EP4526639A1 - Procédé automatique de surveillance de pièces tournantes de machines tournantes par adaptation de domaines - Google Patents

Procédé automatique de surveillance de pièces tournantes de machines tournantes par adaptation de domaines

Info

Publication number
EP4526639A1
EP4526639A1 EP23730169.2A EP23730169A EP4526639A1 EP 4526639 A1 EP4526639 A1 EP 4526639A1 EP 23730169 A EP23730169 A EP 23730169A EP 4526639 A1 EP4526639 A1 EP 4526639A1
Authority
EP
European Patent Office
Prior art keywords
neural network
signal
distribution
source
rotating
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
EP23730169.2A
Other languages
German (de)
English (en)
Inventor
Yosra MARNISSI
Dany ABBOUD
Fadi KARKAFI
Guillaume DOQUET
Mohammed El Badaoui
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 SA
Original Assignee
Safran SA
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 SA filed Critical Safran SA
Publication of EP4526639A1 publication Critical patent/EP4526639A1/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
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/14—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object using acoustic emission techniques
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
    • G01N29/4454—Signal recognition, e.g. specific values or portions, signal events, signatures
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
    • G01N29/4472—Mathematical theories or simulation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
    • G01N29/4481—Neural networks
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • 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
    • G06N3/096—Transfer learning
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2291/00—Indexing codes associated with group G01N29/00
    • G01N2291/02—Indexing codes associated with the analysed material
    • G01N2291/025—Change of phase or condition
    • G01N2291/0258—Structural degradation, e.g. fatigue of composites, ageing of oils
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2291/00—Indexing codes associated with group G01N29/00
    • G01N2291/26—Scanned objects
    • G01N2291/269—Various geometry objects
    • G01N2291/2693—Rotor or turbine parts

Definitions

  • the technical field of the invention is that of distribution domain adaptation and deep learning transfer.
  • the present invention relates to an automatic method for monitoring the rotating part of a rotating machine.
  • Monitoring a rotating part of a rotating machine is conventionally carried out by analysis of vibration signals generated by the rotating part and acquired by vibro-acoustic sensors, such as accelerometers, and is commonly used to determine the operating condition of aircraft engines and their rotating parts.
  • vibro-acoustic sensors such as accelerometers
  • high frequency vibration signals are acquired when the rotating machine is in operation, in order to detect weak signals, characteristic of damage to a mechanical part, called signatures, and thus prevent failure of the components. engines.
  • Monitoring by analysis of vibration signals is one of the most used methods due to its non-intrusive aspect and the richness of vibration signals in terms of diagnostic information.
  • the classic approach to vibration diagnosis methods is based on signal processing methods from vibration signals.
  • the signals are at the entrance to a processing task comprising processing methods (source separation, filtering, denoising, and) aimed at extracting or improving a “vibration signature” of interest and 'associate with a mechanical part.
  • Vibration analysis therefore consists of inferring the state of health of a rotating mechanical part through its vibration signature, this inference requiring a priori kinematic knowledge, as well as a monitoring expert. Subsequently, appropriate indicators can be constructed to quantify the damage and facilitate decision-making.
  • Domain adaptation is a tool making it possible to reuse the knowledge learned by a set of signals acquired from a rotating machine in a first context, this set of data is called source domain, by transferring them to analyzes of related signals, acquired for the same type of rotating machine but in a different context: this group of data is called the target domain.
  • the source domain represents a set of data already acquired and labeled, i.e. that their operating class is known.
  • the first part of the adaptive artificial neural network is merged with the first part of the first neural network before training the adaptive artificial neural network.
  • the architecture and parameters of the first part of the artificial neural network are identical to the architecture and parameters of the first part of the first neural network.
  • the architecture of a neural network (or part of the network) corresponds to the number of layers, neurons and their arrangement. In other words, the first part of the artificial neural network and the first part of the first neural network are identical.
  • the second term of the cost function and in particular the average maximum deviation is a dynamic value which varies at each training epoch.
  • the second term of the cost function thus includes the sum of each average maximum deviation calculated.
