[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

EP4449218A1 - Procede, dispositif, programme produit d'ordinateur et support d'enregistrement comportant ledit programme pour la detection d'une anomalie dans un systeme mecanique ou electromecanique - Google Patents

Procede, dispositif, programme produit d'ordinateur et support d'enregistrement comportant ledit programme pour la detection d'une anomalie dans un systeme mecanique ou electromecanique

Info

Publication number
EP4449218A1
EP4449218A1 EP22844671.2A EP22844671A EP4449218A1 EP 4449218 A1 EP4449218 A1 EP 4449218A1 EP 22844671 A EP22844671 A EP 22844671A EP 4449218 A1 EP4449218 A1 EP 4449218A1
Authority
EP
European Patent Office
Prior art keywords
partition
alarm
signals
indicator
signal
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
EP22844671.2A
Other languages
German (de)
English (en)
Inventor
Amgad MOHAMED
Nadine Martin
Corinne Mailhes
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Universite Toulouse 1 Capitole
Centre National de la Recherche Scientifique CNRS
Institut National Polytechnique de Toulouse INPT
Institut Polytechnique de Grenoble
Universite Toulouse III Paul Sabatier
Universite Toulouse II Le Mirail
Universite Grenoble Alpes
Original Assignee
Universite Toulouse 1 Capitole
Centre National de la Recherche Scientifique CNRS
Institut National Polytechnique de Toulouse INPT
Institut Polytechnique de Grenoble
Universite Toulouse III Paul Sabatier
Universite Toulouse II Le Mirail
Universite Grenoble Alpes
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Universite Toulouse 1 Capitole, Centre National de la Recherche Scientifique CNRS, Institut National Polytechnique de Toulouse INPT, Institut Polytechnique de Grenoble, Universite Toulouse III Paul Sabatier, Universite Toulouse II Le Mirail, Universite Grenoble Alpes filed Critical Universite Toulouse 1 Capitole
Publication of EP4449218A1 publication Critical patent/EP4449218A1/fr
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M7/00—Vibration-testing of structures; Shock-testing of structures
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G01M13/02—Gearings; Transmission mechanisms
    • G01M13/028—Acoustic or vibration analysis
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G01M13/04—Bearings
    • G01M13/045—Acoustic or vibration analysis
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks

