TITRE : Procédé de diagnostic automatique d'une pièce

DOMAINE TECHNIQUE DE L’INVENTION

[0001] Le domaine technique de l’invention est celui du diagnostic de pièces et plus particulièrement celui du diagnostic automatique de pièces.

[0002] La présente invention concerne un procédé de diagnostic automatique d'une pièce d'une machine tournante à partir d'un signal temporel non stationnaire généré par la machine tournante. La présente invention concerne également un calculateur, un produit-programme d’ordinateur et un support d’enregistrement

ARRIERE-PLAN TECHNOLOGIQUE DE L’INVENTION

[0003] Dans de nombreux secteurs industriels, le diagnostic de systèmes, par exemple de machines tournantes, est primordial afin de connaître leur état de fonctionnement ou de santé et ainsi planifier des opérations de maintenance de manière à minimiser leur indisponibilité.

[0004] Le diagnostic d’un système est classiquement réalisé par analyse de signaux physiques générés par le système, pouvant être mesurés par des capteurs, par exemple électriques, magnétiques, thermiques, acoustiques ou encore vibratoires.

[0005] En particulier, l’analyse de signaux vibratoires est couramment utilisée pour déterminer l'état de fonctionnement de composants de machines tournantes, par exemple de leurs roulements : lors des phases de production ou de maintenance, des signaux vibratoires haute fréquence sont ainsi acquis lorsque la machine tournante est en fonctionnement, afin de détecter des signaux faibles caractéristiques d’endommagements des roulements, appelés signatures, et ainsi prévenir une défaillance de la machine tournante.

[0006] Aujourd’hui, les signaux vibratoires acquis sont analysés en calculant des indicateurs statistiques à partir des signaux vibratoires dans le domaine des ordres d’un régime de rotation. Les indicateurs statistiques calculés sont ensuite comparés à des indicateurs statistiques représentatifs d’une population de machines tournantes sans endommagement, les seuils de détection d’un endommagement, c’est-à-dire les valeurs d’écart considérés comme synonyme d’endommagement, étant déterminés empiriquement et subjectivement par des experts. Ainsi, le diagnostic n’est pas fiable puisqu’il peut varier d'un expert à l'autre et nécessite l’intervention de spécialistes.

[0007] Il existe donc un besoin de diagnostiquer de manière fiable une pièce d’un système, et plus particulièrement d'une machine tournante, en limitant le nombre d’interventions humaines.

RESUME DE L’INVENTION

[0008] L’invention offre une solution aux problèmes évoqués précédemment, en permettant de fournir un diagnostic fiable et automatique d’une pièce d'une machine tournante.

[0009] Un premier aspect de l’invention concerne un procédé de diagnostic automatique d'une pièce d'une machine tournante réalisé à partir d'un signal temporel non stationnaire généré par la machine tournante lors d’au moins une phase pendant laquelle une vitesse de rotation de la machine tournante varie en fonction du temps, le procédé comportant les étapes suivantes :

Construction d'un diagramme à partir du signal, comprenant les sous- étapes suivantes : o Découpage du signal en une pluralité de sous-signaux, chaque sous-signal correspondant à un intervalle temporel associé à au moins une vitesse de rotation de la machine tournante et étant quasi-stationnaire sur l’intervalle temporel ; o Pour chaque sous-signal, calcul de la transformée de Fourier du sous-signal afin d'obtenir une énergie vibratoire pour chaque fréquence de la transformée de Fourier du sous-signal ; o Construction du diagramme, le diagramme étant une matrice présentant une pluralité de lignes correspondant chacune à une vitesse de rotation de la machine tournante, ordonnées par ordre croissant, et une pluralité de colonnes correspondant chacune à une fréquence de la transformée de Fourier divisée par une vitesse de rotation de la machine tournante, ordonnées par ordre croissant, la matrice comprenant pour chaque ligne et chaque colonne, l’énergie vibratoire du sous-signal correspondant à la vitesse de rotation de la machine tournante de la ligne pour la fréquence de la transformée de Fourier de la colonne ;

