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 1 ^er 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.