Definitions

  • TITLE METHOD, DEVICE, COMPUTER PRODUCT PROGRAM AND RECORDING MEDIA COMPRISING THE SUCH PROGRAM FOR THE DETECTION OF AN ANOMALY IN A MECHANICAL OR ELECTROMECHANICAL SYSTEM
  • the present invention relates to a method and a device for detecting an anomaly in a mechanical or electromechanical system.
  • the invention also relates to a computer program product and a recording medium comprising such a program.
  • the invention can be used in particular in the context of monitoring the operating state of mechanical or electromechanical systems comprising rotating structures.
  • Rotating machines are essential components in many sectors such as energy, rail, food. A failure of one of them can lead to sudden and very costly production stoppages, as well as safety problems. Various approaches are known to reduce or predict such failures.
  • This approach consists in changing parts according to a schedule decided a priori without information on the state of the components. Parts that are still in working order are thus replaced, which is costly and inefficient.
  • the best solution is to know in advance the existence of a defect in order to better plan maintenance.
  • Such software makes it possible to quickly monitor a large number of installations.
  • this solution does not have the ability to perform early detection.
  • the criteria used may for example include thresholds which are typically set for specific operating conditions - these thresholds are therefore not generic and require updating by a human expert.
  • a method for detecting anomalies in a mechanical or electromechanical system said method being implemented by a processing device comprising a processor: obtaining a set of spectral components su r based on a signal from at least one sensor detecting vibrations and/or electrical fluctuations in the system; the identification of spectral structures comprising one or more components from among the spectral components obtained previously, a spectral structure comprising a fundamental frequency component, one or more harmonics of the fundamental frequency, and/or one or more components forming lateral bands of modulation of the fundamental or harmonic components, the determination of the value of an indicator characterizing at least one identified spectral structure, the iteration of the preceding steps to obtain values of the indicator ordered in time for a plurality of signals measured by said at least one sensor; partitioning the indicator values into k partitions using an unsupervised learning partitioning algorithm, where k >1; the raising of an alarm indicating an anomaly being carried out by said device according to the evolution of the indicator over time, said evolution being determined according to
  • one (or more) frequency indicators are chosen to be monitored over time.
  • Data for each indicator is partitioned, and an anomaly is identified based on how the indicator changes over time.
  • An anomaly is, for example, observed if a variation in the trend of the indicator is observed over time. This trend variation can be determined according to the evolution of the scores obtained for this indicator, in particular according to the beginning (appearance) and the end (disappearance) of the scores obtained.
  • the method comprises for each partition a step of determining the aberrant or normal character of said partition, a given partition being considered as aberrant if the number of signals associated with this partition relative to the total number of signals obtained since the appearance of the given partition is below a threshold.
  • the method comprises for each partition considered to be aberrant: the splitting of this partition into two sub-partitions; the evaluation of the aberrant or normal character of each sub-partition; raising an alarm if one of the two sub-partitions is not considered outlier and raising no alarm if both sub-partitions are considered outlier.
  • a first sub-partition being said to be on the left if it relates to signals prior to the signals associated with a second sub-partition, said to be on the right, an alarm being raised: for the signals of the sub- right partition and all subsequent cues, if the left subpartition is considered outlier and the right subpartition is considered normal; or for signals from the right subpartition only, if the left subpartition is considered normal and the right subpartition is considered outlier.
  • the method comprises for each partition considered as normal a pre-processing comprising: the splitting of this partition into two sub-partitions; the determination if the sub-partition associated with the oldest signals, called left sub-partition, is aberrant; and if so: o raising an alarm for the signals associated with the left sub-partition; and o the deletion, from the partition, of the signals associated with the left sub-partition.
  • the method comprises for a normal partition, if necessary preprocessed: o the raising of an alarm for the signals associated with the partition if it appeared late ively; o the raising of an alarm for the signals associated with the partition and the signals subsequent to the partition if the partition appeared after the disappearance of another partition.
  • the method comprises for a normal partition, if necessary preprocessed, the lifting of an alarm for signals subsequent to the partition if the partition has disappeared early.
  • each indicator value being associated with an index value which increases over time
  • the splitting of a partition is carried out by forming the sub-partitions with respect to the greater d ifference of indices of indicator values in the score.
  • the method comprises, for each raised alarm and for each signal, the determination of a weighting coefficient of the raised alarm, said weighting coefficient representing a degree of reliability associated with the raised alarm for the sig nal to which the raised alarm is associated.
  • the method comprises the implementation of a plurality of different indicators for the same signal, each indicator being capable of generating at least one weighted alarm for this same signal.
  • the method comprises: obtaining a cumulative alarm for each signal by summing all the weighted alarms for each indicator and normalizing the summation by the number of indicators having contributed at least one weighted alarm; determining (S406) a severity grade of the cumulative alarm for a given signal based on the cumulative alarm for this given signal.
  • the method comprises the rejection of a cumulative alarm if it is below a given threshold.
  • the method comprises: determining a confidence index for a cumulative alarm for a given signal, said confidence index being a function of the number of indicators having contributed to at least one weighted alarm for a signal given relative to the total number of flags for that given signal; and rejecting a cumulative alarm if said confidence index is below a threshold.
  • the method comprises the generation of a signal representative of the cumulative alarms retained as a function of the confidence index and/or of the value of each cumulative alarm for at least one of: the control of the system operation ; generating a display signal.
  • the method comprises the determination of a persistence index of an alarm for a given signal, the persistence index being a function of the evolution of the liftings and the lack of lifting of the alarm for the signal given during successive analyzes of series of indicator values over time.
  • One embodiment relates to a device comprising a processor and a memory comprising software code configured to implement the method according to one of the above embodiments.
  • One embodiment relates to a recording medium readable by a device comprising a processor, the medium comprising instructions which, when they are executed by the processor, lead to the implementation, by the device, of the steps of the method according to one of the above embodiments.
  • One embodiment relates to a computer program product comprising instructions which, when the program is executed by a processor of a device, lead the device to implement the steps of the method according to one of the embodiments below. above.
  • FIG.1 - Figure 1 is a block diagram of a system according to an example embodiment
  • FIG. 2 is a block diagram of a device suitable for the implementation of certain embodiments
  • FIG. 3 is a flowchart of a signal processing method for determining an indicator value
  • FIG. 4 is a flowchart of the main steps of the anomaly detection method according to a non-limiting example embodiment
  • FIG. 5 is an algogram of the sub-steps of the step of figure 3 for detecting a trend variation of a given indicator according to a non-limiting example embodiment
  • FIG.6 is a graph illustrating the partitioning of an example of a series of values of an indicator
  • FIG. 7 is a flowchart showing the main steps for detecting aberrant partitions
  • FIG. 8 is a graph illustrating an aberrant partition and two non-aberrant partitions for an example of a series of values of an indicator
  • FIG. 9 is a graph of the values of an indicator of the average energy per harmonic which illustrates the splitting of a normal partition into two left and right sub-partitions;
  • FIG. 10a - figure 10a is a graph which shows an indicator representing the energy per family of harmonics, with three partitions;
  • FIG. 10b is a graph which shows an indicator representing the average energy per harmonic, with three partitions;
  • FIG. 11 - Figure 11 is a flowchart of a method for determining a persistence metric of an alarm
  • FIG. 12 is an example of an alarm graph with indication of the level of severity as it can be generated using an example embodiment.
  • Each block of a block diagram or each step of an algorigram can represent a module or even a portion of software code comprising instructions for the implementation of one or more functions. According to some implementations, the order of blocks or steps can be changed, or the corresponding functions can be implemented in parallel.
  • the blocks or process steps can be implemented using circuits, software or a combination of circuits and software, in a centralized way, or in a distributed way, for all or part of the blocks or steps. Any suitable data processing system can be used for the implementation.
  • a suitable data processing system or device comprises for example a combination of software code and circuits, such as a processor, controller or other circuit suitable for executing the software code.
  • the processor or controller causes the system or device to implement all or part of the functionalities of the blocks and/or of the steps of the processes or methods according to the example embodiments.
  • the software code can be stored in a readable memory or medium accessible directly or through another module by the processor or controller.
  • the present embodiment it is proposed to detect anomalies in a mechanical or electromechanical system implementing an artificial intelligence processing based on automatic learning.
  • the models that model the behavior of one or more components of the system are learned on in-situ measurements, without having recourse to a previously constituted database.
  • the anomaly to be detected is for example the gradual wear or the failure of one or more components or parts of the system, or else a non-optimal operation of all or part of the system.
  • FIG. 1 is a block diagram illustrating a system to be monitored provided with a device according to a non-limiting exemplary embodiment.
  • a system can be a mechanical or electromechanical system such as a wind turbine, an electric or combustion engine, an industrial machine or other types of systems comprising moving parts.
  • the system illustrated by way of example comprises components 101, 102 and 103 connected by respective links 105, 106 and 107.
  • the present example relates to a wind turbine, of which the diagram in FIG. 1 is a very simplified functional version: the component 101 includes the hub with blades and component 102 is a gearbox with appropriate gears.
  • the hub and the gearbox are connected by a shaft 104 provided with a first bearing 111.
  • the component 103 is a generator whose axis 105 is driven by the output of the gearbox which is provided with a second bearing 112.
  • Sensors 106, 107, 108 are respectively arranged on the bearings 111 and 112, and the housing of the gearbox 102.
  • These sensors are frequency signal sensors - in the context of this example, they are vibration sensors such as a MEMS type sensor (micro-electromechanical sensor) or even an accelerometer.
  • Other sensors could be provided, including acoustic sensors, or even electrical signal sensors, such as current or voltage detectors, with a view to detecting fluctuations in these electrical quantities, and these sensors can, depending on the needs, be inserted into electrical circuits of the system or even capacitively coupled to these circuits.
  • the sensors produce signals which are transmitted by links 110 to an anomaly detection device 109.
  • the links 110 can be wired or wireless.
  • Device 109 is not necessarily permanently connected to the sensors.
  • the sensors transmit data corresponding to the signals, for example periodically.
  • the sensors produce signals comprising samples at a frequency of 25kHz over a time interval of 60 seconds, and this for example once per hour or once per day.
  • the production of signals can therefore be done intermittently.
  • the monitoring is carried out on the basis of data received continuously from the sensors. In general, it will be chosen to obtain frequency-rich signals using sensors.
  • FIG. 2 is a block diagram of the components of a device 109, according to a particular non-limiting example of embodiment.
  • the device 109 comprises a processor 201, a volatile memory 202 as well as a non-volatile memory 203, the latter comprising instructions 204 which, when they are executed by the processor, lead the device to implement the steps and/or to implement the functional blocks mentioned elsewhere in this description.
  • the various components are linked by a communication bus 205.
  • Processor 201 may take any suitable form - one or more microprocessors, one or more microcontrollers, or a combination thereof.
  • Volatile memory 202 is used for temporary storage of data.
  • Nonvolatile memory 203 may include hard disk, static memory, or other form of long-term storage.
  • Non-volatile memory stores software implementation instructions, it can also store an operating system and/or applications.
  • the device 109 also comprises a series of interfaces 206.
  • a first interface is a module for acquiring the signals produced by the sensors 106 to 108 and can for this purpose comprise an analog-digital converter if the signals from the sensors are obtained in the analog domain. This interface can be replaced by a communication interface if a preliminary processing of the signal is carried out at the level of the sensors themselves, for example the digitization of the signals.
  • the device may also include a man-machine interface for interaction with a user and a display to alert a user if an alarm has been detected or to display the health index of the system as defined below.
  • the device advantageously comprises a control interface of the monitored system to intervene, if necessary, on the operation of one or more components depending on the location of a detected anomaly.
  • This intervention may consist of stopping the operation of a component or the system depending on the severity of the fault observed.
  • the control interface produces a signal to control part of the system or the entire system.
  • the device 109 can for example be a desktop computer or a portable computer or even a tablet.
  • the signal from a sensor is subjected to processing in order to obtain one or more indicators representative of the frequency characteristics of the signals.
  • the processing aims to extract from the spectrum of the signal the structures which characterize a physical phenomenon.
  • One or more indicators can be obtained and used to determine if spectral structures have evolved.
  • the evolution of one of the spectral structures, whether it is a spectral component, image of a resonance, or of a family of harmonics, or of a modulation sideband, is the signature of a defect in the monitored machine.
  • the signal is subjected to a Fourier transform
  • n distinct spectra are obtained by applying n spectral estimators to the signal, these estimators being based on Fourier transforms using for example different and overlapping time windows.
  • the goal is to apply estimators with complementary performances, hence obtaining several spectra.
  • a peak detection is performed, by first estimating the noise bottom line, detecting the relevant peaks with a hypothesis test, and fitting each peak with the spectral window of the spectral estimator corresponding.
  • a list of relevant peaks is thus obtained, each peak being assigned a list of attributes that characterize this peak. These attributes can include but are not limited to frequency, amplitude, local signal-to-noise ratio, spectral bandwidth, etc. This list is called the peak identity card.
  • the identity cards obtained from the different estimators for the same peak are merged. We thus obtain a packet of identity cards describing the peaks (or spectral components) of the signal.
  • spectral components are grouped by families of harmonics and modulation sidebands for each harmonic. Additional attributes can be added to characterize each family. Then, the peaks around each harmonic, and the harmonics between them, are grouped into subfamilies corresponding to the modulation sidebands. Identity cards are grouped by family and sub-family. These groupings are called spectral structures.
  • a demodulation of the sidebands is then performed. From this are derived additional attributes for each harmonic, these attributes being added to the corresponding identity cards.
  • a fourth step S304 the set of attributes calculated for a signal is followed by a tracking method on a succession of measurements (signals) of the same system by the same sensor.
  • the indicators used can be varied and chosen by the person skilled in the art according to the application envisaged.
  • Examples of indicators applied in real use cases include: energy per harmonic, total energy per harmonic family, fundamental order of harmonic family, total harmonic distortion (equal to ratio between the energy of the harmonics and the energy of the fundamental order for the family of harmonics of the monitored component
  • the choice of indicators can for example be made to obtain indicators of different standard deviations or variances.
  • an indicator value is obtained by processing the frequency signal.
  • This indicator value supplements, where appropriate, a series of values obtained for signals previously received and processed and for which the corresponding indicator values have been stored. All the signals obtained successively can be processed at the same time, or else each signal is processed as it is obtained.
  • a step S403 an analysis of the values of the indicator is carried out.
  • a step S404 a test is carried out to determine whether or not it is considered that there has been a variation in the trend of the indicator. If not, the process ends.
  • An alarm and/or its degree of severity can then be used to adapt the operation of the system, or even be communicated to a user.
  • an indicator having a rate of undetected values relative to the total number of values for this indicator beyond a predefined threshold is not used.
  • indices corresponding to the undetermined values are reinserted at their initial rank.
  • Rate - total nb of signals — index of the beginning of the considered partition
  • the threshold is chosen equal to 0.05 by default, ie 5%.
  • the partition is split into two to identify a left part and a right part, taking as a convention an evolution of time from left to right, the values of the left part therefore corresponding to signals obtained prior to those corresponding to the part LAW.
  • An example of a splitting method is as follows: o The difference between successive indices of the signals is determined.
  • the outlier partition includes the indices [2, 5, 10, 100, 105, 190], then the differences are [3, 5, 90, 5, 85], o
  • the left and right sub-partitions with respect to the largest difference, that is:
  • the sub-partitions are outliers or not - the same criterion as previously applied can be used here. o If the two sub-partitions are outliers, then no alarm is raised for the signals that compose them. o If the sub-partition with the oldest signals, i.e. the left sub-partition, is not considered an outlier, but the right sub-partition is considered an outlier, then an alarm is raised for the signals of the right sub-partition (therefore [100, 105, 190] according to the previous example). o If the sub-partition with the oldest signals, i.e.
  • the left sub-partition is considered an outlier, but the right sub-partition is considered non- outlier, then an alarm is raised for any signal after the left sub-partition, whether it is signals from the right sub-partition or signals belonging to another partition. In other words, a continuous alarm is raised.
  • a weighting coefficient 'CAiarme' is associated with an alarm which is raised within the framework of the processing of an aberrant partition.
  • the weighting coefficient is also called “weighted alarm” in the following.
  • this coefficient is formed as follows: [Math. 2]
  • the ‘left side’ includes all signals that precede the first signal in the right subpartition. It is recalled that we are talking about signals here because we take into account signals that have not made it possible to obtain an indicator value.
  • this coefficient indicates that the more the signals deemed alarming are to the right (recent), the greater the probability that they include the effects of an anomaly. Indeed, it is considered that a change of trend in the evolution of the indicator confirmed over time. A stronger coefficient is therefore associated with late signals in a partition than with early signals. However, if a low-value weighted alarm can be considered negligible on its own, the sum of several weighted alarms can become significant.
  • the coefficient is corrected using a rate equal to the ratio of the signals having given an indicator value on the left side, relative to the total number of signals on the left side. Indeed, disturbing signals giving indicator values arriving after a high percentage of signals that could not give rise to the establishment of an indicator value are penalized because they are considered unreliable.
  • a pre-processing of the normal partition is carried out.
  • This pre-treatment step is advantageous but optional.
  • the function of this pre-processing is to reduce the influence of aberrant sub-partitions integrated into the normal partition on the anomaly detection method applied to the normal partition.
  • a split of the normal partition is performed.
  • the split of the normal partition into left sub-partition and right sub-partition can be done on the basis of the same criterion already used for the split of an aberrant partition presented in the previous section.
  • For each sub-partition of the normal partition it is checked whether it is an aberrant sub-partition or not.
  • Figure 9 is a graph of the values of an indicator of the average energy per harmonic which illustrates the splitting of a normal partition into two left and right sub-partitions.
  • the first index of the normal partition is modified to exclude signals from the outlier subpartition.
  • an alarm is raised for these suppressed signals.
  • the weighted alarm is defined as follows:
  • the index of the signal in the denominator is incremented by 1 because this index can start from zero. If the index starts from 1 , the increment is not necessary.
  • the weighted alarm is as follows:
  • the index of the 1st signal in the denominator partition is incremented by 1 because this index can start from zero. If the index starts from 1, the increment is not necessary.
  • the late character of a partition is determined according to the content of the partition itself, and in particular according to the time intervals between the signals corresponding to the indicator values in the partition , and can therefore evolve according to the evolution of the content of the partition as new signals arrive. Other criteria for determining lateness can be used.
  • Figure 10a is a graph that shows an indicator representing the energy per family of harmonics, with three partitions, the first partition disappearing after the appearance of the second and third partitions.
  • Figure 10b is a graph which shows an indicator representing the average energy per harmonic, with three partitions, where the first partition disappears at the time of the appearance of the second partition, while the third partition appears later, after disappearance of the first part.
  • an early-disappearing partition gives rise to the raising of a continuous weighted alarm for any signal that follows the disappeared partition, but not for the signals of the disappeared partition.
  • the following rule can be applied to determine whether a partition disappears early: the difference between the last index of the signals of the partition and the total number of signals is greater than the largest difference in terms of indices of the signals in the score.
  • the weighted alarm can then be set as follows: [Math. 5]
  • a gradation of an alarm as a function of one or more thresholds, according to the following process: If several weighted alarm values exist for a given signal because multiple conditions are satisfied (several alarms can if necessary be raised for the same signal and the same indicator), then these values are added for this signal.
  • This same process is followed for all the indicators - a matrix W of the weighted alarms is thus formed for all the signals and all the indicators, where W has for dimensions the number of indicators multiplied by the number of signals: W_NumberlindicatorsXNumberSignals. The number of indicators with a value other than indeterminate is determined for each signal: l_1 XNumberSignals.
  • the number of indicators either taking part in raising a weighted alarm, or not taking part, is stored.
  • a confidence index as follows:
  • this threshold is fixed at 0.5, which implicitly defines a simple majority vote. Warnings and alarms are raised if both the confidence index and the averaged sum of the weighted alarms are beyond the respective thresholds.
  • the method described in the present description is such that it becomes more precise with the increase in the size of the data sets. It is possible to use it for data sets of limited size, at the risk of generating false alarms. However, as datasets increase in size, false alarms generated by past signals will cause these false alarms to disappear as signal series incorporating new signals are processed. We introduces the notion of alarm persistence to measure the persistence of the alarms generated on the basis of the method previously described.
  • Figure 11 is a flowchart of an example method for determining an alarm persistence metric.
  • an initial data set of z signals is determined so that each signal is assigned to a partition.
  • Persistence and its evolution can be used to validate or invalidate an alarm for a given signal, for example in addition to the confidence index and/or the value of the alarm. It is for example possible to set a persistence threshold - a user then only receives a warning or an alarm - if the minimum persistence defined by this threshold is reached. The same threshold can be implemented to determine whether a warning or an alarm is taken into account by a device for processing this warning or this alarm.
  • Example of result produced Figure 12 is an example of an alarm graph with indication of the level of severity.
  • the graph represents the indicator values and corresponding alarms for a ball bearing.
  • the corresponding signals were obtained for 46 consecutive weeks.
  • the curve 1201 of the values of a single indicator is shown, although fourteen indicators were generated in all for the signals collected and taken into account for the determination of the alarms.
  • the generated normalized cumulative alarms are grouped into three sets according to their severity: the set 1202, representing the cumulative alarms which have not crossed a minimum severity threshold, the set 1203 which corresponds to the alarms corresponding to a first range level of severity (warning) and a set 1204 which corresponds to the alarms having exceeded a second threshold - these alarms are considered to be severe alarms.
  • the chattering of the alarms between the first two sets is notably due to the taking into account of all the indicators, the presence or not of a determined value for a given signal and to the application of the various thresholds and indices mentioned previously. It will however be noted that the persistence was not used as a discriminating factor within the framework of the example of FIG. 12, because this figure results from the first iteration on a series of signals.
  • the graph of FIG. 12 can be viewed by a user. This visualization can be updated each time a new signal is obtained - all the alarms are then determined again.

