Pronostic de l'endommagement des machines et procédés

机器和程序的内部管理的 Pronostic

• 批准号: RGPIN-2014-05853
• 负责人: Thomas, Marc
• 金额: $ 2.4万
• 依托单位: École de technologie supérieure
• 依托单位国家: 加拿大
• 项目类别: Discovery Grants Program - Individual
• 财政年份: 2015
• 资助国家: 加拿大
• 起止时间: 2015-01-01 至 2016-12-31
• 项目状态: 已结题
• 来源: https://www.nserc-crsng.gc.ca/ase-oro/Details-Detailles_eng.asp?id=588658
• 关键词: Pronostic; de; endommagement; des; machines

En maintenance des machines, il existe plusieurs techniques de détection d’endommagement qui sont appliquées en industrie, comme par exemple la surveillance des machines par vision, la thermographie infrarouge, l’émission acoustique ou la mesure vibratoire. Les techniques usuelles de surveillance utilisées en vibration sont soit basées sur des descripteurs temporels statistiques (facteur de crête, Kurtosis) ou bien sur des descripteurs fréquentiels (analyse spectrale, analyse d'enveloppe, etc.). Ces techniques fonctionnent très bien pour détecter des défauts usuels. Par contre, lorsqu'on veut analyser des défauts d'engrenages ou de roulements qui sont parmi les composants mécaniques les plus critiques, le diagnostic se complique surtout lorsqu'on œuvre dans un milieu bruité ou bien en opérant à haute vitesse. Le problème se complique lorsque ces composantes tournent à très haute vitesse ou à très basse vitesse. En effet, lors de l'apparition d'un défaut, on voit souvent apparaître des phénomènes non stationnaires pour lesquels une analyse spectrale ordinaire ne peut plus être appliquée. On doit alors faire appel à des techniques d'analyse temps-fréquence. Par contre, le diagnostic de la gravité de l'endommagement et de la vie résiduelle reste encore à élucider, et on doit faire appel à des techniques sophistiquées de traitement de signal, telles la cyclostationnarité et de pronostic, souvent en se basant sur l’intelligence artificielle. Ces informations sont d'une importance cruciale pour le personnel de maintenance afin d'être capable d'agir avant que l'endommagement ne soit devenu critique. L'objectif de ce programme de recherche est d'améliorer les techniques de surveillance des machines, en développant des méthodes originales de détection de l'endommagement ainsi que de pronostic de la dégradation de mécanismes tels les roulements et engrenages. Des applications spécifiques envisagées sont la surveillance des procédé d’usinages (broutement, usure des outils) opérant notamment à haute vitesse ainsi que les systèmes opérant à très basse vitesse (éoliennes, ponts roulants). Plus spécifiquement, nous nous proposons de développer une stratégie de surveillance des machines qui intègre les aspects de sélection de capteurs, l'enregistrement des données, le traitement de signal, la sélection de descripteurs d'endommagement, la détection, le diagnostic, la fusion des données, la modélisation et l’application d’intelligence artificielle pour aboutir au pronostic (prédiction de vie résiduelle), afin de réaliser une reconnaissance automatique des défauts. Deux logiciels de simulation des vibrations dues à des défauts, l’un pour les roulements et l’autre pour des engrenages simples seront développés à cet effet. Ces logiciels devront pouvoir simuler l’effet de toutes sortes de défectuosités sur les vibrations. Nous prévoyons utiliser la méthode de traitement des signaux par transformée de Hilbert-Huang et LMD (Local Mode Decomposition) pour décomposer le signal vibratoire en fonctions temporelles comprenant chacune les fréquences caractéristiques des défauts. Comme les machines tournantes sont de nature répétitive, mais comprenant des événements aléatoires entre chaque cycle, je préconise l’analyse des signaux par cyclostationnarité et par angle-fréquence pour analyser les signaux vibratoires dans le domaine angulaire et ainsi définir des descripteurs de défauts dans le domaine angulaire (moyenne angulaire, variance, angulaire, Kurtosis angulaire), ce qui permettra également de localiser les défauts dans l’espace. Le pronostic sera effectué par des méthodes d’intelligence artificielles (fusion des données, machines à support de vecteurs, réseaux de neurones) afin de déterminer le nombre de défauts et leur ampleur.

基于振动的监视技术用于临时描述符statistiques (facteur de crête, Kurtosis) ou bien sur des descripteurs fréquentiels (分析光谱，分析 d'enveloppe 等)。比赛中的复杂问题是高级或低级比赛的问题关于时间频率分析技术。相反，对内部引力和剩余生命的诊断，以及对信号特征、周期静止和语音、智能基础知识的复杂技术的合理运用技巧性的。维护 afin d'être 能够 d'agir avant que l'endommagement ne soit devenu 批评。 tels les rouulements et engrenages。具体而言，开发者对捕获者选择、受害者登记、信号特征、内部描述者选择、检测、诊断、受害者融合方面的机器整体监视战略的建议、模型化等预测的智能应用（预测生活），可以实现简单的自动侦察。逻辑驱动力模拟所有振动缺陷的效果。功能暂时包含默认频率特征。角域的振动和角域默认描述的定义（角角、角角、角角峰度），可以在空间中对默认值进行定位。人工智能（融合、支持向量的机器、神经元）决定了失败和失败的名称。