SURveillance VIBratoire pour l'Industrie 4.0 : Classification temps réel et jumeau numérique (SURVIB4.0)

par Mohamed habib Farhat

Projet de thèse en SI - Sciences de l'Ingénieur

Sous la direction de Xavier Chiementin.

Thèses en préparation à Reims , dans le cadre de SNI - Sciences du Numérique et de l'Ingénieur , en partenariat avec GRESPI / ISI (laboratoire) depuis le 30-09-2018 .


  • Résumé

    Ce projet s'inscrit dans l'industrie du futur à l'ère du numérique. Le projet consiste à développer une nouvelle stratégie de maintenance conditionnelle d'une machine tournante basée sur l'analyse multifactorielle des indicateurs de défauts associé à un jumeau numérique en vue de la fiabilisation du diagnostic et de la prédiction des dégradations. La surveillance des éléments tournants s'octroie aujourd'hui les services de signaux de différentes natures pour leur complémentarité. On peut citer de manière non exhaustive la thermique, l'acoustique, l'émission acoustique, l'analyse d'huile, l'analyse vibratoire. Pour traiter ces signaux, la littérature fournit des méthodes de traitement du signal de plus en plus fines qui permettent de répondre à différents modes de fonctionnement (Yang et al. 2006, Randall et al. 2010, Wei et al. 2012). Ces méthodes aboutissent le plus souvent à des indicateurs dont le suivi permet de détecter la présence d'un défaut, de le localiser, et estimer le degré de sévérité. Cependant, les performances de ces derniers sont souvent liées à des cas de fonctionnement précis. Les évolutions de ces indicateurs peuvent être influencées par d'autres paramètres, par exemple, le remplacement d'un composant, la réparation du système, ou les variations liées aux défauts, ce qui peut provoquer des fausses alarmes et remettre en question la fiabilité du diagnostic. Pour exploiter au mieux l'information contenue dans les indicateurs de défauts, les méthodes de classification s'avèrent pertinentes et efficaces. Elles séparent les différents états de la machine permettant de distinguer différents types de défaut. Cependant la classification est le plus souvent réalisée sur des données a posteriori et est dite « statique » (Yujing et al. 2012, Ying et al. 2013). La classification dynamique ou temps réel semble pouvoir relever certains défis scientifiques et technologiques pour un suivi en temps réel des systèmes. Elle consiste à extraire, à sélectionner des indicateurs et ensuite à classifier les individus (observations) de façon continue en intégrant les informations antérieures. L'apport d'un jumeau numérique permettrait de lier un modèle avec des données expérimentales en temps réel, induisant une signature augmentée (à l'instar de la réalité augmentée), une prédiction des états surveillés.

  • Titre traduit

    vibration monitoring for industry 4.0 : Real-time classification and digital twinning


  • Pas de résumé disponible.