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Alarm Systems (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

Il est proposé un procédé de détection d'anomalies dans un système mécanique ou électromécanique, ledit procédé étant mis en œuvre par un dispositif de traitement (109) comprenant un processeur (201) : - l'obtention d'un ensemble de composantes spectrales sur la base d'un signal provenant d'au moins un capteur détectant des vibrations et/ou des fluctuations électriques dans le système; - l'identification de structures spectrales comprenant une ou plusieurs composantes parmi les composantes spectrales obtenues précédemment, une structure spectrale comprenant une composante de fréquence fondamentale, un ou plusieurs harmoniques de la fréquence fondamentale, et/ou une ou plusieurs composants formant des bandes latérales de modulation des composantes fondamentales ou harmoniques, - la détermination de la valeur d'un indicateur caractérisant au moins une structure spectrale identifiée, - l'itération des étapes précédentes pour l'obtention (S402, S500) de valeurs de l'indicateur ordonnées dans le temps pour une pluralité de signaux mesurés par ledit au moins un capteur; - le partitionnement (S403, S502, S701) des valeurs de l'indicateur en k partitions à l'aide d'un algorithme de partitionnement à apprentissage non supervisé, où k>1; - la levée d'une alarme (S405, S505) indiquant une anomalie étant réalisée par ledit dispositif en fonction de l'évolution de l'indicateur dans le temps, ladite évolution étant déterminée en fonction de l'évolution desdites partitions dans le temps (S404, S504). Sont également décrits un dispositif de mise en œuvre, un programme produit d'ordinateur et un support d'enregistrement.

