EP4441663A1 - Procédé de diagnostic automatique d'une pièce - Google Patents

Procédé de diagnostic automatique d'une pièce

Info

Publication number
EP4441663A1
EP4441663A1 EP22834691.2A EP22834691A EP4441663A1 EP 4441663 A1 EP4441663 A1 EP 4441663A1 EP 22834691 A EP22834691 A EP 22834691A EP 4441663 A1 EP4441663 A1 EP 4441663A1
Authority
EP
European Patent Office
Prior art keywords
diagram
rotating machine
signal
sub
neural network
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
EP22834691.2A
Other languages
German (de)
English (en)
Inventor
Abdallah El Hidali
Julien Christian Pascal Griffaton
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.)
Safran Aircraft Engines SAS
Original Assignee
Safran Aircraft Engines SAS
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 Safran Aircraft Engines SAS filed Critical Safran Aircraft Engines SAS
Publication of EP4441663A1 publication Critical patent/EP4441663A1/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
    • G01M13/00—Testing of machine parts
    • G01M13/04—Bearings
    • G01M13/045—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
    • G01M15/00—Testing of engines
    • G01M15/14—Testing gas-turbine engines or jet-propulsion engines
    • 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
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning

Definitions

  • the technical field of the invention is that of the diagnosis of parts and more particularly that of the automatic diagnosis of parts.
  • the present invention relates to an automatic diagnostic method of a part of a rotating machine from a non-stationary time signal generated by the rotating machine.
  • the present invention also relates to a computer, a computer program product and a recording medium.
  • the diagnosis of a system is conventionally carried out by analyzing physical signals generated by the system, which can be measured by sensors, for example electric, magnetic, thermal, acoustic or even vibration.
  • vibration signals are commonly used to determine the operating state of components of rotating machines, for example their bearings: during the production or maintenance phases, high frequency vibration signals are thus acquired when the rotating machine is in operation, in order to detect weak signals characteristic of bearing damage, called signatures, and thus prevent a failure of the rotating machine.
  • the acquired vibration signals are analyzed by calculating statistical indicators from the vibration signals in the domain of the orders of a rotation speed.
  • the calculated statistical indicators are then compared with statistical indicators representative of a population of rotating machines without damage, the damage detection thresholds, i.e. the deviation values considered as synonymous with damage, being determined empirically and subjectively by experts.
  • the diagnosis is not reliable since it can vary from one expert to another and requires the intervention of specialists.
  • the invention offers a solution to the problems mentioned above, by making it possible to provide a reliable and automatic diagnosis of a part of a rotating machine.
  • a first aspect of the invention relates to an automatic diagnostic method for a part of a rotating machine made from a non-stationary time signal generated by the rotating machine during at least one phase during which a rotational speed of the rotating machine varies as a function of time, the process comprising the following steps:
  • Construction of a diagram from the signal comprising the following sub-steps: o Splitting of the signal into a plurality of sub-signals, each sub-signal corresponding to a time interval associated with at least one rotational speed of the rotating machine and being quasi-stationary over the time interval; o For each sub-signal, calculation of the Fourier transform of the sub-signal in order to obtain a vibrational energy for each frequency of the Fourier transform of the sub-signal; o Construction of the diagram, the diagram being a matrix presenting a plurality of rows each corresponding to a rotational speed of the rotating machine, ordered in ascending order, and a plurality of columns each corresponding to a frequency of the Fourier transform divided by a rotational speed of the rotating machine, ordered in ascending order, the matrix comprising for each line and each column, the vibratory energy of the sub-signal corresponding to the speed of rotation of the rotating machine of the line for the frequency of the Fourier transform of the column;
  • Supervised training of an artificial neural network to obtain a trained artificial neural network capable of providing, from a diagram, a class of operation included in a set of classes of operation comprising at least one class of nominal operation and one class faulty operation, the artificial neural network being trained on a training database comprising a plurality of training diagrams, each training diagram being constructed from a non-stationary temporal signal generated by a rotating machine of training and being associated with a class of operation among the set of classes of operation;