  • the last layer is a decision layer making it possible to classify the input signal into an operating class, after a reconciliation of the distributions carried out in the layer(s) preceding the last layer.
  • the monitoring is carried out for a plurality of n ⁇ rotating parts of rotating machines and in that the target database comprises a plurality of signals noted the plurality of signals from the source database is denoted and the second term of the cost function is calculated at each epoch at from function the set of signals representing the output of the m-th layer of the adaptive artificial neural network for an input X s , each signal f m (Xf) having a length Lms, and the set of signals representing the output of the m-th layer of the adaptive artificial neural network for an input X T , each signal j having a length Lm ⁇ , m being an integer included in a set Ncc comprising each layer number of the second part from which an average maximum deviation is calculated, with
  • the number P of Gaussian Kernel functions k p makes it possible to increase the calculation precision of the function pp and therefore the training cost function of the adaptive artificial neural network.
  • the distributions of S and T vary.
  • the parameter allowing calculation of the second term of the cost function (and comprising three components) also varies to correspond to the new distributions.
  • the three components vary at each epoch to adapt to variations in the distributions S and T.
  • the training step of the adaptive neural network is carried out according to a number of epochs M, and for each epoch the number of epochs M, the parameter is estimated according to the following sub-steps:
  • Lmax being the maximum length between the length of each signal in the set and each signal of the whole o Resampling of each signal in one picture in two size dimensions and resampling each signal into one image in two size dimensions o Determination of a variance of a noyu function has
  • TP ⁇ Lmax representing the last line of a Pascal triangle of order And being the transpose of ⁇ Calculation of the variance from the formula: , m being equal to the value maximum of the matrix
  • FIG. 1 shows a synoptic diagram of a method for monitoring a rotating part of a rotating machine according to the invention
  • FIG. 3 represents a Gaussian kernel of size 28 x 28,
  • FIG. 1 shows a schematic representation of a synoptic diagram of a method 100 for automatic monitoring of at least one rotating part of a rotating machine, from a so-called target database comprising at least one temporal signal from 'a distribution T and generated from the rotating part, and from a source database comprising a plurality of time signals coming from a distribution S different from the distribution T.
  • the rotating machine is for example an engine, preferably an aircraft turbojet engine.
  • the rotating part of the rotating machine is one or more mechanical shafts, one or more bearings, one or more fans, one or more turbines or one or more compressors.
  • monitoring is carried out for a plurality of n ⁇ rotating parts of rotating machines and in that the target database includes a plurality of signals denoted X being a natural number greater than 1.
  • n ⁇ rotating parts are of the same type, thus, the n ⁇ rotating parts are bearings for example.
  • Each time signal is generated from a rotating part among the n ⁇ rotating parts.
  • Each time signal can be a non-stationary time signal.
  • non-stationary temporal signal is meant a physical temporal signal whose frequency content varies over time.
  • time signal or “signal” will be used interchangeably.
  • Each target signal is for example measured using a sensor, possibly embedded in a target rotating machine, for example a sensor vibro-acoustics.
  • the vibro-acoustic sensor is for example an accelerometer, a strain gauge or a microphone.
  • Each target signal comprises a number L ⁇ of points, the number LT possibly depending on the sampling frequency of the sensor.
  • each target signal is a vibration signal.
  • the plurality of target signals is denoted n ⁇ being an integer non-zero natural representing the number of target signals in the target database.
  • Each non-stationary time signal resulting from a distribution T is a signal generated from the vibrations of the rotating part of the rotating machine in a context T'.
  • a context corresponds to the operating conditions of a rotating machine, for example the values of the parameters relating to the rotating machine.
  • a parameter relating to the rotating machine may be the rotational speed of the rotating machine, the load, the temperature of the rotating machine, the type of rotating machine, or the position of the vibro-acoustic sensor in the rotating machine.
  • the plurality of source signals is denoted ns being an integer non-zero natural representing the number of source signals in the source database.
  • the source database includes ns signals generated from ns source rotating parts of source rotating machines.