Entraînement supervisé d’un réseau de neurones artificiels pour obtenir un réseau de neurones artificiels entraîné capable de fournir à partir d'un diagramme, une classe de fonctionnement comprise dans un ensemble de classes de fonctionnement comportant au moins une classe de fonctionnement nominal et une classe de fonctionnement défectueux, le réseau de neurones artificiels étant entraîné sur une base de données d'entraînement comportant une pluralité de diagrammes d’entraînement, chaque diagramme d’entraînement étant construit à partir d’un signal temporel non stationnaire généré par une machine tournante d’entraînement et étant associé à une classe de fonctionnement parmi l’ensemble de classes de fonctionnement ;

Utilisation sur le diagramme construit, du réseau de neurones artificiels entraîné pour fournir une classe de fonctionnement de la machine tournante.

[0010] Grâce à l’invention, le diagnostic d'une pièce d’une machine tournante est automatisé, puisqu’une fois les classes de fonctionnement de la base de données d’entraînement obtenues, aucune intervention humaine n’est nécessaire. Pour cela, la construction d'un diagramme représentant l’énergie vibratoire du signal temporel en fonction de la fréquence et de la vitesse de rotation de la machine tournante permet d'obtenir une image qui peut être fournie à un réseau de neurones artificiels spécialisé dans le traitement d'images, pour détecter dans le diagramme, des signatures synonymes d'endommagements et ainsi de déterminer une classe de fonctionnement pour la pièce, c'est-à-dire de déterminer si la pièce est défectueuse ou non. Le signal temporel est traité pour différentes vitesses de rotation car la manifestation d’un endommagement peut se faire sur une partie seulement des vitesses de rotation prises par la machine tournante.

[0011] Dans le cadre des expérimentations décrites plus loin pour le diagnostic d’un roulement de moteur d’aéronef, le réseau de neurones artificiels entraîné fournit des résultats précis à 96.25% avec un taux de détection des moteurs défectueux de 95% et un taux de fausses alarmes de 2.5% et base sa décision sur les zones du diagramme correspondant aux signatures classiquement utilisées par les experts pour poser leur diagnostic. Le diagnostic fourni par le procédé selon l’invention peut donc être considéré comme fiable.

[0012] Outre les caractéristiques qui viennent d’être évoquées dans le paragraphe précédent, le procédé selon l’invention peut présenter une ou plusieurs caractéristiques complémentaires parmi les suivantes, considérées individuellement ou selon toutes les combinaisons techniquement possibles : le signal est un signal vibratoire. la pièce est un roulement compris dans la machine tournante. la machine tournante est un moteur. l'étape de construction du diagramme comporte une sous-étape d’application d'une échelle logarithmique au diagramme construit ;

L'application d'une échelle logarithmique au diagramme permet d'améliorer le contraste du diagramme. l'étape de construction du diagramme comporte une sous-étape d’application de réduction de la taille du diagramme construit d'un facteur prédéterminé.

La réduction de la taille du diagramme permet de réduire le temps de calcul nécessaire au réseau de neurones artificiels pour traiter le diagramme. le procédé selon l’invention comporte une étape de construction de la base de données d'entraînement, comportant les sous-étapes suivantes : o Pour chaque signal temporel non stationnaire généré par une machine tournante d’entraînement, construction d’un diagramme initial à partir du signal ; o Pour chaque diagramme initial construit, normalisation standard du diagramme initial construit pour obtenir un diagramme d’entraînement. La normalisation standard permet d'homogénéiser la base de données d’entraînement. le réseau de neurones artificiels est un réseau de neurones artificiels convolutif.

[0013] Un deuxième aspect de l'invention concerne un calculateur configuré pour mettre en œuvre les étapes du procédé selon l’invention.

[0014] Un troisième aspect de l’invention concerne un produit-programme d’ordinateur comprenant des instructions qui, quand le programme est exécuté sur un ordinateur, conduisent celui-ci à mettre en œuvre les étapes du procédé selon l’invention.

[0015] Un quatrième aspect de l'invention concerne un support d'enregistrement lisible par ordinateur comprenant des instructions qui, lorsqu'elles sont exécutées par un ordinateur, conduisent celui-ci à mettre en œuvre les étapes du procédé selon l’invention.