  • the diagnosis of a part of a rotating machine is automated, since once the operating classes of the training database have been obtained, no human intervention is necessary.
  • the construction of a diagram representing the vibratory energy of the temporal signal according to the frequency and the speed of rotation of the rotating machine makes it possible to obtain an image which can be supplied to an artificial neural network specialized in image processing, to detect in the diagram, signatures synonymous with damage and thus to determine an operating class for the part, that is to say to determine whether the part is defective or not.
  • the time signal is processed for different speeds of rotation because the manifestation of damage can occur on only part of the speeds of rotation taken by the rotating machine.
  • the trained artificial neural network provides results that are 96.25% accurate with a faulty engine detection rate of 95% and a false alarm rate of 2.5% and bases its decision on the zones of the diagram corresponding to the signatures conventionally used by the experts to make their diagnosis.
  • the diagnosis provided by the method according to the invention can therefore be considered reliable.
  • the method according to the invention may have one or more additional characteristics from among the following, considered individually or according to all the technically possible combinations:
  • the signal is a vibration signal .
  • the part is a bearing included in the rotating machine.
  • the rotating machine is a motor.
  • the diagram construction step includes a sub-step for applying a logarithmic scale to the constructed diagram;
  • the diagram construction step includes a substep of applying a reduction in the size of the constructed diagram by a predetermined factor.
  • the method according to the invention comprises a step of construction of the training database, comprising the following sub-steps: o For each non-stationary time signal generated by a rotating training machine, construction of an initial diagram to from the signal; o For each initial diagram constructed, standard normalization of the initial diagram constructed to obtain a training diagram. Standard normalization makes it possible to homogenize the training database.
  • the artificial neural network is a convolutional artificial neural network.
  • a second aspect of the invention relates to a computer configured to implement the steps of the method according to the invention.
  • a third aspect of the invention relates to a computer program product comprising instructions which, when the program is executed on a computer, lead the latter to implement the steps of the method according to the invention.
  • a fourth aspect of the invention relates to a computer-readable recording medium comprising instructions which, when executed by a computer, lead the latter to implement the steps of the method according to the invention.
  • FIG. 1 shows a plot of a non-stationary temporal signal as a function of time.
  • FIG. 2 shows a block diagram of a method according to the invention.
  • FIG. 3 is a diagram obtained at the end of a first step of the method according to the invention.
  • Figure 4 shows a confusion matrix of the results provided by an artificial neural network trained during a third step of the method according to the invention.
  • FIG. 5 shows a diagram obtained at the end of the first step of the method according to the invention, on which has been represented via a heat map, the importance of areas in the decision making of the trained artificial neural network.
  • the present invention relates to a method for diagnosing a part of a rotating machine, the diagnosis being automatic, that is to say that it does not require any human intervention.
  • Diagnosis of a part of a rotating machine means the determination of the operating state of the part of the rotating machine, an operating state being for example a nominal operating state or a state faulty operation.
  • the rotating machine is preferably an engine, for example a piston engine.
  • the rotating machine is preferably included in an aircraft, such as for example a turbojet engine.
  • the part is, for example, one or more gears, a rotor-stator assembly, a rotating shaft, an oil imbalance, a blading wake, a moving wheel wake or even one or more bearings.
  • the rotating machine is a motor, and the part is a bearing.
  • the method according to the invention is carried out from a non-stationary time signal generated by the rotating machine.
  • non-stationary time signal is meant a time-based physical signal whose frequency content varies over time.
  • non-stationary time signal time signal or “signal” will be used interchangeably.
  • the time signal is generated during at least one phase during which a rotational speed of the rotary machine varies as a function of time.
  • the fact that the time signal is non-stationary is due to the fact that the speed of rotation of the rotating machine varies during the generation phase of the time signal.
  • the signal is for example measured using a sensor, possibly embedded in the rotating machine, for example an electric, magnetic, thermal, acoustic or vibration sensor.
  • the senor is a vibration sensor, in particular an accelerometer.