  • each time signal from the source database is generated from a source rotating part of a source rotating machine and is associated with an operating class among a set of operating classes.
  • each signal from the source database is generated from vibrations of the source rotating part.
  • a database in which each signal is associated with a class among a set of classes is called "labeled".
  • the source database is labeled.
  • source database signal or “source signal” will be used interchangeably.
  • Each source signal is for example measured using a sensor, possibly embedded in a rotating source machine, for example a vibro-acoustic sensor.
  • the vibro-acoustic sensor is for example an accelerometer, a strain gauge or a microphone.
  • Each source rotating part is of the same type as each rotating part, that is to say that if each rotating part is a bearing, each source rotating part is a bearing.
  • Each source signal comprises a number Ls of points, the number Ls possibly depending on the sampling frequency of the sensor.
  • Each source rotating machine is of the same type as each target rotating machine, that is to say that if each target rotating machine is an aircraft engine, each source rotating machine is also an aircraft engine.
  • the natural number ns can be equal to or different from the natural number HT.
  • Each non-stationary time signal from the distribution S is a signal generated from the vibrations of the rotating part of the rotating machine in a context S'.
  • all of the operating classes of the rotating part include at least the following classes: nominal operating class and defective operating class.
  • the first part preferably comprises a set of layers of artificial convolution neurons and a set of so-called “pooling” layers of artificial neurons, each layer of artificial pooling neurons being preceded by a layer of artificial convolution neurons. and followed by a layer of artificial convolution neurons.
  • the first part extracts health indicators from the rotating machine and is trained to correctly extract (thanks to a cost function) the characteristics of these health indicators.
  • the supervised training of the first artificial neural network consists of updating the parameters of the first artificial neural network so as to minimize a cost function corresponding to the error between the prediction of the class provided by the network of artificial neurons from a source signal from the source database and the class associated with said source signal in the source database.
  • the cost function is for example a mean quadratic function or a cross entropy function.
  • the method 100 comprises a step 102 of training a so-called adaptive artificial neural network to obtain a trained artificial neural network capable of associating with a non-stationary temporal signal resulting from a union distribution of S and T a class among the set of classes.
  • a non-stationary time signal coming from a union distribution of S and T is a signal that can come from the S distribution or the T distribution.
  • the adaptive artificial neural network is trained simultaneously on the source database and on the target database.
  • the adaptive neural network comprises a first feature extraction part and a second part called domain adaptation and classification.
  • the first part of the adaptive neural network is merged with the first part of the first neural network before starting training of the adaptive neural network.
  • the first part of the adaptive neural network comprises a number of layers being a natural number greater than or equal to 1 and preferably equal to 4.
  • the second part of the adaptive neural network comprises a set of so-called "fully-connected" layers.
  • the integers can be equal or different.
  • the training of the adaptive neural network is carried out according to a number of epochs M, M being an integer greater than or equal to 1, by minimization of a cost function relating to the adaptive artificial neural network at each epoch.
  • the cost function comprises at least a first term and a second term.
  • the first term of the cost function is proportional to the error between the prediction of the class provided by the adaptive artificial neural network from a source signal from the source database and the class, among the set of function classes associated with said source signal in the source database.
  • the second term of the cost function is calculated from at least the sum of each maximum mean discreapancy (MMD: "maximum mean discreapancy”) calculated at the output of at least one layer of the second part , For the source database and the target database as input to the adaptive neural network.
  • MMD maximum mean discreapancy
  • Ncc The index m belonging to a set Ncc comprising each layer number of the second chosen part and from which an average maximum deviation is calculated.
  • Ncc may include a single layer number or a number of layer numbers greater than 1 and strictly less than
  • k P being a Gaussian kernel function.
  • P is a natural number greater than or equal to 1 representing the number of Gaussian kernel functions considered for the calculation of the second term.
  • MMDTT P the term with equal to: , with the variance of the function Gaussian core ion k p relative to the set f m (X T ).
  • MMDST P the term with equal to: e with the variance of the function Gaussian kernel k p relative to the set and to the set [00105]
  • each vector is denoted East noted and the whole is noted . So, o is a parameter of the function
  • the function is a sum of Gaussian kernel functions.