[0016] L’invention et ses différentes applications seront mieux comprises à la lecture de la description qui suit et à l’examen des figures qui l’accompagnent.

BREVE DESCRIPTION DES FIGURES

[0017] Les figures sont présentées à titre indicatif et nullement limitatif de l’invention.

La figure 1 [Fig. 1] montre un graphe d'un signal temporel non stationnaire en fonction du temps.

La figure 2 [Fig. 2] montre un schéma synoptique d'un procédé selon l'invention.

La figure 3 [Fig. 3] est un diagramme obtenu à l'issue d'une première étape du procédé selon l'invention.

La figure 4 [Fig. 4] montre une matrice de confusion des résultats fournis par un réseau de neurones artificiels entraîné lors d’une troisième étape du procédé selon l'invention.

La figure 5 [Fig. 5] montre un diagramme obtenu à l'issue de la première étape du procédé selon l'invention, sur lequel a été représentée via une carte thermique, l'importance des zones dans la prise de décision du réseau de neurones artificiels entraîné.

DESCRIPTION DETAILLEE

[0018] Les figures sont présentées à titre indicatif et nullement limitatif de l’invention.

[0019] La présente invention concerne un procédé de diagnostic d'une pièce d’une machine tournante, le diagnostic étant automatique, c’est-à-dire qu’il ne nécessite aucune intervention humaine.

[0020] Par "diagnostic d'une pièce d’une machine tournante", on entend la détermination de l'état de fonctionnement de la pièce de la machine tournante, un état de fonctionnement étant par exemple un état de fonctionnement nominal ou un état de fonctionnement défectueux.

[0021] La machine tournante est de préférence un moteur, par exemple un moteur à piston. La machine tournante est de préférence comprise dans un aéronef, comme par exemple un turboréacteur.

[0022] La pièce est par exemple un ou plusieurs engrenages, un ensemble rotor- stator, un arbre de rotation, un balourd d'huile, un sillage d'aubage, un sillage de roues mobiles ou encore un ou plusieurs roulements.

[0023] Selon un mode de réalisation préféré, la machine tournante est un moteur, et la pièce est un roulement.

[0024] Le procédé selon l’invention est réalisé à partir d'un signal temporel non stationnaire généré par la machine tournante.

[0025] Par "signal temporel non stationnaire", on entend un signal physique temporel dont le contenu fréquentiel varie dans le temps.

[0026] Dans la suite de la description, on utilisera indifféremment les termes « signal temporel non stationnaire », « signal temporel » ou « signal ». [0027] Le signal temporel est généré lors d’au moins une phase pendant laquelle une vitesse de rotation de la machine tournante varie en fonction du temps. Le fait que le signal temporel soit non stationnaire est dû au fait que la vitesse de rotation de la machine tournante varie lors de la phase de génération du signal temporel.

[0028] Le signal est par exemple mesuré à l’aide d’un capteur, éventuellement embarqué dans la machine tournante, par exemple un capteur électrique, magnétique, thermique, acoustique ou encore vibratoire.

[0029] De préférence, le capteur est un capteur vibratoire, en particulier un accéléromètre.

[0030] La figure 1 montre un exemple de signal temporel non stationnaire, l’axe des abscisses représentant le temps et l’axe des ordonnées représentant l'amplitude du signal.

[0031] Selon un mode de réalisation préféré, le signal est un signal vibratoire.

[0032] Le procédé selon l’invention peut être réalisé dans le cadre d'une vérification à la sortie de la chaîne de production de la machine tournante ou lors d'une maintenance de la machine tournante.

[0033] Par exemple, si la machine tournante est un moteur, le signal est par exemple un signal vibratoire généré lors d'une phase d'accélération et de décélération du moteur en fonctionnement.

[0034] Le procédé 100 selon l’invention comporte une pluralité d'étapes dont l’enchaînement est représenté à la figure 2.

[0035] Une première étape 101 du procédé 100 selon l’invention est une étape de construction 101 d'un diagramme à partir du signal. La première étape 101 comprend une pluralité de sous-étapes.