  • Figure 1 shows an example of a non-stationary time signal, the abscissa axis representing the time and the ordinate axis representing the amplitude of the signal.
  • the signal is a vibration signal.
  • the method according to the invention can be carried out as part of a check at the exit of the production line of the rotating machine or during maintenance of the rotating machine.
  • the signal is for example a vibratory signal generated during an acceleration and deceleration phase of the motor in operation.
  • the method 100 according to the invention comprises a plurality of steps, the sequence of which is shown in Figure 2.
  • a first step 101 of the method 100 according to the invention is a step 101 of constructing a diagram from the signal.
  • the first step 101 includes a plurality of sub-steps.
  • a first sub-step 1011 of the first step 101 is a sub-step of splitting the signal into a plurality of sub-signals.
  • the cutting is realized in such a way that each sub-signal is quasi-stationary over the corresponding time interval.
  • Each time interval, and therefore each sub-signal is associated with at least one rotational speed of the rotating machine corresponding to the rotational speed assumed by the rotating machine over the time interval.
  • a second sub-step 1012 of the first step 101 is a sub-step of calculating, for each sub-signal, the Fourier transform of the sub-signal, which makes it possible to obtain, for each frequency, the transform of Calculated Fourier, that is to say for each frequency of the bandwidth of the sub-signal, a vibrational energy associated with the frequency in the sub-signal.
  • the vibrational energy therefore corresponds to the frequency amplitude of the sub-signal.
  • a third sub-step 1013 of the first step 101 is a diagram construction sub-step.
  • the diagram is a matrix having a plurality of rows and a plurality of columns.
  • Each line corresponds to a speed of rotation taken by the rotating machine during the generation phase of the time signal and each column corresponds to a frequency of the Fourier transform calculated in the second sub-step 1012, divided by a speed of rotation taken by the rotating machine on the time signal generation phase.
  • the plurality of lines is ordered in ascending order, that is to say that a first line corresponds to a rotational speed lower than a rotational speed of a second line.
  • the plurality of columns are ordered in ascending order.
  • the diagram For each row of the plurality of rows and each column of the plurality of columns, the diagram includes the vibration energy of the sub-signal associated with the rotational speed of the rotating machine corresponding to the row for the frequency of the Fourier transform corresponding to the column.
  • the constructed diagram is therefore two-dimensional and can therefore be likened to an image in grayscale or in color.
  • FIG. 3 An example of a constructed diagram is represented in FIG. 3.
  • Each point or pixel of the constructed diagram corresponds to a given rotational speed, a given frequency divided by the given rotational speed, and to a given vibrational energy whose intensity is represented by a color defined by a color scale.
  • the intensity of the vibrational energies can be represented by a level of gray defined by a scale of gray levels.
  • the constructed diagram comprises for example a number of pixels comprised between two million and twelve million.
  • the first step 101 of the method 100 further comprises a sub-step 1014 of applying a logarithmic scale to the constructed diagram obtained at the end of the third sub-step 1013.
  • the first step 101 further comprises a sub-step 1015 of reducing the size of the constructed diagram obtained at the end of the third sub-step 1013 of a predetermined factor.
  • the predetermined factor is for example equal to ten.
  • the reduction in the size of the constructed diagram can be achieved by means of a sub-sampling operation by maximum value, called "maxpooling".
  • the method further comprises a third step 103 of supervised training of an artificial neural network on a training database, to obtain a trained artificial neural network capable of providing from a diagram, an operating class.
  • the operating class is included in a set of operating classes comprising at least one nominal operating class and one faulty operating class.
  • the set of operating classes may additionally include an at-risk operating class.
  • Supervised training otherwise called supervised learning, makes it possible to train an artificial neural network for a predefined task, by updating its parameters so as to minimize a cost function corresponding to the error between the data of output provided by the artificial neural network and the real output datum, i.e. what the artificial neural network should output to fulfill the predefined task on a certain input datum.
  • the training database therefore includes input data, each associated with output data.
  • the input data are training diagrams, each training diagram being constructed from a non-stationary time signal generated by a rotating training machine and each associated with a class of operation among the set of operating classes, the operating classes therefore being the output data.