  • the cost function is minimized, and therefore the first term and the second terms of the function are minimized.
  • the parameter o is estimated at each epoch of the number of epochs M, before minimizing the second term of the cost function.
  • the determination of the parameter o comprises a plurality of sub-steps described below.
  • a first sub-step of determining the parameter o is a sub-step of determining a length Lmax, representing the maximum length between the length Lm ⁇ and the length Lms.
  • a second step of the estimation method 100 is a step of resampling each signal into an image , in two dimensions on a gray scale and each signal in one picture in two dimensions on a gray scale.
  • Each column of the image includes a number of pixels equal to and each line of includes a number of pixels equal to
  • Each column of the image vertical includes a number of pixels equal to and each line of the image includes a number of pixels equal to [00116]
  • FIG. 2] is a representation of the two-dimensional resampling step of a signal of length M.
  • a second sub-step of determining the parameter o is a sub-step of constructing a matrix representing a Gaussian kernel of size and variance from the last line of a Pascal triangle of order
  • the construction of the matrix is made from a vector comprising columns and a row and representing the last row of the Pascal's triangle of order
  • the matrix represents a reproduction of the Gaussian kernel of size the central value of the matrix being the maximum value, the values of said matrix decreasing little by little moving away from the center, in order to arrive at the corners of the matrix having values equal to 1.
  • Each coefficient of the oss matrix is equal to
  • the matrix depends on each training epoch, the whole and the whole being modified in each era training of the number M of epochs.
  • the method 100 includes a step 103 of using each signal from the target database of the trained adaptive artificial neural network to associate an operating class with said signal.

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Computational Linguistics (AREA)
  • Signal Processing (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Acoustics & Sound (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Medical Informatics (AREA)
  • Geometry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Hardware Design (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Algebra (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

Procédé (100) de surveillance automatique d'une pluralité de pièce tournantes de machines tournantes, base de données cible comprenant une pluralité de signaux temporels issus d'une distribution et générés à partir de chaque pièce tournante, et à partir à partir d'une base de données source comprenant une pluralité de signaux temporels issus d'une distribution S différente de la distribution T et générés à partir d'une pièce tournante source d'une machine tournante source et étant associé à une classe de fonctionnement, la surveillance étant réalisée grâce à un modèle d'apprentissage profond adaptatif permettant d'adapter la distribution source à la distribution cible, le modèle d'apprentissage profond étant entrainé par minimisation d'une fonction coût relative à des fonctions noyau Gaussiennes de paramètre σ; σ étant calculé à chaque époque, à partir de la différence de distributions pondérée par une valeur statique constante estimée à partir d'un triangle de Pascal..

Description

DESCRIPTION
TITRE : procédé automatique de surveillance de pièces tournantes de machines tournantes par adaptation de domaines.
DOMAINE TECHNIQUE DE L'INVENTION
[0001] Le domaine technique de l'invention est celui de l'adaptation de domaine de distributions et du transfert d'apprentissage profond.
[0002] La présente invention concerne un procédé automatique de surveillance de pièce tournante de machine tournante.
ARRIERE-PLAN TECHNOLOGIQUE DE L'INVENTION
[0003] Dans de nombreux secteurs industriels, le diagnostic et la surveillance de pièces mécaniques, telles que des moteurs et leurs différentes pièces tournantes (roulement, engrenage, arbre, fan,...) sont primordiaux afin de connaître leur état de fonctionnement ou de santé et ainsi planifier des opérations de maintenance de manière à minimiser leur durée d'indisponibilité. Un système ou procédé de diagnostic et de surveillance fiable permet ainsi une détection et une identification précoce d'un endommagement, afin d'éviter la propagation de ce dernier à d'autres pièces mécaniques, et de programmer une maintenance adaptée basé sur l'état de santé de la pièce surveillé. Ainsi, la surveillance mécanique présente un enjeu majeur pour les industries mécaniques et particulièrement pour l'industrie aéronautique.