[0036] Une première sous-étape 1011 de la première étape 101 est une sous- étape de découpage du signal en une pluralité de sous-signaux. Le découpage est réalisé de manière que chaque sous-signal soit quasi-stationnaire sur l’intervalle temporel correspondant.

[0037] Chaque intervalle temporel, et donc chaque sous-signal, est associé à au moins une vitesse de rotation de la machine tournante correspondant à la vitesse de rotation prise par la machine tournante sur l’intervalle temporel.

[0038] Une deuxième sous-étape 1012 de la première étape 101 est une sous- étape de calcul pour chaque sous-signal, de la transformée de Fourier du sous-signal, ce qui permet d'obtenir pour chaque fréquence de la transformée de Fourier calculée, c’est-à-dire pour chaque fréquence de la bande passante du sous-signal, une énergie vibratoire associée à la fréquence dans le sous-signal. L’énergie vibratoire correspond donc à l’amplitude fréquentielle du sous-signal.

[0039] Une troisième sous-étape 1013 de la première étape 101 est une sous- étape de construction du diagramme.

[0040] Le diagramme est une matrice présentant une pluralité de lignes et une pluralité de colonnes. Chaque ligne correspond à une vitesse de rotation prise par la machine tournante sur la phase de génération du signal temporel et chaque colonne correspond à une fréquence de la transformée de Fourier calculée à la deuxième sous- étape 1012, divisée par une vitesse de rotation prise par la machine tournante sur la phase de génération du signal temporel. La pluralité de lignes est ordonnée par ordre croissant, c’est-à-dire qu’une première ligne correspond à une vitesse de rotation inférieure à une vitesse de rotation d’une deuxième ligne. De même, la pluralité de colonnes est ordonnée par ordre croissant.

[0041] Pour chaque ligne de la pluralité de lignes et chaque colonne de la pluralité de colonnes, le diagramme comporte l’énergie vibratoire du sous-signal associée à la vitesse de rotation de la machine tournante correspondant à la ligne pour la fréquence de la transformée de Fourier correspondant à la colonne.

[0042] Le diagramme construit est donc bi-dimensionnel et peut donc être assimilée à une image en niveaux de gris ou en couleurs.

[0043] Un exemple de diagramme construit est représenté à la figure 3. Chaque point ou pixel du diagramme construit correspond à une vitesse de rotation donnée, une fréquence donnée divisée par la vitesse de rotation donnée, et à une énergie vibratoire donnée dont l'intensité est représentée par une couleur définie par une échelle de couleurs. Alternativement, l’intensité des énergies vibratoires peut être représentée par un niveau de gris défini par une échelle de niveaux de gris.

[0044] Le diagramme construit comporte par exemple un nombre de pixels compris entre deux millions et douze millions.

[0045] Selon un mode de réalisation, la première étape 101 du procédé 100 comprend en outre une sous-étape 1014 d'application d'une échelle logarithmique au diagramme construit obtenu à l’issue de la troisième sous-étape 1013.

[0046] Selon un mode de réalisation complémentaire au mode de réalisation précédent, la première étape 101 comprend en outre une sous-étape 1015 de réduction de la taille du diagramme construit obtenu à l’issue de la troisième sous- étape 1013 d'un facteur prédéterminé. Le facteur prédéterminé est par exemple égal à dix.

[0047] La réduction de la taille du diagramme construit peut être réalisée grâce à une opération de sous-échantillonnage par valeur maximale, appelée "maxpooling" en anglais.

[0048] Le procédé comprend en outre une troisième étape 103 d'entraînement supervisé d'un réseau de neurones artificiels sur une base de données d'entraînement, pour obtenir un réseau de neurones artificiels entraîné capable de fournir à partir d'un diagramme, une classe de fonctionnement.

[0049] La classe de fonctionnement est comprise dans un ensemble de classes de fonctionnement comportant au moins une classe de fonctionnement nominal et une classe de fonctionnement défectueux. L’ensemble de classes de fonctionnement peut comporter en outre une classe de fonctionnement à risque.