  • Each rotating drive machine is of the same type as the rotating machine, that is to say that if the rotating machine is an aircraft engine, each rotating drive machine is also an aircraft engine. .
  • the supervised training of the artificial neural network therefore consists in updating the parameters of the artificial neural network so as to minimize a cost function corresponding to the error between the prediction of the class of operation provided by the artificial neural network from a training diagram in the training database and the class of operation associated with said training diagram in the training database.
  • the cost function results for example from the composite of the binary cross-entropy function by the sigmoid function.
  • the minimization of the cost function is for example carried out by a stochastic gradient descent algorithm with backpropagation (“Back-Propagation Through Time” in English or BPTT).
  • the artificial neural network is preferably a convolutional artificial neural network.
  • the artificial neural network is for example the artificial neural network VGG19.
  • the method 100 comprises a second step 102 of building the training database, carried out prior to the third step 103, comprising a plurality of sub-steps.
  • a first sub-step 1021 of the second step 102 consists, for each signal generated by a rotating drive machine, in constructing an initial diagram from the signal.
  • the first sub-step 1021 of the second step 102 is carried out in the same way as the first step 101, that is to say by dividing the signal into sub-signals, by calculating the Fourier transform of each sub-signal to obtain vibrational energies and constructing the initial diagram using the obtained vibrational energies.
  • a second sub-step 1022 of the second step 102 consists, for each initial diagram obtained at the end of the first sub-step 1021, in applying a standard normalization, otherwise called z-score normalization, to the initial diagram to obtain a training diagram.
  • a standard normalization otherwise called z-score normalization
  • the method comprises a fourth step 104 of using the artificial neural network trained on the constructed diagram obtained at the end of the first step 101, to obtain an operating class and therefore a diagnosis for the part of the machine. rotating.
  • Each engine from a set comprising 1665 engines performed an identical maneuver on the test bench. This maneuver is an acceleration of the engine followed by a deceleration of the engine. During this maneuver, a non-stationary temporal vibration signal was measured by an accelerometer included in the motor.
  • a database was formed according to the second step 102 of the method 100 according to the invention from the 1665 measured vibration signals, to obtain 1665 diagrams and a class of nominal operation or a class of faulty operation was associated manually to each diagram obtained by experts.
  • the set of 1665 diagrams and their associated classes constitute an annotated database which has been divided into three parts: a training database, a validation database and a test database according to proportions represented in the table below:
  • the artificial neural network used is the artificial neural network VGG19.
  • the artificial neural network was trained in a supervised manner on the training database and the training was validated using the validation database.
  • the diagrams included in the test database were provided to the trained artificial neural network and several quality criteria were evaluated by comparison for each diagram of the database. of test data, between the class of operation provided by the artificial neural network for said diagram and the class of operation associated with said diagram in the test database.
  • the rate of false alarms a false alarm being in this case the classification of a defective motor in the category of motors exhibiting nominal operation.
  • the quality criteria presented in the previous table can also be represented in the form of a confusion matrix, as shown in Figure 4.
  • Each column of the matrix corresponds to the true class of operation, that is, i.e. the class of functioning included in the test database, and each row of the matrix corresponds to the class of functioning provided by the artificial neural network.
  • the confusion matrix then reads as follows: vertically, for the first column, of the 40 motors in nominal operation, 39 were estimated by the artificial neural network as motors in nominal operation and 1 motor was estimated as faulty (i.e. a false negative), vertically, for the second column, out of the 40 faulty motors, 2 were estimated by the neural network as motors in nominal operation (i.e.
  • FIG. 5 represents a diagram on which the Grad-Cam module has been applied.
  • the highlighted areas correspond well to engine bearing damage signatures, identified manually by human operators, which means that the artificial neural network correctly identifies the engine bearing damage signatures to make the decision to assign a malfunction class.

