factor, reflétant la plage dynamique de l'amplitude du signal), et rapport d'énergie des bandes latérales (utilisé pour le diagnostic de défaut des engrenages et des roulements). L'ensemble de caractéristiques standard de Kelude comprend 128 dimensions temporelles et fréquentielles, chaque pont roulant produisant un vecteur de caractéristiques à 128 dimensions chaque seconde.
3. Sélection de la solution de stockage de données — bases de données de séries temporelles et stratification à chaud/froid
Un pont roulant génère 30 à 50 Go de données brutes par jour (échantillonnage continu de vibrations à 25,6 kHz). Après nettoyage et compression en périphérie, ce volume est réduit à environ 1,2 Go de données caractéristiques par jour. Pour une usine équipée de 20 ponts roulants, l'incrément quotidien est d'environ 24 Go, l'incrément mensuel d'environ 720 Go et l'incrément annuel d'environ 8,6 To. Différents types de données nécessitent différentes stratégies de stockage :
| Type de données | Solution de stockage | Incrément journalier | Période de rétention | Taux de compression | Performance de requête(1hPlage) |
|---|---|---|---|---|---|
| Vibration brute(25.6kHz) | Min IOStockage d | 30~50GB | 30jour(s) | 2:1 (gzip) | — (Lecture de fichier) |
| Données caractéristiques(1Hz, 128Dimension) | Influx DB | 1.2GB | Permanent | 5:1 (Stockage columnar+delta) | ≤200ms |
| Journal d(Alarme/Opération) | Postgre SQL | 50~200MB | Permanent | — | ≤50ms |
| entraînement du modèle Données caractéristiques(Échantillons annotés) | Postgre SQL+Min IO | 100~500MB | Permanent | — | — |
Stratégie de stockage à plusieurs niveaux : les données chaudes (7 derniers jours) sont stockées dans la couche mémoire + SSD d'InfluxDB, avec un temps de réponse inférieur à 50 ms ; les données tièdes (8 à 90 jours) sont stockées sur la couche disque dur d'InfluxDB, avec un temps de réponse inférieur à 500 ms ; les données froides (plus de 90 jours) sont automatiquement sous-échantillonnées à un intervalle de 10 minutes puis archivées dans le stockage d'objets MinIO, réduisant ainsi les coûts de stockage de 70 %. La plateforme Big Data de Kelude Industries Lourdes est configurée par défaut avec ces trois niveaux de politique de stockage, et les utilisateurs peuvent personnaliser la période de rétention.
4. Modèles d'analyse intelligente — de la donnée à la décision
Les données nettoyées et stockées constituent la base de l'analyse intelligente. La plateforme Big Data de Kelude Industries Lourdes intègre quatre modèles d'analyse : le modèle d'alerte précoce des défauts, le modèle de prédiction de durée de vie utile restante, le modèle d'optimisation de la consommation d'énergie et le modèle d'optimisation de l'ordonnancement. Les performances suivantes ont été mesurées sur une période de 6 mois sur un pont roulant de 32 t dans une aciérie :
| Modèle | Algorithme | Taux de précision | Délai d | Taux de fausses alertes | Emplacement de déploiement |
|---|---|---|---|---|---|
| défaut de roulement Pré-alerte | LSTM-Attention | 96.3% | 7~14jour(s) | 4.2% | Edge (périphérie) |
| Engrenage Usure Prédiction | Transformer | 94.1% | 14~30jour(s) | 5.8% | Cloud |
| Anomalie de consommation énergétique Détection | Isolation Forest | 91.7% | Temps réel | 3.1% | Edge (périphérie)+Cloud |
| Ordonnancement Optimisation de trajectoire | PPOApprentissage par renforcement | 87.6% | Planification de Trajectoire | — | Cloud |
La plateforme Big Data de Kelude Industries Lourdes intègre un pipeline AutoML qui réentraîne automatiquement les modèles toutes les deux semaines. La détection de la dérive des données (Data Drift) s'appuie sur l'indice PSI (Population Stability Index) : dès que le PSI dépasse 0,1, un réentraînement est déclenché automatiquement. Les résultats d'inférence des modèles sont publiés via le protocole MQTT vers les tableaux de bord Grafana, ainsi que vers les alertes WeChat et SMS.