[0004] La surveillance d'une pièce tournante d'une machine tournante est classiquement réalisée par analyse de signaux vibratoires générés par la pièce tournante et acquis par des capteurs vibro-acoustiques, tels que des accéléromètres, et est couramment utilisée pour déterminer l'état de fonctionnement de moteurs d'aéronef et de leurs pièces tournantes. Lors des phases de production ou de maintenance, des signaux vibratoires haute fréquence sont acquis lorsque la machine tournante est en fonctionnement, afin de détecter des signaux faibles, caractéristiques d'endommagements d'une pièce mécanique, appelés signatures, et ainsi prévenir une défaillance des moteurs. La surveillance par analyse des signaux vibratoires est l'une des méthodes les plus utilisées en raison de son aspect non-intrusif et de la richesse des signaux vibratoires en termes d'information de diagnostic. [0005] L'approche classique des méthodes de diagnostic vibratoire est basée sur des méthodes de traitement du signal à partir de signaux vibratoires. Les signaux sont à l'entrée d'une tache de traitement comprenant des méthodes de traitement (séparation de sources, filtrage, débruitage, et) ayant comme but d'extraire ou d'améliorer une « signature vibratoire » d'intérêt et de l'associer à une pièce mécanique. L'analyse vibratoire consiste donc à inférer l'état de santé d'une pièce mécanique tournante à travers sa signature vibratoire, cette inférence nécessitant une connaissance cinématique à priori, ainsi qu'un expert de surveillance. Par la suite, des indicateurs appropriés peuvent être construits pour quantifier l'endommagement et faciliter la prise de décision.
[0006] Des méthodes de surveillance et de diagnostic basées sur l'intelligence artificielle sont de plus en plus développées actuellement. Le but principal de ces méthodes est de remplacer la connaissance humaine requise dans les approches traditionnelles, par un apprentissage des machines à partir d'un nombre abondant de données.
[0007] Dans ce contexte, le diagnostic intelligent des défauts (DID) émerge comme une solution auxiliaire ou alternative à l'approche « traitement du signal » déjà évoquée. Avec le développement rapide de l'apprentissage profond, le diagnostic intelligent des défauts a présenté des intérêts significatifs durant ces dernières années.
[0008] Le succès d'un modèle d'apprentissage profond dépend à la fois du choix de l'architecture dudit modèle ainsi que la représentativité et l'abondance des données d'entrainement. Par exemple dans le cas où on s'intéresse à la surveillance des roulements, des signaux de roulements sains et avec chaque type de défaut sont requis pour entrainer le modèle afin qu'il puisse analyser de nouveaux roulements et classifier leur état. Le succès des approches de DID est soumis à une hypothèse commune : il existe suffisamment de données étiquetées pour former des modèles de diagnostic fiables. En aéronautique, cependant, il est difficile de collecter suffisamment de données étiquetées à cause de la rareté des défauts. En conséquence, les données non étiquetées provenant des machines réelles ne peuvent pas entraîner les modèles de diagnostic pour fournir des résultats précis. De plus, la différence de contexte d'acquisition entre les signaux d'entrainement des bases de données existantes et les signaux à classifier affecte la performance des modèles d'apprentissage car deux signaux acquis dans deux contextes différents sont issus de deux distributions de probabilités différentes.
[0009] L'adaptation du domaine est un outil permettant de réutiliser les connaissances apprises par un ensemble de signaux acquis à partir d'une machine tournante dans un premier contexte, cet ensemble de données est appelé domaine source, en les transférant à des analyses de signaux connexes, acquis pour le même type de machine tournante mais dans un contexte différent : ce groupe de données est appelé le domaine cible. Le domaine source représente un ensemble de données déjà acquises et étiquetées, c.à.d. que leur classe de fonctionnement est connue.