Description

DESCRIPTION
TITRE : PROCEDE, DISPOSITIF, PROGRAMME PRODUIT D’ORDINATEUR ET SUPPORT D’ENREGISTREMENT COMPORTANT LEDIT PROGRAMME POUR LA DETECTION D’UNE ANOMALIE DANS UN SYSTEME MECANIQUE OU ELECTROMECANIQUE
Domaine technique de l’invention
La présente invention concerne un procédé et un dispositif pour la détection d’une anomalie dans un système mécanique ou électromécanique.
L’invention concerne aussi un produit programme d’ordinateur et un support d’enregistrement comportant un tel programme.
L’invention peut être utilisée notamment dans le cadre de surveillances de l’état de fonctionnement de systèmes mécaniques ou électromécaniques comprenant des structures en rotation.
Arrière-plan technique
Les machines tournantes sont des composants essentiels dans de nombreux secteurs tel que l’énergie, le ferroviaire, l’agroalimentaire. Une panne de l’une d’entre elles peut entrainer des arrêts de production brutaux et très coûteux, ainsi que des problèmes de sécurité. Diverses approches sont connues pour réduire ou prédire de telles pannes.
La maintenance planifiée
Cette approche consiste à changer des pièces selon un planning décidé à priori sans information sur l’état des composants. Des pièces toujours en état de fonctionnement sont ainsi remplacées, ce qui est coûteux et inefficace.
Pour éviter une panne, la meilleure solution est de connaître à l’avance l’existence d’un défaut afin de mieux planifier la maintenance.
La surveillance conditionnelle par des experts humains en analyse vibratoire
Cette solution, bien que fonctionnant bien globalement, ne permet de travailler que sur un nombre limité d’installation, souvent choisies en fonction de leur criticité. Cette solution est coûteuse en temps. La mise en œuvre de logiciels automatiques utilisant des ind icateurs simples
De tels log iciels permettent de su rveiller rapidement u n grand nombre d’installations. Cependant, cette solution n’a pas la capacité à réaliser u ne détection précoce. De plus, les critères utilisés peuvent par exemple comprendre des seuils q ui sont typiquement fixés pour des cond itions d’opération spécifiques - ces seu ils ne sont donc pas génériq ues et nécessitent une m ise à jour par u n expert humain.
La m ise en œuvre de log iciels utilisant l’intelligence artificielle Les log iciels connus, basés par exemple su r des algorithmes d’apprentissage profond , nécessitent une grande q uantité de données historiq ues pour l’apprentissage des modèles liés au système analysé. Cette solution n’est pas robuste au changement de composants dans le système analysé et à toutes les cond itions opérationnelles. De plus, cette solution est u ne boîte noire car les modèles ne permettent pas de déterminer facilement les raisons pou r lesquelles des alarmes sont générées.
Résumé de l’invention
Selon un mode de réalisation, il est proposé u n procédé de détection d’anomalies dans un système mécanique ou électromécaniq ue, ledit procédé étant mis en œuvre par u n dispositif de traitement comprenant u n processeur: l’obtention d ’u n ensemble de composantes spectrales su r la base d’un signal provenant d’au moins u n capteur détectant des vibrations et/ou des fluctuations électriq ues dans le système ; l’identification de structures spectrales comprenant u ne ou plusieu rs composantes parmi les composantes spectrales obtenues précédemment, une structure spectrale com prenant une com posante de fréquence fondamentale, u n ou plusieurs harmoniques de la fréquence fondamentale, et/ou une ou plusieurs composants formant des bandes latérales de modu lation des composantes fondamentales ou harmoniques, la détermination de la valeu r d ’u n indicateur caractérisant au moins une structure spectrale identifiée, l’itération des étapes précédentes pou r l’obtention de valeu rs de l’indicateur ordonnées dans le temps pour une pluralité de signaux mesurés par ledit au moins u n capteur; le partitionnement des valeurs de l’indicateur en k partitions à l’aide d’un algorithme de partitionnement à apprentissage non supervisé, où k> 1 ; la levée d’une alarme indiquant une anomalie étant réalisée par ledit dispositif en fonction de l’évolution de l’indicateur dans le temps, ladite évolution étant déterminée en fonction de l’évolution desdites partitions dans le temps.
Ainsi, un (ou plusieurs) indicateurs fréquentiels sont choisis pour être suivis dans le temps. Les données pour chaque indicateur sont partitionnées, et une anomalie est identifiée en fonction de l’évolution de l’indicateur dans le temps. Une anomalie est par exemple constatée s'il est observé une variation de la tendance de l’indicateur dans le temps. Cette variation de tendance peut être déterminée en fonction de l’évolution des partitions obtenues pour cet indicateur, notamment en fonction du début (apparition) et de la fin (disparition) des partitions obtenues.
Selon un mode de réalisation particulier, le procédé comprend pour chaque partition une étape de détermination du caractère aberrant ou normal de ladite partition, une partition donnée étant considérée comme aberrante si le nombre de signaux associés à cette partition par rapport au nombre total de signaux obtenus depuis l’apparition de la partition donnée est inférieur à un seuil.
Selon un mode de réalisation particulier, le procédé comprend pour chaque partition considérée comme aberrante: la scission de cette partition en deux sous-partitions; l’évaluation du caractère aberrant ou normal de chaque sous-partition; la levée d’une alarme si l’une des deux sous-partitions n’est pas considérée comme aberrante et la levée d’aucune alarme si les deux sous-partitions sont considérées comme aberrantes.
Selon un mode de réalisation particulier, une première sous-partition étant dite de gauche si elle est relative à des signaux antérieurs aux signaux associés avec une seconde sous-partition, dite de droite, une alarme étant levée: pour les signaux de la sous-partition de droite et tous les signaux ultérieurs, si la sous-partition de gauche est considérée comme aberrante et la sous- partition de droite est considérée comme normale; ou pour les signaux de la sous-partition de droite uniquement, si la sous- partition de gauche est considérée comme normale et la sous-partition de droite est considérée comme aberrante. Selon un mode de réalisation particulier, le procédé comprend pour chaque partition considérée comme normale u n prétraitement comprenant : la scission de cette partition en deux sous-partitions ; la détermination si la sous-partition associée aux signaux les plus anciens, dite sous-partition de gauche, est aberrante ; et dans l’affirmative : o la levée d 'une alarme pou r les sig naux associés à la sous-partition de gauche; et o la su ppression, de la partition, des sig naux associés à la sous- partition de gauche.
Selon un mode de réalisation particulier, le procédé comprend pour une partition normale, le cas échéant prétraitée : o la levée d 'u ne alarme pou r les sig naux associés à la partition si elle est apparue tard ivement ; o la levée d 'u ne alarme pou r les sig naux associés à la partition et les signaux postérieurs à la partition si la partition est apparue après disparition d’une autre partition .
Selon un mode de réalisation particulier, le procédé comprend pour une partition normale, le cas échéant prétraitée la levée d’une alarme pou r les signaux postérieurs à la partition si la partition a d isparu précocement.
Selon un mode de réalisation particulier, chaq ue valeur d’indicateu r étant associée à u ne valeur d’indice qu i s’incrémente avec le temps, la scission d’une partition est réalisée en formant les sous-partitions par rapport à la plus grande d ifférence d ’ind ices de valeurs d’indicateur dans la partition .
Selon un mode de réalisation particulier, le procédé comprend , pour chaque alarme levée et pou r chaq ue signal , la détermination d’u n coefficient de pondération de l’alarme levée, ledit coefficient de pondération représentant un degré de fiabilité associé à l’alarme levée pour le sig nal auq uel l’alarme levée est associée.
Selon un mode de réalisation particulier, le procédé comprend la mise en œuvre d ’u ne plu ralité d’indicateurs différents pour un même sig nal, chaque indicateu r étant susceptible de générer au moins u ne alarme pondérée pou r ce même sig nal.
Selon un mode de réalisation particulier, le procédé comprend : l’obtention d’une alarme cumulée pour chaque signal par sommation de toutes les alarmes pondérées pour chaque indicateur et la normalisation de la sommation par le nombre d’indicateurs ayant contribué au moins une alarme pondérée ; la détermination (S406) d’un grade de sévérité de l’alarme cumulée pour un signal donné en fonction de l’alarme cumulée pour ce signal donné.
Selon un mode de réalisation particulier, le procédé comprend, le rejet d’une alarme cumulée si elle est inférieure à un seuil donné.
Selon un mode de réalisation particulier, le procédé comprend : la détermination d’un indice de confiance pour une alarme cumulée pour un signal donné, ledit indice de confiance étant fonction du nombre d’indicateurs ayant contribué à au moins une alarme pondérée pour un signal donné par rapport au nombre total d’indicateurs pour ce signal donné; et le rejet d’une alarme cumulée si ledit indice de confiance est inférieur à un seuil.
Selon un mode de réalisation particulier, le procédé comprend la génération d’un signal représentatif des alarmes cumulées retenues en fonction de l’indice de confiance et/ou de la valeur de chaque alarme cumulée pour au moins l’un parmi : le contrôle du fonctionnement du système ; la génération d’un signal d’affichage.
Selon un mode de réalisation particulier, le procédé comprend la détermination d’un indice de persistance d’une alarme pour un signal donné, l’indice de persistance étant fonction de l’évolution des levées et des manques de levée de l’alarme pour le signal donné lors d’analyses successives de séries de valeurs d’indicateur dans le temps.
Un mode de réalisation concerne un dispositif comprenant un processeur et une mémoire comportant du code logiciel configuré pour mettre en œuvre le procédé selon l’un des modes de réalisation ci-dessus.
Un mode de réalisation concerne un support d'enregistrement lisible par un dispositif comprenant un processeur, le support comprenant des instructions qui, lorsqu'elles sont exécutées par le processeur, conduisent à la mise en œuvre, par le dispositif, des étapes du procédé selon l’un des modes de réalisation ci-dessus. Un mode de réalisation concerne un produit programme d'ordinateur comprenant des instructions qui, lorsque le programme est exécuté par un processeur d’un dispositif, conduisent le dispositif à mettre en œuvre les étapes du procédé selon l’un des modes de réalisation ci-dessus.
Brève description des figures
D'autres caractéristiques et avantages de l'invention apparaitront au cours de la lecture de la description détaillée qui va suivre pour la compréhension de laquelle on se reportera aux dessins annexés dans lesquels :
[Fig.1 ] - la figure 1 est un diagramme bloc d’un système selon un exemple de réalisation ;
[Fig. 2] - la figure 2 est un diagramme bloc d’un dispositif adapté à la mise en œuvre de certains exemples de réalisation ;
[Fig. 3] - la figure 3 est un algorigramme d’un procédé de traitement d’un signal en vue de la détermination d’une valeur d'indicateur ;
[Fig. 4] - la figure 4 est un algorigramme des principales étapes du procédé de détection d’anomalies selon un exemple de réalisation non limitatif;
[Fig. 5] - la figure 5 est un algorigramme des sous-étapes de l’étape de la figure 3 de détection d’une variation de tendance d’un indicateur donné selon un exemple de réalisation non limitatif ;
[Fig.6] - la figure 6 est un graphe illustrant le partitionnement d’un exemple de série de valeurs d’un indicateur ;
[Fig. 7] - la figure 7 est un algorigramme présentant les principales étapes de détection de partitions aberrantes ;
[Fig. 8] - la figure 8 est un graphe illustrant une partition aberrante et deux partitions non aberrantes pour un exemple de série de valeurs d’un indicateur ;
[Fig. 9] - la figure 9 est un graphe des valeurs d’un indicateur de l’énergie moyenne par harmonique qui illustre la scission d’une partition normale en deux sous-partitions gauche et droite ;
[Fig. 10a] - la figure 10a est un graphe qui montre un indicateur représentant l’énergie par famille d’harmoniques, avec trois partitions ;
[Fig. 10b] - la figure 10b est un graphe qui montre un indicateur représentant l’énergie moyenne par harmonique, avec trois partitions ;
[Fig. 11] - la figure 11 est un algorigramme d’un procédé de détermination d’une métrique de persistance d’une alarme ; [Fig. 12] - la figure 12 est un exemple de graphe d’alarmes avec indication du niveau de sévérité tel qu’il peut être généré à l’aide d’un exemple de réalisation.
Description détaillée de l'invention
Dans la description qui va suivre, des éléments identiques, similaires ou analogues seront désignés par les mêmes chiffres de référence.