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Acoustics & Sound (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

Un aspect de l'invention concerne un procédé de diagnostic automatique d'une pièce d'une machine tournante réalisé à partir d'un signal temporel généré par la machine tournante, comportant les étapes suivantes : - Construction d'un diagramme à partir du signal, comprenant les sous-étapes suivantes : - Découpage du signal en une pluralité de sous-signaux; - Pour chaque sous-signal, calcul de la transformée de Fourier du sous-signal pour obtenir une énergie vibratoire par fréquence; - Construction du diagramme, le diagramme étant une matrice présentant une pluralité de lignes correspondant chacune à une vitesse de rotation de la machine tournante, 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, la matrice comprenant pour chaque ligne et chaque colonne, l'énergie vibratoire correspondante; - Entraînement supervisé d'un réseau de neurones artificiels pour le rendre 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 des diagrammes d'entraînement chacun associé à une classe de fonctionnement; - Utilisation sur le diagramme construit, du réseau de neurones artificiels entraîné pour fournir une classe de fonctionnement de la machine tournante.

Description

DESCRIPTION
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.

Claims

REVENDICATIONS
[Revendication 1] Procédé (100) de diagnostic automatique d'une pièce d’une machine tournante réalisé à partir d'un signal vibratoire 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 étant caractérisé en ce qu'il comporte les étapes suivantes :
- Construction (101 ) d'un diagramme à partir du signal, comprenant les sous-étapes suivantes : o Découpage (1011 ) 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 (1012) 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 (1013) 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 (103) supervisé d’un réseau de neurones artificiels pour obtenir un réseau de neurones artificiels entraîné capable de fournir à partir du 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 de même type que la machine tournante et étant associé à une classe de fonctionnement parmi l’ensemble de classes de fonctionnement ;
- Utilisation (104) sur le diagramme construit, du réseau de neurones artificiels entraîné pour fournir une classe de fonctionnement de la machine tournante.
[Revendication 2] Procédé (100) selon la revendication précédente selon lequel le signal est un signal vibratoire.
[Revendication s] Procédé (100) selon l’une quelconque des revendications précédentes selon lequel la pièce est un roulement compris dans la machine tournante.
[Revendication 4] Procédé (100) selon la revendication précédente selon lequel la machine tournante est un moteur.
[Revendication s] Procédé (100) selon l'une quelconque des revendications précédentes, dans lequel l’étape (101) de construction du diagramme comporte une sous-étape (1014) d’application d'une échelle logarithmique au diagramme construit.
[Revendication s] Procédé (100) selon l'une quelconque des revendications précédentes, dans lequel l’étape (101) de construction du diagramme comporte une sous-étape (1015) de réduction de la taille du diagramme construit d'un facteur prédéterminé.
[Revendication 7] Procédé selon l'une quelconques des revendications précédentes comprenant une étape (102) de construction de la base de données d'entraînement, comportant les sous-étapes suivantes :
- Pour chaque signal temporel non stationnaire généré par une machine tournante d’entraînement, construction (1021) d’un diagramme initial à partir du signal ;
- Pour chaque diagramme initial construit, normalisation standard (1022) du diagramme initial construit pour obtenir un diagramme d’entraînement.
[Revendication 8] Calculateur configuré pour mettre en œuvre les étapes du procédé (100) selon l’une quelconque des revendications précédentes.
[Revendication 9] 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 (100) selon l’une quelconque des revendications 1 à 7.
[Revendication 10] 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 (100) selon l’une quelconque des revendications 1 à 7.
EP22834691.2A 2021-12-02 2022-12-01 Procédé de diagnostic automatique d'une pièce Pending EP4441663A1 (fr)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR2112840A FR3130028B1 (fr) 2021-12-02 2021-12-02 Procédé de diagnostic automatique d'une pièce
PCT/FR2022/052216 WO2023099849A1 (fr) 2021-12-02 2022-12-01 Procédé de diagnostic automatique d'une pièce

Publications (1)

Publication Number Publication Date
EP4441663A1 true EP4441663A1 (fr) 2024-10-09

Family

ID=84689025

Family Applications (1)

Application Number Title Priority Date Filing Date
EP22834691.2A Pending EP4441663A1 (fr) 2021-12-02 2022-12-01 Procédé de diagnostic automatique d'une pièce

Country Status (5)

Country Link
US (1) US20250020545A1 (fr)
EP (1) EP4441663A1 (fr)
CN (1) CN118302757A (fr)
FR (1) FR3130028B1 (fr)
WO (1) WO2023099849A1 (fr)