[0010] Afin de réutiliser les bases de données sources pour les tâches de diagnostic d'une base de données cible, des modèles d'apprentissage par transfert profond, en considérant des paramètres à régler, notamment pour la fonction coût du modèle, sont utilisés en raison de leur efficacité et leur capacité à réduire la grande différence de distribution entre le domaine source et le domaine cible. En revanche, l'état de santé de la pièce mécanique surveillé est inconnu. Les données du domaine cible sont donc naturellement non étiquetées. Pour cela, le problème principal revient à pouvoir régler les paramètres du modèle d'apprentissage profond sans avoir recours aux étiquettes de l'état de fonctionnement de la machine tournante pour identifier si le modèle a prédit correctement son état actuel.
RESUME DE L'INVENTION
[0011] L'invention offre une solution aux problèmes évoqués précédemment, en permettant de réaliser une surveillance automatique de pièce tournante, dont la classe de fonctionnement est inconnue, à partir d'un modèle d'apprentissage par transfert profond sur une base de données source et cible en réglant des paramètres relatifs au modèle d'apprentissage indépendamment des étiquettes de la base de données cible.
[0012] Un premier aspect de l'invention concerne un procédé de surveillance automatique d'au moins une pièce tournante d'une machine tournante, à partir d'une base de données non étiquetée dite base de données cible comprenant au moins un signal temporel issu d'une distribution T, le signal temporel étant généré à partir de la pièce tournante, et à partir à partir d'une base de données source comprenant une pluralité de signaux temporels issus d'une distribution S différente de la distribution T, chaque signal temporel de la base de données source étant généré à partir d'une pièce tournante source d'une machine tournante source et étant associé à une classe de fonctionnement parmi un ensemble des classes de fonctionnement comprenant au moins une classe de fonctionnement nominal et une classe de fonctionnement défectueux, le procédé étant caractérisé en ce qu'il comprend les étapes suivantes:
Entrainement d'un premier réseau de neurones entraîné capable d'associer à un signal temporel non stationnaire issu de la distribution S une classe de fonctionnement parmi l'ensemble de classes de fonctionnement, le premier réseau de neurones comprenant une première partie d'extraction de caractéristiques et une deuxième partie de classification, le réseau de neurones artificiels étant entraîné sur la base de données source,
Entrainement d'un réseau de neurones artificiels dit adaptatif selon un nombre d'époques M d'entrainements, pour obtenir un réseau de neurones artificiels entraîné capable d'associer à un signal temporel issu d'une distribution union de S et de T une classe parmi l'ensemble des classes de fonctionnement, le réseau de neurones adaptatif comprenant une première partie d'extraction de caractéristiques, correspondant à la première partie du premier réseau de neurones, et une deuxième partie d'adaptation de la distribution S vers la distribution T et de classification, le réseau de neurones artificiels étant entraîné simultanément sur les bases de données source et cible, l'entrainement étant réalisé par minimisation d'une fonction coût comprenant : un premier terme correspondant à l'erreur entre la classe obtenue par le réseau de neurones pour chaque signal de la base de données source et la classe associée au dit signal de la base de données sources; un deuxième terme calculé à partir d'au moins un écart maximal moyen entre une fonction de la base de données source et une fonction de la base de données cible, l'écart maximal moyen étant calculé à partir d'au moins une fonction noyau Gaussienne de paramètre o, le paramètre o étant estimé à partir d'un triangle pascal, le paramètre o étant relatif à une variance de la fonction noyau Gaussienne et étant dépendant de chaque époque d'entrainement, la fonction noyau Gaussienne, d'ordre étant déterminée à partir de la dernière ligne d'un triangle de pascal de taille
Utilisation sur chaque signal de la base de données cible du réseau de neurones artificiels adaptatif, entraîné, pour associer une classe de fonctionnement au dit signal.
[0013] On définit le domaine cible DΤ tel que DΤ = { X, T= PT(X7)} ; où X est un espace de descripteurs des caractéristiques d'un signal, T = P(XT) est la distribution de la probabilité marginale et XΤ ∈ X.
[0014] On définit le domaine source Ds tel que Ds = { X, S= Ps(Xs)} ; où X est un espace de descripteurs des caractéristiques d'un signal, S = P(XS) est la distribution de la probabilité marginale et Xs∈ X.