Les diagrammes blocs et algorigrammes dans les figures illustrent l’architecture, les fonctionnalités et le fonctionnement de systèmes, dispositifs, méthodes, procédés et produits programmes d’ordinateur selon divers exemples de réalisation. Chaque bloc d’un diagramme bloc ou chaque étape d’un algorigramme peut représenter un module ou encore une portion de code logiciel comprenant des instructions pour l’implémentation d’une ou plusieurs fonctions. Selon certaines implémentations, l’ordre des blocs ou des étapes peut être changé, ou encore les fonctions correspondantes peuvent être mises en œuvre en parallèle. Les blocs ou étapes de procédé peuvent être implémentés à l’aide de circuits, de logiciels ou d'une combinaison de circuits et de logiciels, et ce de façon centralisée, ou de façon distribuée, pour tout ou partie des blocs ou étapes. Tout système de traitement de données adapté peut être utilisé pour l’implémentation. Un système ou dispositif de traitement de données adapté comprend par exemple une combinaison de code logiciel et de circuits, tels un processeur, contrôleur ou autre circuit adapté pour exécuter le code logiciel. Lorsque le code logiciel est exécuté, le processeur ou contrôleur conduit le système ou dispositif à mettre en œuvre tout ou partie des fonctionnalités des blocs et/ou des étapes des procédés ou méthodes selon les exemples de réalisation. Le code logiciel peut être stocké dans une mémoire ou un support lisible accessible directement ou à travers un autre module par le processeur ou contrôleur.
Selon le présent mode de réalisation, il est proposé de détecter des anomalies dans un système mécanique ou électromécanique mettant en œuvre un traitement par intelligence artificielle basé sur l’apprentissage automatique. Dans un fonctionnement non supervisé, les modèles qui modélisent le comportement d'un ou plusieurs composants du système sont appris sur les mesures in-situ, sans avoir recours à une base de données préalablement constituée. L’anomalie à détecter est par exemple l’usure graduelle ou la défaillance d’une ou plusieurs composants ou parties du système, ou encore un fonctionnement non optimal de la totalité ou d’une partie du système.
Le fait de mettre en œuvre un traitement utilisant un apprentissage automatique fait qu’il n’est pas nécessaire de disposer d’historique pour l’apprentissage - cet apprentissage se fera au fur et à mesure du fonctionnement du système.
La figure 1 est un diagramme bloc illustrant un système à surveiller muni d’un dispositif selon un exemple de réalisation non limitatif. Un tel système peut être un système mécanique ou électromécanique tel qu’une éolienne, un moteur électrique ou à combustion, une machine industrielle ou d’autres types de systèmes comportant des parties mobiles. Le système illustré à titre d’exemple comporte des composants 101, 102 et 103 reliées par des liaisons respectives 105, 106 et 107. Le présent exemple concerne une éolienne, dont le diagramme de la figure 1 est une version fonctionnelle très simplifiée : le composant 101 comprend le moyeu muni de pales et le composant 102 est une boîte de vitesse munie d’engrenages appropriés. Le moyeu et la boîte de vitesse sont reliés par un arbre 104 muni d’un premier roulement 111. Le composant 103 est une génératrice dont l’axe 105 est entraîné par la sortie de la boîte de vitesse est qui muni d’un second roulement 112. Des capteurs 106, 107, 108 sont respectivement disposés sur les roulements 111 et 112, et le boîtier de la boîte de vitesse 102. Ces capteurs sont des capteurs de signaux fréquentiels - dans le cadre du présent exemple, il s’agit de capteurs de vibrations tels qu’un capteur de type MEMS (capteur micro-électromécanique) ou encore un d’accéléromètre. D’autres capteurs pourraient être prévus, y compris des capteurs acoustiques, ou encore des capteurs de signaux électriques, tels des détecteurs de courant ou de tension, en vue de détecter des fluctuations de ces grandeurs électriques, et ces capteurs peuvent selon les besoins être insérés dans des circuits électriques du système ou encore couplés capacitivement à ces circuits. Les capteurs produisent des signaux qui sont transmis par des liaisons 110 à un dispositif de détection d'anomalies 109. Les liaisons 110 peuvent être filaires ou sans fil. Le dispositif 109 n’est pas nécessairement connecté de façon permanente aux capteurs. Selon le mode de fonctionnement choisi, les capteurs transmettent des données correspondant aux signaux, par exemple de façon périodique. Purement à titre d’exemple indicatif dans le contexte de l’exemple portant sur une éolienne, les capteurs produisent des signaux comportant des échantillons à une fréquence de 25kHz sur un intervalle de temps de 60 secondes, et ce par exemple une fois par heure ou une fois par jour. La production de signaux peut donc se faire de façon intermittente. Selon d’autres exemples de réalisation, la surveillance est effectuée sur la base de données reçues en continu à partir des capteurs. De manière générale, on choisira d’obtenir à l’aide de capteurs des signaux riches en fréquences.
La figure 2 est un diagramme bloc des composants d’un dispositif 109, selon un exemple de réalisation particulier non limitatif. Le dispositif 109 comprend un processeur 201, une mémoire volatile 202 ainsi qu’une mémoire nonvolatile 203, cette dernière comportant des instructions 204 qui, lorsqu'elles sont exécutées par le processeur, conduisent le dispositif à mettre en œuvre les étapes et/ou à implémenter les blocs fonctionnels mentionnés par ailleurs dans la présente description. Les différentes composantes sont reliées par un bus de communication 205. Le processeur 201 peut prendre une forme adaptée quelconque - un ou plusieurs microprocesseurs, un ou plusieurs microcontrôleurs, ou une combinaison de ceux-ci. La mémoire volatile 202 est utilisée pour un stockage temporaire de données. La mémoire nonvolatile 203 peut comprendre un disque dur, une mémoire statique ou une autre forme de stockage longue durée. La mémoire non-volatile stocke les instructions logicielles de mise en œuvre, elle peut également stocker un système d'exploitation et/ou des applications. Le dispositif 109 comprend en outre une série d’interfaces 206. Une première interface est un module d’acquisition des signaux produits par les capteurs 106 à 108 et peut à cet effet comporter un convertisseur analogique numérique si les signaux des capteurs sont obtenus dans le domaine analogique. Cette interface peut être remplacée par une interface de communication si un traitement préalable du signal est effectué au niveau des capteurs eux-mêmes, par exemple la numérisation des signaux. Le dispositif peut par ailleurs comporter une interface homme-machine pour l’interaction avec un utilisateur et un afficheur pour alerter un utilisateur si une alarme a été détectée ou encore pour afficher l’index de santé du système tel que défini plus loin. Par ailleurs, le dispositif comporte avantageusement une interface de commande du système surveillé pour le cas échéant intervenir sur le fonctionnement d’un ou plusieurs composants en fonction de la localisation d’une anomalie détectée. Cette intervention peut consister en l’arrêt du fonctionnement d’un composant ou du système en fonction de la sévérité du défaut constaté. Pour ce faire, l’interface de commande produit un signal de contrôle d’une partie du système ou de la totalité du système.
Le dispositif 109 peut par exemple être un ordinateur de bureau ou un ordinateur portable ou encore une tablette. Le signal issu d’un capteur est soumis à un traitement dans le but d’obtenir un ou plusieurs indicateurs représentatifs des caractéristiques fréquentielles des signaux. Le traitement vise à extraire du spectre du signal les structures qui caractérisent un phénomène physique. Un ou plusieurs indicateurs peuvent être obtenus et être utilisés pour déterminer si des structures spectrales ont évolué. L’évolution d’une des structures spectrales, que ce soit une composante spectrale, image d’une résonance, ou d'une famille d’harmoniques, ou encore d’une bande latérale de modulation, est la signature d’un défaut dans la machine surveillée.
La figure 3 est un algorigramme d’un exemple de procédé d’obtention d’un indicateur fréquentiel à partir d’un signal. Le procédé de la figure 3 comporte quatre grandes étapes, numérotées de S301 à S304.
Selon une première étape S301, un signal issu d’un capteur est analysé dans le domaine fréquentiel dans le but de détecter les pics du spectre et de caractériser ces pics par des attributs. Une description des composantes spectrales (les pics) est ainsi obtenue.
Selon un mode de réalisation particulier, le signal est soumis à une transformée de Fourier, n spectres distincts sont obtenus en appliquant n estimateurs spectraux au signal, ces estimateurs étant basés sur des transformées de Fourier utilisant par exemple des fenêtres temporelles différentes et se chevauchant. Le but est d’appliquer des estimateurs ayant des performances complémentaires, d’où l’obtention de plusieurs spectres. Pour chaque spectre, une détection des pics est réalisée, en estimant dans un premier temps la ligne de fond du bruit, en détectant les pics pertinents avec un test d’hypothèse, et en ajustant chaque pic avec la fenêtre spectrale de l’estimateur spectral correspondant. On obtient ainsi une liste des pics pertinents, chaque pic étant affecté d’une liste d’attributs qui caractérisent ce pic. Ces attributs peuvent comprendre de façon non-limitative la fréquence, l’amplitude, le rapport signal à bruit local, la bande passante spectrale...Cette liste est appelée carte d’identité du pic. Les cartes d’identité obtenues à partir des différents estimateurs pour un même pic sont fusionnées. On obtient ainsi un paquet de cartes d’identité décrivant les pics (ou composantes spectrales) du signal.
Des exemples de sous-étapes pouvant être utilisés sont décrits en détail dans un article de N. Martin et C. Mailhes, intitulé ‘Automatic Data-Driven Spectral Analysis Based on a Multi-Estimator Approach’ (‘Analyse spectrale automatique guidée par données basée sur une approche multi-estimateur), publié dans la revue ‘Signal Processing’ (‘Traitement du signal’), Elsevier, volume 146, pages 112-125, mai 2018. Selon une seconde étape S302, les composantes spectrales précédemment identifiées sont regroupées par familles d’harmoniques et bandes latérales de modulation pour chaque harmonique. Des attributs supplémentaires peuvent être ajoutés pour caractériser chaque famille. Ensuite, les pics autour de chaque harmonique, et les harmoniques entre eux, sont regroupés en sous-familles correspondant aux bandes latérales de modulation. Les cartes d’identité sont regroupées par famille et sous-famille. Ces regroupements sont appelées structures spectrales.
Un exemple détaillé d’un procédé de regroupement pouvant être utilisé lors de cette étape est décrit dans la demande de brevet PCT WO2014174223A1 , ayant certains inventeurs en commun avec la présente invention.
Selon une troisième étape S303, une démodulation des bandes latérales est ensuite effectuée. Il en est dérivé des attributs supplémentaires pour chaque harmonique, ces attributs étant ajoutés aux cartes d’identité correspondantes.
Un exemple détaillé d’un procédé de démodulation pouvant être utilisé est décrit dans X. Laval, C. Mailhes, N. Martin, P. Bellemain, C. Pachaud - ‘Amplitude and Phase Interaction in Hilbert Demodulation of Vibration Signals : Natural Gear Wear Modeling and Time Tracking for Condition Monitoring’ (‘Interaction entre amplitude et phase dans la démodulation d’Hilbert de signaux vibratoires’), MSSP - Mechanical Systems and Signal Processing' (‘Systèmes mécaniques et traitement du signal'), volume 150, mars 2021.
Selon une quatrième étape S304, l’ensemble des attributs calculés pour un signal est suivi par une méthode de suivi (‘tracking’ en langue anglaise) sur une succession de mesures (‘signaux’) du même système par le même capteur.
Un exemple de procédé pouvant être utilisé pour assurer le suivi des attributs de cette étape est décrit dans T. Gerber, N. Martin, C. Mailhes, ‘Time-frequency Tracking of Spectral Structures Estimated by a Data-driven Method’ (Suivi temporel et fréquentiel de structures spectrales estimées par une méthode guidée par données’), IEEE Transactions on Industrial Electronics, Special Session on Condition Monitoring, Diagnosis, Prognosis, and Health Management for Wind Energy Conversion Systems (‘IEEE Transactions sur l’électronique industrielle, session spéciale sur le suivi d’état, le diagnostic, le pronostic et la gestion de la santé de systèmes de conversion de l’énergie éolienne’), vol. 52, numéro 10, pages 6616-6626, octobre 2015. Le procédé fournit les indicateurs fréquentiels servant de base aux différents exemples de réalisation décrits. Ces indicateurs sont issus des attributs des cartes d’identité fusionnées ou déterminés à partir de ceux-ci.
Les indicateurs utilisés peuvent être variés et choisis par la personne du métier selon l’application envisagée. Des exemples d’indicateurs appliqués dans des cas d’usage réels comprennent notamment : l’énergie par harmonique, l’énergie totale par famille d’harmoniques, l’ordre fondamental de la famille d’harmoniques, la distorsion harmonique totale (égale au ratio entre l’énergie des harmoniques et l’énergie de l’ordre fondamental pour la famille d’harmoniques du composant surveillé. Le choix des indicateurs peut par exemple se faire pour obtenir des indicateurs de différents écart-types ou variances.
Dans le cadre de ce qui précède, il n’est pas toujours possible de déterminer la valeur d’un indicateur pour chaque signal reçu d’un capteur. En effet, certaines composantes spectrales peuvent être absentes ou sous un seuil donné. Dans un tel cas, le dispositif de traitement renvoie pour ce signal une information indiquant ce fait. Ce type d’événement est appelé ‘valeur indéterminée’ dans ce qui, et sera, selon les étapes des différents procédés, pris en compte ou non.