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104819846B (zh) * 2015-04-10 2017-03-22 北京航空航天大学 一种基于短时傅里叶变换和稀疏层叠自动编码器的滚动轴承声音信号故障诊断方法
WO2020044495A1 (fr) * 2018-08-30 2020-03-05 Nec Corporation Appareil de détection d'anomalie, procédé et support lisible par ordinateur
CN109632309A (zh) * 2019-01-17 2019-04-16 燕山大学 基于改进s变换与深度学习的滚动轴承故障智能诊断方法
CN111256965B (zh) * 2020-01-20 2022-03-11 郑州轻工业大学 多尺度信息融合的堆叠稀疏自编码旋转机械故障诊断方法
CN113567131B (zh) * 2021-07-29 2024-05-03 沈阳建筑大学 基于s变换与微型卷积神经网络模型的轴承故障诊断方法
CN113627375A (zh) * 2021-08-16 2021-11-09 北京信息科技大学 一种行星齿轮故障诊断方法、系统、存储介质及计算设备

Also Published As

Publication number Publication date
FR3130028B1 (fr) 2023-12-22
CN118302757A (zh) 2024-07-05
FR3130028A1 (fr) 2023-06-09
US20250020545A1 (en) 2025-01-16
WO2023099849A1 (fr) 2023-06-08

Similar Documents

Publication Publication Date Title
Sobie et al. Simulation-driven machine learning: Bearing fault classification
Sadoughi et al. Physics-based convolutional neural network for fault diagnosis of rolling element bearings
CA2926216C (fr) Procede, systeme et programme d'ordinateur d'analyse acoustique d'une machine
Helmi et al. Rolling bearing fault detection of electric motor using time domain and frequency domain features extraction and ANFIS
EP0573357B1 (fr) Procédé de diagnostic d'un processus évolutif
KR102681637B1 (ko) 문제소음 발음원 식별을 위한 소음데이터의 인공지능 장치 및 전처리 방법
CN115238785B (zh) 基于图像融合和集成网络的旋转机械故障诊断方法和系统
FR3025886B1 (fr) Systeme et procede de controle de pieces
EP4464997B1 (fr) Procédé et dispositif de surveillance de santé d'un système mécanique d'un véhicule en utilisant des seuils variables selon des paramètres de fonctionnement du systeme
CN116805050A (zh) 基于条件生成对抗网络的离心泵故障诊断方法及装置
FR3025337B1 (fr) Systeme pour creer et deployer un modele d'inference
EP4407282A1 (fr) Procédés de détermination de la cyclostationnarité d'un signal vibratoire relatif à un système mécanique, d'agencement de capteurs vibratoires pour une surveillance d'un tel système et de surveillance
WO2023099849A1 (fr) Procédé de diagnostic automatique d'une pièce
König et al. Enhanced damage classification accuracy on a transmission by extending existing datasets with generative adversarial networks
CN114997285A (zh) 车辆故障诊断方法和设备、计算机可读存储介质
FR3089648A1 (fr) Procede de detection non supervise d’attaques internes et systeme associe
EP2784616B1 (fr) Procédé de détection et de prise en compte d'un changement abrupt d'au moins un indicateur de surveillance d'un dispositif
Bui et al. Vibration-based plastic-gear crack detection system using a convolutional neural network-Robust evaluation and performance improvement by re-learning
Mattos et al. Comparative analysis between statistical features and parameters of autoregressive modelling of intrinsic mode functions for fault diagnosis in bearings
FR2698704A1 (fr) Procédé et dispositif de maintenance prédictive.
FR2846089A1 (fr) Dispositif et procede de test acoustique et vibratoire de de pieces mecaniques
Batistakis et al. An ai-based prediction-as-a-service model for estimating machine bearing health status in industry 4.0 5g applications
CN116992268B (zh) 一种基于自适应小波分解的旋转机械故障分析方法及系统
Nicchiotti et al. Unsupervised learning for bearing fault identification with vibration data
CN112484999B (zh) 一种滚动轴承复合故障诊断方法及装置

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: 20240701

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

DAV Request for validation of the european patent (deleted)
DAX Request for extension of the european patent (deleted)