[0015] Par " distribution S différente de la distribution T" on entend
[0016] En particulier, l'adaptation de la distribution S vers la distribution T est réalisée par minimisation du deuxième terme de la fonction coût, qui est calculé à partir de la base de données source issue de la distribution S et de la base de données cible issue de la distribution T. Le but de l'adaptation du domaine est de réduire l'écart des distributions des deux bases de données source et cible (durant ou après l'entrainement) afin que la classification de la base de données cible soit presque identique à celle source. Les deux bases traitent le même sujet (des défauts des roulements par exemple de la machine tournante) mais chacune concerne des différentes conditions de fonctionnement de la machine tournante (vitesses de rotation, charge, couple, etc.). En particulier, l'écart maximal moyen (appelé MMD ou Maximum Mean Discrepancy en anglais) est par exemple l'une des fonctions les plus efficaces, basée sur la minimisation de l'écart maximal entre les distributions, pour minimiser l'écart entre les distributions et donc réaliser une adaptation entre les domaines.
[0017] Ainsi, la première partie du réseau de neurones artificiels adaptatif est confondue avec la première partie du premier réseau de neurones avant l'entrainement du réseau de neurones artificiels adaptatif. L'architecture et les paramètres de la première partie du réseau de neurones artificiels sont identiques à l'architecture et les paramètres de la première partie du premier réseau de neurones. L'architecture d'un réseau de neurone (ou d'une partie du réseau) correspond au nombre de couches, de neurones et leur disposition. Autrement dit, la première partie du réseau de neurones artificiels et la première partie du premier réseau de neurones sont identiques.
[0018] L'invention permet avantageusement de classifier des signaux d'une base de données cible non étiquetée, l'état de la machine tournante étant donc inconnu dans les conditions d'acquisitions des signaux de distribution T, dans une classe d'un ensemble de classe, à partir d'une base de données source étiquetées, les signaux de la base de données source étant de distribution différente de la distribution des signaux de la base de données cible, grâce à un paramètre o dépendant d'un triangle de pascal, sans nécessiter de réglage à partir d'étiquettes manquantes de la base de données cibles. En effet, la minimisation de la fonction coût du réseau de neurones étant réalisée en partie grâce à partir d'une fonction noyau Gaussienne, la dernière ligne d'un triangle de pascal permet avantageusement de représenter une fonction noyau Gaussienne de même taille que la dernière ligne que le triangle, la taille étant choisie selon les bases de données sources et cibles par exemple, et de déterminer donc ses paramètres, sans réglage supplémentaire extérieur. Ainsi, L'invention permet de réaliser une surveillance automatisée de pièces tournantes de machines tournantes, grâce à des signaux issus d'une distribution T sans étiquettes associées, sans intervention d'un expert et permet donc d'avoir un gain de temps lors de la maintenance des machines tournantes.
[0019] Le noyau gaussien permettant de calculer le paramètre o (et donc la fonction coût) est introduit dans le but de réduire la différence des distributions des bases de données chacune par rapport à l'autre et au sein même de chacune des bases de données. Alors, l'utilisation du même noyau pour réduire cette différence chaque fois n'est pas très efficace puisqu'elle change à chaque fois le modèle ajuste ses poids (c'est-à-dire à chaque époque d'entrainement). Par conséquent, le noyau gaussien doit être défini durant chaque itération pour actualiser le motif de cette réduction. D'autre part, le paramètre définissant le noyau gaussien étant sa variance ou de manière équivalente son écart type qui est noté dans ce cas o, o est donc dépendant de la différence des distributions pour qu'elle change respectivement. [0020] Ainsi, le paramètre a variant selon chaque époque d'entrainement, durant laquelle les distributions sont rapprochées, l'estimation de ce paramètre est bien robuste à la variance relative à la différence des distributions.
[0021] Avantageusement, le deuxième terme de la fonction coût et en particulier l'écart maximal moyen est une valeur dynamique qui varie à chaque époque d'entrainement.
[0022] Avantageusement, pas d'essai et d'erreurs ni de réglages ne sont réalisés par un opérateur pour trouver la meilleure variance (ou écart-type de manière équivalente) du noyau gaussien.