Procédé général
Dans la description qui suit, on décrira dans un premier temps la détection d’une anomalie pour un seul indicateur. Un procédé similaire peut optionnellement être mis en œuvre pour d'autres indicateurs, sur base d’un signal issu d’un même capteur. Les résultats peuvent, le cas échéant, être combinés pour obtenir une gradation de l’état du composant ou du système surveillé par ce capteur. Il est également possible d’appliquer le procédé à plusieurs signaux issus de capteurs différents et, en combinant ces résultats, d’obtenir une vue synthétique d’un système de plusieurs composants. Il est à noter qu'il est toujours possible de relier une anomalie constatée au signal d’un capteur spécifique pour ainsi déterminer avec précision l’origine du problème et la localisation de l’anomalie.
La figure 4 est un algorigramme des principales étapes du procédé de détection d’anomalie mis en œuvre par le dispositif 109, selon un exemple de réalisation non limitatif. Selon une étape S401, on acquiert un signal fréquentiel, par exemple sous la forme d’une suite d’échantillons sur un intervalle de temps déterminé. Plusieurs signaux de ce type peuvent être obtenus pour des intervalles de temps distincts et non forcément contigus (par exemple comme indiqué dans l’exemple plus haut, des signaux pourront être obtenus pour des intervalles de temps restreints, sur une périodicité beaucoup plus grande que la durée de l’intervalle).
Selon une étape S402, une valeur d’indicateur est obtenue par traitement du signal fréquentiel. Cette valeur d’indicateur vient le cas échéant compléter une série de valeurs obtenues pour des signaux précédemment reçus et traités et dont les valeurs correspondantes de l'indicateur ont été mémorisées. Tous les signaux obtenus successivement peuvent être traités en même temps, ou alors chaque signal est traité au fur et à mesure de son obtention.
Selon une étape S403, une analyse des valeurs de l’indicateur est réalisée. Selon une étape S404, un test est réalisé pour déterminer si oui ou non il est considéré qu'il y a eu une variation de tendance de l’indicateur. Dans la négative le procédé prend fin.
Dans l’affirmative, selon une étape S405, une alarme est levée pour un indicateur donné en fonction de l’analyse de variation de tendance de l’indicateur.
Selon une étape optionnelle S406, un degré de sévérité de l’alarme est déterminé.
Une alarme et/ou son degré de sévérité peuvent ensuite être utilisés pour adapter le fonctionnement du système, ou encore être communiqués à un utilisateur.
Les étapes S402 à S405 peuvent être répétées pour plusieurs indicateurs différents pour un même signal. La mise en œuvre de plusieurs indicateurs permet de décrire de manière plus complète les composantes spectrales d’un même signal. Ces étapes sont cependant conduites séparément pour chaque indicateur. Des exemples d’indicateurs différents sont décrits plus loin.
Selon une variante de réalisation, un indicateur présentant un taux de valeurs non détectées par rapport au nombre total de valeurs pour cet indicateur au-delà d’un seuil prédéfini n’est pas utilisé.
Partitionnement
La figure 5 est un algorigramme des sous-étapes de l’étape S403 de la figure 4 de détection d’une variation de tendance d’un indicateur i donné selon un exemple de réalisation non limitatif. Selon une première étape S500, N indices et valeurs d’indicateur ou valeurs indéterminées associées sont obtenues. Dans le présent exemple non- limitatif, les indices numérotent les valeurs d’indicateur et les valeurs indéterminées de façon consécutive.
Selon une seconde étape S501, les indices avec valeurs indéterminées sont supprimés.
Selon une troisième étape S502, un partitionnement des valeurs de l’indicateur est réalisé en une pluralité de partitions, dont le nombre est k, avec k>1. Selon le présent exemple de réalisation, les valeurs de l’indicateur sont classées selon trois partitions. Pour obtenir ce partitionnement, un algorithme de partitionnement à apprentissage non supervisé est appliqué aux valeurs de l’indicateur. Selon un exemple de réalisation, cet algorithme de partitionnement est un partitionnement en k-moyennes. Cet algorithme est en tant que tel bien connu - il permet de grouper des échantillons selon un nombre donnée de partitions en fonction d’une métrique de distance. L’algorithme est appliqué aux différentes valeurs de l’indicateur accumulées dans le temps. Il est à noter que d’autres algorithmes de partitionnement à apprentissage non supervisé peuvent être utilisés.
Selon une quatrième étape S503, les indices correspondant aux valeurs indéterminées sont réinsérés à leur rang initial.
Selon une cinquième étape S504, une analyse de l’évolution des partitions dans le temps est effectuée. Sur cette base, il est ensuite déterminé (S505) s’il y a ou non variation de tendance de l’indicateur.
Un exemple de suppression des valeurs indéterminées avant partitionnement et de réinsertion après partitionnement est comme suit : Valeurs initiales (‘ID’ = indéterminé) :
ID, ID, ID, 0.1 , ID, 0.2, 0.05, ID, 0.25, 0.5,0.55
Après suppression des valeurs indéterminées : 0.1,0.2,0.05,0.25,0.55 Partitionnement en trois partitions 0, 1, 2 : 0,1, 0,1, 2, 2 Réinsertion de marqueurs des valeurs indéterminées initialement supprimées dans le vecteur des étiquettes de partition : 0, ID, 1,0, ID, 1,2, 2
Selon un exemple de réalisation, on ignore itérativement les valeurs au début de la série de valeurs jusqu’à ce que qu’un taux de détection soit supérieur à un seuil prédéterminé. Par exemple, le taux de détection peut être défini par Td = 1 - nombre de valeurs indéterminées/nombre total de valeurs dans la série de valeurs.
Sur base de l’exemple défini ci-dessus, à une première itération, le taux de détection est de 1-5/11 = 55%, soit inférieur au seuil, qui dans le présent exemple est pris égal à 70%. La première valeur indéterminée est alors supprimée. A la seconde itération, le taux de détection devient 1-4/10 = 60%, toujours inférieur au seuil. La seconde valeur indéterminée est alors supprimée. A la troisième itération, le taux de détection est de 1-3/9 = 67%, toujours inférieur au seuil. Les trois valeurs indéterminées au début de la série de valeurs sont ainsi supprimées.
La figure 6 est un graphe qui illustre les valeurs d’un exemple d’indicateur - en l’occurrence l’énergie moyenne par harmonique - sur environ 170 intervalles de mesure. L’algorithme de partitionnement est appliqué à l’ensemble des valeurs pour obtenir trois partitions. Il est constaté dans cet exemple de nombreux changements de partition jusqu’à environ l’intervalle 75, puis plus aucun changement de partition pour les valeurs de l’indicateur pour les intervalles suivants.
Identification de partitions aberrantes
La figure 7 est un algorigramme d’une méthode de filtrage de données aberrantes suite à l’application de l’algorithme de partitionnement. On prend l’hypothèse qu'une partition avec peu de valeurs d’indicateur depuis l’apparition de cette partition ne correspond pas forcément à une situation d’anomalie, et est donc traitée de manière spécifique.
Selon une première étape, le dispositif 109 obtient les données partitionnées pour un indicateur (S701). Il est ensuite déterminé lors d’une seconde étape S702, pour chaque partition, si cette partition comprend peu de signaux depuis son apparition. Selon le présent exemple, on fixe un seuil pour un taux au-dessus duquel une partition sera considérée comme ‘normale’, une partition ne répondant pas à ce critère étant considérée comme ‘aberrante’. On définit le taux suivant :
[MATH. 1] nb de signaux dans la partition considérée
Taux = - nb total de signaux — indice du debut de la partition considérée
Le seuil est choisi égal à 0.05 par défaut, soit 5%.
La figure 8 est un graphe illustrant un exemple de suite de valeurs d’un indicateur avec trois partitions. La partition 1, située à gauche, est considérée comme aberrante selon la méthode décrite ci-dessus. La partition 3 sera considérée comme normale car comportant un grand nombre de signaux depuis son apparition. La partition 2 sera également considérée comme normale, car apparue récemment.
Traitement d’une partition aberrante
Selon le présent exemple de réalisation, le traitement spécifique appliqué à une partition dite aberrante est le suivant :
Si la partition aberrante est entourée par d’autres partitions, elle est ignorée. En effet, on cherche à identifier les tendances d’évolution de l’indicateur : une partition entourée par d’autres partitions a moins d’impact que ces autres partitions, d’autant plus si elle est considérée comme aberrante.
Sinon, on scinde la partition en deux pour identifier une partie gauche et une partie droite, en prenant comme convention une évolution du temps de gauche à droite, les valeurs de la partie gauche correspondant donc à des signaux obtenus antérieurement à ceux correspondant à la partie droite. Un exemple de procédé de scission est comme suit : o On détermine la différence entre indices successifs des signaux.
Par exemple, si la partition aberrante comprend les indices [2, 5, 10, 100, 105, 190], alors les différences sont [3, 5, 90, 5, 85], o On forme les sous-partitions gauche et droite par rapport à la plus grande différence, soit :
Indices des signaux de la sous-partition gauche = [2, 5, 10] Indices des signaux de la sous-partition droite = [100, 105, 190],
On détermine ensuite si les sous-partitions sont aberrantes ou non - le même critère que précédemment appliqué peut être utilisé ici. o Si les deux sous-partitions sont aberrantes, alors aucune alarme n’est levée pour les signaux qui les composent. o Si la sous-partition aux signaux les plus anciens, c'est-à-dire la sous-partition gauche, n’est pas considérée comme aberrante, mais que la sous-partition droite est considérée comme aberrante, alors une alarme est levée pour les signaux de la sous-partition droite (donc [100, 105, 190] selon l’exemple précédent). o Si la sous-partition aux signaux les plus anciens, c'est-à-dire la sous-partition gauche, est considérée comme aberrante, mais que la sous-partition droite est considérée comme non- aberrante, alors une alarme est levée pour tout signal postérieur à la sous-partition gauche, qu’il s’agisse de signaux de la sous-partition droite ou de signaux appartenant à une autre partition. En d’autres termes, une alarme continue est levée.
Le procédé exposé ci-dessus vient quelque peu affiner le résultat du test d’aberration d’une partition exposé à la section précédente, en subdivisant une partition jugée aberrante en sous-partitions et en analysant à nouveau ces partitions plus petites.
Un coefficient de pondération ‘CAiarme’ est associé à une alarme qui est levée dans le cadre du traitement d’une partition aberrante. Le coefficient de pondération est également appelé ‘alarme pondérée’ dans ce qui suit.
Selon le présent mode de réalisation, on forme ce coefficient comme suit : [Math. 2]
Indice du 1er signal dans partition aberrante CAlarmel = - - - — -
Nb total de signaux
Nb de signaux avec valeur d'indicateur sur le côté gauche
X
Nb total de signaux sur le cote gauche
Le ‘côté gauche’ comprend tous les signaux qui précèdent le premier signal de la sous-partition droite. Il est rappelé qu’on parle ici de signaux car on prend en compte les signaux n’ayant pas permis d’obtenir une valeur d’indicateur.
La valeur de ce coefficient indique que plus les signaux jugés alarmants sont à droite (récents), plus la probabilité qu’ils comportent les effets d’une anomalie est élevée. En effet, il est considéré qu'un changement de tendance dans l’évolution de l’indicateur confirmé dans la durée. On associe donc un coefficient plus fort à des signaux tardifs dans une partition qu’à des signaux précoces. Cependant, si une alarme pondérée de faible valeur peut être considérée comme négligeable en tant que telle, la somme de plusieurs alarmes pondérées peut devenir significative.
Selon une variante de réalisation, le coefficient est corrigé à l’aide d’un taux égal au ratio des signaux ayant donné une valeur d’indicateur sur le côté gauche, par rapport au nombre total de signaux sur le côté gauche. En effet, des signaux inquiétants donnant des valeurs d’indicateur arrivant après un pourcentage élevé de signaux n’ayant pas pu donner lieu à l’établissement d’une valeur d’indicateur sont pénalisés car considérés comme peu fiables.
Traitement d’une partition normale - Apparition d’une partition normale Selon un mode de réalisation, u n pré-traitement de la partition normale est effectué. Cette étape de pré-traitement est avantageuse mais optionnelle. La fonction de ce pré-traitement est de réd uire l’influence de sous-partitions aberrantes intég rées dans la partition normale sur le procédé de détection d’anomalie appliqué à la partition normale.
Selon u n mode de réalisation particu lier, dans un prem ier temps, u ne scission de la partition normale est effectuée. La scission de la partition normale en sous-partition gauche et sous-partition droite peut se faire su r la base du même critère déjà utilisé pour la scission d ’u ne partition aberrante présentée dans la section précédente. Pou r chaq ue sous-partition de la partition normale, il est vérifié s’il s’ag it d ’u ne sous-partition aberrante ou non .
