Pronostic de l'endommagement des machines et procédés

机器和程序的内部管理的 Pronostic

• 批准号: RGPIN-2014-05853
• 负责人: Thomas, Marc
• 金额: $ 2.4万
• 依托单位: École de technologie supérieure
• 依托单位国家: 加拿大
• 项目类别: Discovery Grants Program - Individual
• 财政年份: 2014
• 资助国家: 加拿大
• 起止时间: 2014-01-01 至 2015-12-31
• 项目状态: 已结题
• 来源: https://www.nserc-crsng.gc.ca/ase-oro/Details-Detailles_eng.asp?id=567429
• 关键词: Pronostic; de; endommagement; des; machines

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

在机器维护方面，存在多种工业应用的内部检测技术，如机器视觉监控、红外热成像、声学或振动测量。振动监测的常用技术是基于振动时间统计（crête因子、峰度）或基于振动频率（分析光谱、分析频率等）。这些技术对于检测常见故障非常有用。与此相反，我们可以分析机械成分的缺陷或缺陷，并对这些缺陷或缺陷进行进一步的评价，从而使诊断在一个有杂音或良好的环境中进行。这个问题是由高葡萄糖或低葡萄糖组成的。实际上，对于一个缺陷的现象，我们必须对非静止现象进行分析，这样才能进行普通的光谱分析。我们还可以阿佩尔运用温度频率分析技术。与此相反，对重力和生命的诊断仍然是清晰的，阿佩尔呼吁信号处理、循环平稳和语音识别的复杂技术，这些技术都是基于人工智能的。这些信息对于能够在结束之前进行操作的维护人员至关重要。该研究方案的目的是改进机器监测技术，并采用原始的机器检测方法，因为机器退化的预测方法是roulements和engrenages。Des applications specifiques designagées sont la surveillance des procédé d'usinages（broutement，usure des outils）opérant notamment à haute vitesse ainsi que les systèmes opérant à très basse vitesse（éoliennes，蓬茨roulants）.此外，我们还提出了一个监测机器的战略，该战略包括选择捕获、登记患者、处理信号、选择诊断、检测、诊断、融合患者、修改和应用人工智能，以实现Au诊断。（prédiction de vie résiduelle），afin de réaliser une reconsideration automatique des défauts.两个逻辑模拟的振动due à des缺陷，l 'un pour les roulements et l' autre pour des engrenages simples seront dépés à cet effet。Ces logiciels devront pouvoir simuler l'effet de toutes sortes de dfectuosités sur les vibrations.我们利用Hilbert-Huang和LMD（Local Mode Decomposition）的信号变换处理方法，将振动信号分解为具有缺陷特征频率的时域函数。由于振动机本身具有响应性，迈斯同时也考虑到了周期性振动的各种特性，因此，我对周期性振动信号和角度频率信号进行了分析，并确定了角度振动信号在角度振动域中的位置（角动量、方差、角动量、角峰度），从而实现了对空间振动信号的定位。Le pronostic sera effectué par des methodes d'intelligence artificielles（fusion des données，machines à support de vectores，réseaux de neurones）afin de determiner le nombre de défauts et pronompleur.