[0050] L’entraînement supervisé, autrement appelé apprentissage supervisé, permet d’entraîner un réseau de neurones artificiels à une tâche prédéfinie, en mettant à jour ses paramètres de manière à minimiser une fonction de coût correspondant à l’erreur entre la donnée de sortie fournie par le réseau de neurones artificiels et la vraie donnée de sortie, c’est-à-dire ce que le réseau de neurones artificiels devrait fournir en sortie pour remplir la tâche prédéfinie sur une certaine donnée d’entrée. [0051] La base de données d’entraînement comporte donc des données d’entrée, chacune associée à une donnée de sortie.

[0052] Les données d'entrées sont des diagrammes d’entraînement, chaque diagramme d’entraînement étant construit à partir d’un signal temporel non stationnaire généré par une machine tournante d’entraînement et chacun associé à une classe de fonctionnement parmi l’ensemble de classes de fonctionnement, les classes de fonctionnement étant donc les données de sorties.

[0053] Chaque machine tournante d’entraînement est de même type que la machine tournante, c’est-à-dire que si la machine tournante est un moteur d’aéronef, chaque machine tournante d’entraînement est également un moteur d’aéronef.

L’entraînement supervisé du réseau de neurones artificiels consiste donc à mettre à jour les paramètres du réseau de neurones artificiels de manière à minimiser une fonction de coût correspondant à l’erreur entre la prédiction de la classe de fonctionnement fournie par le réseau de neurones artificiels à partir d’un diagramme d'entraînement de la base de données d'entraînement et la classe de fonctionnement associée audit diagramme d’entraînement dans la base de données d’entraînement. [0054] La fonction de coût résulte par exemple de la composée de la fonction d'entropie croisée binaire par la fonction sigmoïde.

[0055] La minimisation de la fonction coût est par exemple réalisée par un algorithme de descente du gradient stochastique avec rétropropagation (« Back- Propagation Through Time » en anglais ou BPTT).

[0056] Le réseau de neurones artificiels est de préférence un réseau de neurones artificiels convolutifs.

[0057] Le réseau de neurones artificiels est par exemple le réseau de neurones artificiels VGG19.

[0058] Selon un mode de réalisation, le procédé 100 comprend une deuxième étape 102 de construction de la base de données d'entraînement, réalisée préalablement à la troisième étape 103, comprenant une pluralité de sous-étapes. [0059] Une première sous-étape 1021 de la deuxième étape 102 consiste pour chaque signal généré par une machine tournante d’entraînement, à construire un diagramme initial à partir du signal.

[0060] La première sous-étape 1021 de la deuxième étape 102 est réalisée de la même manière que la première étape 101 , c’est-à-dire en découpant le signal en sous- signaux, en calculant la transformée de Fourier de chaque sous-signal pour obtenir des énergies vibratoires et en construisant le diagramme initial à l’aide des énergies vibratoires obtenues.

[0061] Une deuxième sous-étape 1022 de la deuxième étape 102 consiste pour chaque diagramme initial obtenu à l’issue de la première sous-étape 1021 , à appliquer une normalisation standard, autrement appelée normalisation z-score, au diagramme initial pour obtenir un diagramme d’entraînement.

[0062] Le procédé comprend une quatrième étape 104 d'utilisation du réseau de neurones artificiels entraîné sur le diagramme construit obtenu à l’issue de la première étape 101 , pour obtenir une classe de fonctionnement et donc un diagnostic pour la pièce de la machine tournante.

[0063] Des expérimentations ont été menées pour tester les résultats fournis par le réseau de neurones artificiels entraîné dans le cas où la machine tournante est un moteur d’aéronef et la pièce à diagnostiquer est un roulement du moteur d’aéronef.

[0064] Chaque moteur parmi un ensemble comprenant 1665 moteurs a réalisé une manœuvre identique en banc d’essai. Cette manœuvre est une accélération du moteur suivie d’une décélération du moteur. Lors de cette manœuvre, un signal vibratoire temporel non stationnaire a été mesuré par un accéléromètre compris dans le moteur.