La figu re 9 est un g raphe des valeurs d ’u n indicateu r de l’énergie moyenne par harmonique qu i illustre la scission d’une partition normale en deux sous-partitions gauche et droite.
Si la sous-partition de gauche est identifiée comme étant aberrante, le prem ier ind ice de la partition normale est modifié pour exclu re les sig naux de la sous-partition aberrante. Par contre, une alarme est levée pour ces signaux supprimés . L’alarme pondérée est définie com me suit :
[Math . 3]
C Alarme .
Indice du signal N b de signaux avec valeurs d' indicateur avant l'indice du signal Nb total de signaux Indice du signal + 1
Dans l’équation ci-dessus, l’indice d u signal au dénominateu r est incrémenté de 1 car cet indice peut commencer à partir de zéro. Si l’indice commence à partir de 1 , l’incrément n'est pas nécessaire.
Selon un mode de réalisation, il est déterminé si la partition normale (le cas échéant corrigée comme ind iq ué ci-dessus), est apparue tardivement. Si c’est le cas, une alarme est levée pou r tous les signaux de cette partition . Selon le présent exemple de réalisation , une partition est j ugée à apparition tardive si elle commence après un nombre de sig naux plus g rand q ue la plus grande d ifférence d’indices dans la partition.
Dans ce cas , l'alarme pondérée est comme suit :
[Math . 4]
Indice du 1er signal dans partition CAlarme3 = - ; - — -
Nb total de signaux
Nb de signaux avec valeur d' indicateur avant l'indice du 1er signal x -
Indice du 1er signal dans partition+1 Dans l’équation ci-dessus, l’indice du 1er signal dans la partition au dénominateur est incrémenté de 1 car cet indice peut commencer à partir de zéro. Si l’indice commence à partir de 1, l'incrément n’est pas nécessaire. Selon le présent exemple de réalisation non-limitatif, le caractère tardif d’une partition est déterminé en fonction du contenu de la partition elle- même, et notamment en fonction des intervalles de temps entre les signaux correspondant aux valeurs d’indicateur dans la partition, et peut donc évoluer en fonction de l’évolution du contenu de la partition au fur et à mesure de l’arrivée de nouveau signaux. D’autres critères de détermination du caractère tardif peuvent être utilisés.
Selon un mode de réalisation, une partition qui apparaît après la disparition d’une autre partition va générer une alarme continue pour tous les signaux de la partition apparue et ceux qui suivent. En effet, une partition qui apparaît après la disparition d’une autre partition a plus de probabilités de correspondre à une anomalie.
La figure 10a est un graphe qui montre un indicateur représentant l’énergie par famille d’harmoniques, avec trois partitions, la première partition disparaissant après l’apparition des seconde et troisième partitions.
La figure 10b est un graphe qui montre un indicateur représentant l’énergie moyenne par harmonique, avec trois partitions, où la première partition disparait au moment de l’apparition de la seconde partition, tandis que la troisième partition apparaît plus tard, après disparition de la première partition.
Traitement d’une partition normale - Disparation d’une partition normale
Selon un mode de réalisation, une partition disparaissant de façon précoce donne lieu à la levée d'une alarme pondérée continue pour tout signal qui suit la partition disparue, mais pas pour les signaux de la partition disparue. Selon le présent mode de réalisation, la règle suivante peut être appliquée pour déterminer si une partition disparaît précocement : la différence entre le dernier indice des signaux de la partition et le nombre total de signaux est plus grande que la plus grande différence en termes d’indices des signaux dans la partition.
L’alarme pondérée peut alors être définie comme suit : [Math. 5]
CAlarme4
N b de signaux avec valeur d' indicateur après le dernier indice de la partition Nb total de signaux après le dernier indice de la partition Premier indice de la partition x(l - - - )
Nb total de signaux
Nb de signaux dans partition w(dernier index de partition— premier index de partition) où w est un coefficient dont la fonction est de moduler la relation entre le nombre de signaux dans la partition et la différence d’index de début et de fin de la partition. L’objectif est de prendre en compte les cas extrêmes où la partition normale ne couvre qu’un nombre de signaux très limité, à savoir entre un et trois. Selon un mode de réalisation, w=1/k, où k est le nombre de partitions pouvant exister entre le premier et le dernier index de la partition normale. Par exemple, si le premier index de la partition normale est 98 et le dernier index est 100, alors le nombre maximal de signaux dans la fourchette d’indices - et donc le nombre maximal de partitions possibles - est de trois et w=0.3. En tant qu’autre exemple, si la fourchette ne comprend que deux valeurs (indices de 99 et 100 par exemple), le nombre maximal de partition est de 2 et donc le coefficient w est de 0.5.
Ceci implique que les partitions qui ont plus de signaux ont un impact plus fort lorsqu’elles disparaissent. Les partitions qui disparaissent et qui ont commencé plus précocement provoqueraient une alarme avec une pondération plus élevée. Les partitions qui disparaissent au début de la série de signaux ou à la fin ont une importance identique.
Gradation ou niveau de sévérité
Selon un exemple de réalisation, il est proposé d’effectuer une gradation d’une alarme en fonction d’un ou plusieurs seuils, selon le procédé suivant : Si plusieurs valeurs d’alarmes pondérées existent pour un signal donné car de multiples conditions sont satisfaites (plusieurs alarmes peuvent le cas échéant être levées pour un même signal et un même indicateur), alors ces valeurs sont additionnées pour ce signal. Ce même procédé est suivi pour tous les indicateurs - on forme ainsi une matrice W des alarmes pondérées pour tous les signaux et tous les indicateurs, où W a pour dimensions le nombre d’indicateurs multiplié par le nombre de signaux : W_NombrelndicateursXNombreSignaux. Le nombre d’indicateurs ayant une valeur autre qu’indéterminée est déterminé pour chaque signal : l_1 XNombreSignaux.
Les alarmes pondérées levées au niveau de chaque signal sont additionnées pour tous les indicateurs : S = [Somme(W_1 :Nombrelndicateurs,1 )
Somme(W_ 1 :Nombrelndicateurs,2)
Somme(W_ 1 :Nombrelndicateurs,NombreSignaux)]
La somme de ces alarmes pondérées est normalisée par le nombre d’indicateurs ayant contribué à cette somme : A=S/l
Au moins un seuil est défini pour l’évaluation de la somme moyennée des alarmes pondérées, dans le présent exemple, on choisit les seuils suivants : seuil d’avertissement et seuil d’alarme. On compare ladite somme moyennée aux seuils. Selon un exemple de réalisation, des valeurs respectives des seuils d’avertissement d’alarme sont 0.1 et 0.2.
Indice de confiance
Le nombre d’indicateurs soit participant à la levée d’une alarme pondérée, soit ne participant pas, est mémorisé. Plus le nombre d’indicateurs utilisés pour décider de l’état de santé d’un composant croit, plus la confiance dans le résultat est grande. En effet, plus le nombre d’indicateurs augmente, plus le spectre des signaux obtenus à partir du ou des capteurs est exploité. On définit ainsi un indice de confiance comme suit :
[Math. 6] nombre d' indicateurs participants indice de confiance = - - - — — - -
Nombre total d indicateurs
On définit un seuil au-delà duquel on estime qu’une alarme pondérée est fiable. Selon un exemple de réalisation, ce seuil est fixé à 0.5, ce qui définit implicitement un vote à majorité simple. Les avertissements et alarmes sont levées si à la fois l’indice de confiance et la somme moyennée des alarmes pondérées sont au-delà des seuils respectifs.
Persistance
Le procédé décrit dans la présente description est tel qu’il devient plus précis avec l’augmentation de la taille des jeux de données. Il est possible de l’utiliser pour des jeux de données de taille limitée, au risque de générer de fausses alarmes. Cependant, au fur et à mesure de l’augmentation de la taille des jeux de données, les fausses alarmes générées par des signaux passés feront disparaître ces fausses alarmes au fur et à mesure que les séries de signaux incorporant de nouveaux signaux seront traités. On introduit la notion de persistance d’alarme pour mesurer la persistance des alarmes générées sur base du procédé précédemment décrit.
La figure 11 est un algorigramme d’un exemple de procédé de détermination d’une métrique de persistance d’alarme.
Selon une première étape S1102, on détermine un jeu de données initial de z signaux de façon à ce que chaque signal soit assigné à une partition. On prendra z=3 dans ce qui suit.
Selon une seconde étape S1103, à t=0, on applique le procédé précédemment décrit, ce qui permet de déterminer si une alarme est levée pour chacun des signaux. Par exemple, si l’on assigne un ‘0’ à un signal pour lequel aucune alarme n’est levée et ‘1’ à un signal pour lequel une alarme est levée, et que des alarmes sont levées uniquement pour les signaux deux et trois, on peut noter le résultat de la façon suivante : Alarmes t0= [0 1 1]
Selon une troisième étape S1103, à t=1, un signal supplémentaire est obtenu et le procédé de détection est de nouveau appliqué. Le résultat peut être noté de la façon suivante : Alarmes t1 = [0 1 1 0]
On réitère alors l’ajout d’un signal supplémentaire et l’application du procédé, par exemple un signal supplémentaire est ajouté au temps t = 2, et le résultat est :
Alarmes t2 = [000 1 1]
On voit que les alarmes des signaux 2, 3 et 4 ont changé dans le sens où des alarmes ne sont plus levées pour les signaux 2 et 3, mais le sont pour le signal 4, qui auparavant n’avait pas donné lieu à alarme.
On peut grouper les alarmes sur les trois périodes dans une matrice, en ajoutant des ‘0’ de remplissage comme suit pour atteindre le nombre maximum de signaux disponibles à ce stade pour chaque ligne:
[Math. 7]
FO 1 1 0 0
Alarmes groupées — 0 1 1 0 0
.0 0 0 1 1.
On définit alors une matrice de persistance comme suit, où les alarmes non levées sont remplacées par -p et les alarmes levées par p, les ‘0’ de bourrage restant à cette valeur.
[Math. 8]
Où p est tel que p = 100/ Num_sig_pers, avec Num_sig_pers un paramètre déterminant le nombre d’itérations du procédé qui sont nécessaires pour obtenir une persistance de 100%.
On définit également une matrice de persistance cumulée comme suit, où l’on cumule une ligne avec toutes les lignes correspondant aux itérations précédentes :
[Math. 9]
Cette dernière matrice indique l’évolution de la persistance des alarmes dans le temps.
En étudiant l’évolution de la persistance pour chaque signal (chaque colonne de la matrice de la persistance cumulée), on voit que :
1. Pour le premier signal, le procédé appliqué dans la présente section génère une indication que l’alarme est stable
2. Pour le second et le troisième signal, le procédé montre d’abord une persistance de l’alarme qui augmente, mais ensuite la persistance décroit
3. Pour le quatrième signal, on note une augmentation de la persistance indicative de l’évolution vers un signal représentatif d’une anomalie.
Avec l’intégration de nouveaux signaux, la précision des alarmes ou du manque d’alarmes augmente pour des signaux futurs et la persistance de l’état de santé de signaux passés augmente également, donnant une indication sur la confiance que l’on peut avoir.
La persistance et son évolution peuvent être utilisées pour valider ou invalider une alarme pour un signal donné, par exemple en plus de l’indice de confiance et /ou de la valeur de l’alarme. On peut par exemple fixer un seuil de persistance - un utilisateur ne reçoit alors un avertissement ou une alarme - que si le minimum de persistance défini par ce seuil est atteint. Le même seuil peut être mis en œuvre pour déterminer la prise en compte d’un avertissement ou d’une alarme par un dispositif de traitement de cet avertissement ou de cette alarme.
Exemple de résultat produit La figure 12 est un exemple de graphe d’alarmes avec indication du niveau de sévérité. Le graphe représente les valeurs d’indicateur et alarmes correspondantes pour un roulement à bille. Les signaux correspondants ont été obtenus pendant 46 semaines consécutives. La courbe 1201 des valeurs d’un seul indicateur est montrée, bien que quatorze indicateurs aient été générés en tout pour les signaux recueillis et pris en compte pour la détermination des alarmes. Les alarmes cumulées normalisées générées sont groupées en trois ensembles en fonction de leur sévérité : l’ensemble 1202, représentant les alarmes cumulées qui n’ont pas franchi un seuil minimal de sévérité, l’ensemble 1203 qui correspond aux alarmes correspondant à une première plage de niveau de sévérité (avertissement) et un ensemble 1204 qui correspond aux alarmes ayant dépassé un second seuil - ces alarmes sont considérées comme étant des alarmes sévères. Le bagotement des alarmes entre les deux premiers ensembles est notamment dû à la prise en compte de l’ensemble des indicateurs, la présence ou non d’une valeur déterminée pour un signal donné et à l’application des différents seuils et indices évoqués précédemment. On notera toutefois que la persistance n’a pas été utilisée comme facteur discriminant dans le cadre de l’exemple de la figure 12, car cette figure résulte de la première itération sur une série de signaux. Le graphe de la figure 12 peut être visualisé par un utilisateur. Cette visualisation peut être mise à jour à chaque fois qu’un nouveau signal est obtenu - la totalité des alarmes est alors déterminée de nouveau.