8~16 Par unitépont roulant Capteur Quantité par unité Vibration brute/Température/Courant/Codeur/masse Cinq catégories | 25,600× Taux de compression des données edge 25.6kHz1Hz, RMS/Valeur de crête/Caractéristique d | 5PB+ Volume de données de fonctionnement cumulées 200+Par unitépont roulant, Acquisition continue supérieure à3an(s) |
96.3% défaut de roulement Taux de précision des pré-alertes LSTM-Attention, Avancé7~14jour(s) | 40~60% arrêt non planifié Réduction Maintenance prédictive+Bénéfice global d | 128Dimension Dimension du vecteur de caractéristiques par seconde Domaine temporel+Domaine fréquentiel, Volume completcouverture |
5. Tableaux de bord visuels et système de reporting
Le résultat final de l'analyse des données se matérialise par des tableaux de bord visuels et des rapports. La plateforme Big Data de Kelude s'appuie sur la pile de supervision Grafana + Prometheus, avec un rafraîchissement des données en temps réel (latence ≤ 2 s). Elle permet d'afficher sur un même écran la vue d'ensemble de la translation des ponts de toute l'usine, le tableau de santé d'un pont roulant individuel, les comparaisons de tendances historiques et la liste des alertes de défauts. L'isolation des permissions multi-utilisateurs est prise en charge : chaque rôle (directeur d'usine / responsable des équipements / technicien de maintenance / conducteur) dispose d'une vue différente sur le tableau de bord.
Hiérarchie des tableaux de bord : tableau de bord de vue d'ensemble opérationnelle (taux de disponibilité des ponts de l'usine / OEE / tendances de consommation d'énergie / nombre d'alertes), tableau de bord par équipement (spectre vibratoire en temps réel / tendances de température / courbes de courant / durée de fonctionnement cumulée / estimation de la durée de vie résiduelle), tableau de bord d'analyse historique (comparaison de tendances sur une période arbitraire / relecture d'événements / retour sur les données des 15 minutes précédant un défaut). Les notifications d'alerte sont acheminées via trois canaux : WeChat Entreprise, SMS et e-mail. Les alertes critiques (température de roulement > 85 °C, vibration > 10 mm/s) sont automatiquement escaladées vers le responsable des équipements. La plateforme Big Data de Kelude a déjà conçu 6 catégories de 28 tableaux de bord pour une grande aciérie, avec génération mensuelle automatique d'un rapport d'efficacité énergétique (format PDF) comprenant le classement de consommation par pont, les recommandations de maintenance et une estimation des coûts.
Pour d'autres cas d'usage des données de ponts roulants, voir : Comparaison de trois solutions de récupération d'énergie de freinage pour ponts roulants (axe d'optimisation de la consommation d'énergie), Architecture du système de contrôle cloud-edge pour ponts roulants (support de calcul en périphérie). Kelude propose deux éditions de sa plateforme Big Data : l'édition Standard (tableaux de bord de base + notifications d'alerte) et l'édition Entreprise (AutoML + tableaux de bord personnalisés + développement de modèles IA sur mesure).
Portique de levage mobile : questions fréquentes
Q : Quelle est la capacité de levage maximale de vos portiques mobiles ?
A : Nos portiques mobiles sont disponibles en capacités standard allant de 1 tonne à 20 tonnes. Pour des besoins spécifiques, des solutions sur mesure peuvent être étudiées.
Q : Les portiques mobiles nécessitent-ils une installation particulière ?
A : Non, nos portiques mobiles sont livrés prêts à l'emploi. Aucun ancrage au sol ni infrastructure spécifique n'est requis. Ils peuvent être utilisés immédiatement après livraison.
Q : Quelles sont les options de roues disponibles ?
A : Nous proposons différents types de roues : roues en polyuréthane pour sols lisses, roues tout-terrain pour chantiers, et roues à bandage plein pour environnements industriels. Le choix dépend de votre surface de travail.
Q : Proposez-vous des portiques avec une hauteur sous crochet spécifique ?
A : Oui, la hauteur sous crochet est configurable en fonction de vos besoins. Nous proposons des hauteurs standard et des hauteurs sur mesure pour s'adapter à vos applications.
Q : Comment entretenir un portique de levage mobile ?
A : L'entretien est simple et consiste principalement à vérifier régulièrement l'état des câbles, des freins, des roues et des dispositifs de sécurité. Un contrat de maintenance préventive peut être souscrit auprès de notre service après-vente.
Q : Les portiques mobiles sont-ils conformes aux normes de sécurité européennes ?
A : Absolument. Nos portiques sont conçus et fabriqués conformément aux normes ISO 4301 et ISO 12480, garantissant une sécurité optimale pour l'opérateur et l'environnement de travail.
Q : Quel est le délai de livraison pour un portique mobile ?
A : Le délai de livraison standard est généralement de 4 à 6 semaines, selon la configuration et les options choisies. Pour les modèles standards, un stock limité peut être disponible pour une livraison plus rapide.
Q : Proposez-vous des solutions de financement ?
A : Oui, nous travaillons avec des partenaires financiers pour proposer des solutions de location ou de crédit-bail adaptées à votre budget. Contactez-nous pour plus d'informations.
Portique de levage mobile : contactez nos experts
Pour toute demande de devis ou pour discuter de votre projet spécifique, notre équipe d'experts est à votre écoute. Nous vous accompagnerons dans le choix de la solution la plus adaptée à vos besoins et à votre budget. Contactez-nous dès aujourd'hui pour bénéficier de notre expertise et de notre service personnalisé.
