Contexte
La dégradation des machines tournantes se lit progressivement dans les données d'exploitation. La difficulté tient à la conversion de cette dérive en un nombre de cycles restants.
Dans un sens comme dans l'autre, l'erreur se paie. Trop tôt, le moteur est déposé alors qu'il lui restait du potentiel. Trop tard, la dépose n'est plus programmée et tout le planning se réorganise autour d'elle.
Chaque méthode disponible impose ses propres arbitrages. Les approches statistiques sont légères et se prêtent à l'interprétation, mais restituer une dégradation non linéaire répartie sur plusieurs capteurs demande un travail de conception et de réglage conséquent. L'apprentissage profond apporte la précision, au prix de la puissance de calcul nécessaire à son entraînement et de l'environnement requis pour l'exécuter sur site.
Ce que nous avons validé
L'entrée du modèle se limite aux données capteurs déjà relevées en exploitation. Aucune instrumentation supplémentaire n'est requise.
Le modèle estime le nombre de cycles restants avant défaillance. Il repose sur une famille de techniques d'apprentissage automatique légères (reservoir computing), bien adaptées aux signaux temporels.
La validation s'est appuyée sur un jeu de données public couvrant plusieurs moteurs suivis jusqu'à la défaillance. Ces données sont issues d'une simulation moteur et font référence en pronostic de défaillance. L'évaluation a porté sur des moteurs écartés de l'apprentissage.
Ce que la validation montre
Le nombre de cycles restants a pu être estimé sur des moteurs que le modèle n'avait jamais vus. À mesure que la dégradation progresse, l'estimation converge vers la durée de vie réellement restante.
Cela pourrait s'appliquer à vos équipements
Si vous exploitez une flotte de machines identiques et que vous conservez l'historique des unités déposées pour défaillance ou pour révision, la même approche peut se transposer.
Elle aide à répartir les dates de dépose, à anticiper les commandes de pièces et à différer les interventions sur les unités qui disposent encore de potentiel.
Une brève discussion suffit généralement à déterminer si vos données d'exploitation sont exploitables en l'état.