Claims

25 REVENDICATIONS
1 . Procédé de détection d’anomalies dans un système mécanique ou électromécanique, ledit procédé étant mis en oeuvre par un dispositif de traitement (109) comprenant un processeur (201) : l’obtention d’un ensemble de composantes spectrales sur la base d’un signal provenant d’au moins un capteur détectant des vibrations et/ou des fluctuations électriques dans le système ; l’identification de structures spectrales comprenant une ou plusieurs composantes parmi les composantes spectrales obtenues précédemment, une structure spectrale comprenant une composante de fréquence fondamentale, un ou plusieurs harmoniques de la fréquence fondamentale, et/ou une ou plusieurs composants formant des bandes latérales de modulation des composantes fondamentales ou harmoniques, la détermination de la valeur d’un indicateur caractérisant au moins une structure spectrale identifiée, l’itération des étapes précédentes pour l’obtention (S402, S500) de valeurs de l’indicateur ordonnées dans le temps pour une pluralité de signaux mesurés par ledit au moins un capteur; le partitionnement (S403, S502, S701 ) des valeurs de l’indicateur en k partitions à l’aide d’un algorithme de partitionnement à apprentissage non supervisé, où k>1 ; la levée d’une alarme (S405, S505) indiquant une anomalie étant réalisée par ledit dispositif en fonction de l’évolution de l’indicateur dans le temps, ladite évolution étant déterminée en fonction de l’évolution desdites partitions dans le temps (S404, S504).
2. Procédé selon la revendication 1 , comprenant pour chaque partition une étape de détermination (S702) du caractère aberrant ou normal de ladite partition, une partition donnée étant considérée comme aberrante si le nombre de signaux associés à cette partition par rapport au nombre total de signaux obtenus depuis l’apparition de la partition donnée est inférieur à un seuil.
3. Procédé selon la revendication 2, comprenant pour chaque partition considérée comme aberrante : la scission de cette partition en deux sous-partitions ; l’évaluation du caractère aberrant ou normal de chaque sous-partition ; la levée d’une alarme si l’une des deux sous-partitions n’est pas considérée comme aberrante et la levée d’aucune alarme si les deux sous-partitions sont considérées comme aberrantes.
4. Procédé selon la revendication 3, une première sous-partition étant dite de gauche si elle est relative à des signaux antérieurs aux signaux associés avec une seconde sous-partition, dite de droite, une alarme étant levée : pour les signaux de la sous-partition de droite et tous les signaux ultérieurs, si la sous-partition de gauche est considérée comme aberrante et la sous-partition de droite est considérée comme normale ; ou pour les signaux de la sous-partition de droite uniquement, si la sous-partition de gauche est considérée comme normale et la sous-partition de droite est considérée comme aberrante.
5. Procédé selon l’une des revendications 2 à 4, comprenant pour chaque partition considérée comme normale un prétraitement comprenant : la scission de cette partition en deux sous-partitions ; la détermination si la sous-partition associée aux signaux les plus anciens, dite sous-partition de gauche, est aberrante ; et dans l’affirmative : o la levée d’une alarme pour les signaux associés à la sous-partition de gauche; et o la suppression, de la partition, des signaux associés à la sous-partition de gauche.
6. Procédé selon la revendication 5, comprenant pour une partition normale, le cas échéant prétraitée : o la levée d’une alarme pour les signaux associés à la partition si elle est apparue tardivement ; o la levée d’une alarme pour les signaux associés à la partition et les signaux postérieurs à la partition si la partition est apparue après disparition d’une autre partition .
7. Procédé selon l’une des revendications 5 ou 6, comprenant pour une partition normale, le cas échéant prétraitée : o la levée d’une alarme pour les signaux postérieurs à la partition si la partition a disparu précocement.
8. Procédé selon l’une des revendications 2 à 7, dans lequel, chaque valeur d’indicateur étant associée à une valeur d’indice qui s’incrémente avec le temps, la scission d’une partition est réalisée en formant les sous-partitions par rapport à la plus grande différence d’indices de valeurs d’indicateur dans la partition.
9. Procédé selon l’une des revendications 1 à 8, comprenant, pour chaque alarme levée et pour chaque signal, la détermination d’un coefficient de pondération de l’alarme levée, ledit coefficient de pondération représentant un degré de fiabilité associé à l’alarme levée pour le signal auquel l’alarme levée est associée.
10. Procédé selon la revendication 9, comprenant la mise en œuvre d’une pluralité d’indicateurs différents pour un même signal, chaque indicateur étant susceptible de générer au moins une alarme pondérée pour ce même signal.
11 . Procédé selon la revendication 10, comprenant : l’obtention d’une alarme cumulée pour chaque signal par sommation de toutes les alarmes pondérées pour chaque indicateur et la normalisation de la sommation par le nombre d’indicateurs ayant contribué au moins une alarme pondérée ; la détermination (S406) d’un grade de sévérité de l’alarme cumulée pour un signal donné en fonction de l’alarme cumulée pour ce signal donné.
12. Procédé selon la revendication 11 , comprenant le rejet d’une alarme cumulée si elle est inférieure à un seuil donné.
13. Procédé selon l’une des revendications 11 ou 12, comprenant : la détermination d’un indice de confiance pour une alarme cumulée pour un signal donné, ledit indice de confiance étant fonction du nombre d’indicateurs ayant contribué à au moins une alarme pondérée pour un signal donné par rapport au nombre total d’indicateurs pour ce signal donné ; et le rejet d’une alarme cumulée si ledit indice de confiance est inférieur à un seuil.
14. Procédé selon l’une des revendications 11 à 13, comprenant : la génération d’un signal représentatif des alarmes cumulées retenues en fonction de l’indice de confiance et/ou de la valeur de chaque alarme cumulée pour au moins l’un parmi : le contrôle du fonctionnement du système ; la génération d’un signal d’affichage.
15. Procédé selon l’une des revendications 11 à 14, comprenant la détermination d’un indice de persistance (S1105) d’une alarme pour un signal donné, l’indice de persistance étant fonction de l'évolution des levées et des manques de levée de l’alarme pour le signal donné lors d’analyses successives de séries de valeurs d’indicateur dans le temps. 28
16. Dispositif (109) comprenant un processeur (201) et une mémoire comportant du code logiciel configuré pour mettre en œuvre le procédé selon l’une des revendications 1 à 15.
17. Support d'enregistrement (203) lisible par un dispositif (109) comprenant un processeur (201), le support comprenant des instructions qui, lorsqu'elles sont exécutées par le processeur, conduisent à la mise en œuvre, par le dispositif, des étapes du procédé selon l’une des revendications 1 à 15.
18. Produit programme d'ordinateur (204) comprenant des instructions qui, lorsque le programme est exécuté par un processeur (201) d’un dispositif (200), conduisent le dispositif à mettre en oeuvre les étapes du procédé selon l’une des revendications 1 à 15.
EP22844671.2A 2021-12-17 2022-12-13 Procede, dispositif, programme produit d'ordinateur et support d'enregistrement comportant ledit programme pour la detection d'une anomalie dans un systeme mecanique ou electromecanique Pending EP4449218A1 (fr)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR2113825A FR3130968B1 (fr) 2021-12-17 2021-12-17 Procede, dispositif, programme produit d’ordinateur et support d’enregistrement comportant ledit programme pour la detection d’une anomalie dans un systeme mecanique ou electromecanique
PCT/FR2022/052333 WO2023111447A1 (fr) 2021-12-17 2022-12-13 Procede, dispositif, programme produit d'ordinateur et support d'enregistrement comportant ledit programme pour la detection d'une anomalie dans un systeme mecanique ou electromecanique

Publications (1)

Publication Number Publication Date
EP4449218A1 true EP4449218A1 (fr) 2024-10-23

Family

ID=84982242

Family Applications (1)

Application Number Title Priority Date Filing Date
EP22844671.2A Pending EP4449218A1 (fr) 2021-12-17 2022-12-13 Procede, dispositif, programme produit d'ordinateur et support d'enregistrement comportant ledit programme pour la detection d'une anomalie dans un systeme mecanique ou electromecanique

Country Status (3)

Country Link
EP (1) EP4449218A1 (fr)
FR (1) FR3130968B1 (fr)
WO (1) WO2023111447A1 (fr)

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR3005180B1 (fr) 2013-04-26 2015-05-01 Inst Polytechnique Grenoble Systeme de detection d'anomalie
US11125653B2 (en) * 2018-10-11 2021-09-21 Palo Alto Research Center Incorporated Motion-insensitive features for condition-based maintenance of factory robots

Also Published As

Publication number Publication date
FR3130968B1 (fr) 2024-04-12
WO2023111447A1 (fr) 2023-06-22
FR3130968A1 (fr) 2023-06-23

Similar Documents

Publication Publication Date Title
EP3250974B1 (fr) Procédé, système et programme d'ordinateur pour phase d'apprentissage d'une analyse acoustique ou vibratoire d'une machine
EP2693176B1 (fr) Procédé de détection de défauts d'un roulement par analyse vibratoire
EP3732457B1 (fr) Procédé et dispositif de surveillance d'un roulement équipant un dispositif tournant
EP2756280B1 (fr) Système de surveillance d'une chaîne de mesure d'un turboréacteur
FR2900745A1 (fr) Procede et dispositif de diagnostic d'un mecanisme
EP3658881B1 (fr) Procede et dispositif de recherche d'un defaut susceptible d'affecter un dispositif mecanique tournant de transmission de puissance
CN109844487A (zh) 故障轴承的判定
EP2966526B1 (fr) Procédé et système de fusion d'indicateurs de surveillance d'un dispositif
WO2023017226A1 (fr) Titre : procédé de détection d'un défaut de roulement d'un système rotatif et système de surveillance mettant en œuvre ce procédé
WO2019197771A1 (fr) Procédé et dispositif de surveillance d'une machine tournante
FR3102554A1 (fr) Procédé et système pour estimer l’usure d’une machine tournante comportant un roulement
EP2784616B1 (fr) Procédé de détection et de prise en compte d'un changement abrupt d'au moins un indicateur de surveillance d'un dispositif
WO2023111447A1 (fr) Procede, dispositif, programme produit d'ordinateur et support d'enregistrement comportant ledit programme pour la detection d'une anomalie dans un systeme mecanique ou electromecanique
FR3046265A1 (fr) Systeme de surveillance d'une installation industrielle ; procedes de configuration et de surveillance associes
FR2900746A1 (fr) Procede et dispositif de diagnostic d'un mecanisme.
EP3671583B1 (fr) Procédé et dispositif de mémorisation de données numériques
FR3015670A1 (fr) Dispositif de detection de premices de defaillance d'un systeme mecanique
Chandra et al. Novel gear diagnosis technique based on spectral kurtosis
EP3990875B1 (fr) Procede d'acquisition de donnees pour la detection d'un endommagement d'un palier
EP4441663A1 (fr) Procédé de diagnostic automatique d'une pièce
FR3036186A1 (fr) Procede, systeme et programme d'ordinateur de surveillance de l'usure d'une piece au moyen d'un arbre de classification
FR3110719A1 (fr) Détermination de l’état de santé d’un système à partir d’un réseau de séquences temporelles mesurées
FR2993685A1 (fr) Surveillance d'evenements sur des machines informatiques.
FR3133920A1 (fr) Méthode de surveillance du régime moteur d'une machine tournante, notamment d'un moteur d'aéronef
Zhao et al. Best Morlet wavelet-based full information energy entropy extraction with its application to rolling bearing condition monitoring

Legal Events

Date Code Title Description
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: UNKNOWN

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE INTERNATIONAL PUBLICATION HAS BEEN MADE

PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: REQUEST FOR EXAMINATION WAS MADE

17P Request for examination filed

Effective date: 20240703

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC ME MK MT NL NO PL PT RO RS SE SI SK SM TR