[0065] Une base de données a été constituée selon la deuxième étape 102 du procédé 100 selon l'invention à partir des 1665 signaux vibratoires mesurés, pour obtenir 1665 diagrammes et une classe de fonctionnement nominal ou une classe de fonctionnement défectueux a été associée manuellement à chaque diagramme obtenu par des experts. [0066] L'ensemble des 1665 diagrammes et leurs classes associées constituent une base de données annotée qui a été divisée en trois parties : une base de données d'entraînement, une base de données de validation et une base de données de test selon des proportions représentées dans le tableau ci-dessous :

[0067] Dans le cadre des expérimentations, le réseau de neurones artificiels utilisé est le réseau de neurones artificiels VGG19.

[0068] Le réseau de neurones artificiels a été entraîné de manière supervisée sur la base de données d’entraînement et l’entraînement a été validé grâce à la base de données de validation.

[0069] Afin d’évaluer les performances du réseau de neurones artificiels, les diagrammes compris dans la base de données de test ont été fournis au réseau de neurones artificiels entraîné et plusieurs critères de qualité ont été évalués par comparaison pour chaque diagramme de la base de données de test, entre la classe de fonctionnement fournie par le réseau de neurones artificiels pour ledit diagramme et la classe de fonctionnement associée audit diagramme dans la base de données de test.

[0070] Les critères de qualité évalués sont les suivants : La précision des résultats, c’est-à-dire le nombre de moteurs auxquels le réseau de neurones artificiels a attribué la bonne classe divisé par le nombre total de moteurs ;

Le taux de détection des moteurs défectueux ;

Le taux de fausses alarmes, une fausse alarme étant dans ce cas le classement d'un moteur défectueux dans la catégorie des moteurs présentant un fonctionnement nominal.

[0071] Les résultats sont regroupés dans le tableau suivant :

[0072] Les critères de qualité présentés dans le tableau précédent peuvent également être représentés sous la forme d’une matrice de confusion, comme illustré sur la figure 4. Chaque colonne de la matrice correspond à la vraie classe de fonctionnement, c’est-à-dire la classe de fonctionnement comprise dans la base de données de test, et chaque ligne de la matrice correspond à la classe de fonctionnement fournie par le réseau de neurones artificiels.

[0073] La matrice de confusion se lit alors comme suit : verticalement, pour la première colonne, sur les 40 moteurs en fonctionnement nominal, 39 ont été estimés par le réseau de neurones artificiels comme des moteurs en fonctionnement nominal et 1 moteur a été estimé comme défectueux (c’est-à-dire un faux négatif), verticalement, pour la deuxième colonne, sur les 40 moteurs défectueux, 2 ont été estimés par le réseau de neurones comme des moteurs en fonctionnement nominal (c’est-à-dire 2 faux positifs) et 38 ont été estimés comme défectueux, horizontalement, pour la première ligne, sur les 41 moteurs estimés par le réseau de neurones artificiels comme des moteurs en fonctionnement nominal, 2 sont en réalité des moteurs défectueux, horizontalement, pour la deuxième ligne, sur les 39 moteurs estimés par le réseau de neurones artificiels comme défectueux, 1 est en réalité un moteur présentant un fonctionnement nominal, en diagonale d’en haut à gauche à en bas à droite, sur les 80 moteurs, 77 (39 + 38) ont été estimés correctement par le réseau de neurones artificiels, ce qui donne une précision de 96.25%.

[0074] Les zones d'intérêts ayant été utilisées par le réseau de neurones artificiels pour prendre sa décision d’attribution d’une classe de fonctionnement ont été visualisés grâce à un module appelé Grad-Cam qui produit des cartes thermiques mettant en évidence ces zones d’intérêt.

[0075] La figure 5 représente un diagramme sur lequel a été appliqué le module Grad-Cam. Les zones mises en évidence correspondent bien à des signatures d'endommagements de roulements de moteurs, identifiés manuellement par des opérateurs humains, ce qui signifie que le réseau de neurones artificiels identifie bien les signatures d’endommagement de roulements de moteurs pour prendre la décision d’attribuer une classe de fonctionnement défectueux.