[0023] Outre les caractéristiques qui viennent d'être évoquées dans le paragraphe précédent, le procédé selon un premier aspect de l'invention peut présenter une ou plusieurs caractéristiques complémentaires parmi les suivantes, considérées individuellement ou selon toutes les combinaisons techniquement possibles : la première partie du réseau de neurones adaptatif comprend un nombre de couches Ne, Nd étant un entier naturel supérieur ou égal à 1 et en ce que la deuxième partie du réseau de neurones adaptatif comprend un nombre de couches Nc2, Nc2 étant un entier naturel supérieur ou égal à 1 , le deuxième terme de la fonction coût étant calculé sur une ou plusieurs couches appartenant à la deuxième partie du réseau de neurones, et situées avant une dernière couche de la deuxième partie. En particulier, sur chaque couche d'un ensemble de couches (situées avant la dernière couche) de la deuxième partie, un écart moyen maximal est calculé. Le deuxième terme de la fonction coût comprend ainsi la somme de chaque écart maximal moyen calculé. La dernière couche est une couche de décision permettant de classer le signal d'entrée dans une classe de fonctionnement, après un rapprochement des distributions réalisé dans la/les couches précédant la dernière couche. la surveillance est réalisée pour une pluralité de nΤ pièces tournantes de machines tournantes et en ce que base de données cible comprend une pluralité de signaux notée la pluralité de signaux de la base de données source est notée et le deuxième terme de la fonction coût est calculé à chaque époque à partir de la fonction l'ensemble de signaux représentant la sortie de la m-ième couche du réseau de neurones artificiels adaptatif pour une entrée Xs, chaque signal fm(Xf) ayant une longueur Lms , et l'ensemble de signaux représentant la sortie de la m-ième couche du réseau de neurones artificiels adaptatif pour une entrée XT , chaque signal j ayant une longueur LmΤ , m étant un entier compris dans un ensemble Ncc comprenant chaque numéro de couche de la deuxième partie à partir de laquelle un écart maximal moyen est calculé, avec :
Avec : la variance de la fonction noyau Gaussiene kp relative à l'ensemble fm(Xs) , p j la variance de la fonction noyau gaussienne kp relative à l'ensemble fm(Xr) |a variance de la fonction noyau Gaussienne kp relative à l'ensemble fm(Xs) et à l'ensemble fm(Xr),
P étant un entier naturel supérieur ou égal à 1 , chaque vecteur [Omss (p)] P>1 étant noté Omss, chaque vecteur étant noté OmTΤ , chaque vecteur étant noté et étant notée , le paramètre o étant égal à l'ensemble Avantageusement, le nombre P de fonctions Noyau Gaussiennes kp permet d'augmenter la précision de calcul de la fonction p p et donc de la fonction coût d'entrainement du réseau de neurones artificiels adaptatif. En particulier, durant chaque époque d'entrainement, les distributions de S et de T varient. Ainsi, à chaque époque, le paramètre permettant de calculer le deuxième terme de la fonction coût (et comprenant trois composantes) varie également pour correspondre aux nouvelles distributions. Ainsi, les trois composantes varient à chaque époque pour s'adapter aux variations des distributions S et T. l'étape d'entrainement du réseau de neurones adaptatif est réalisée selon un nombre d'époques M, et pour chaque époque du nombre d'époques M, le paramètre est estimé selon les sous-étapes suivantes :
Pour chaque couche : o Détermination de Lmax, Lmax étant la longueur maximale entre la longueur de chaque signal de l'ensemble et chaque signal de l'ensemble o Rééchantillonnage de chaque signal en une image en deux dimensions de taille et rééchantillonnage de chaque signal en une image en deux dimensions de taille o Détermination d'une variance d'une fonction noyu a
Gaussienne d'ordre selon les sous-étapes suivantes :
■ Construction d'une matrice représentant un noyau gaussien d'ordre la matrice égale à
TP^Lmax représentant la dernière ligne d'un triangle de pascal d'ordre et étant la transposée de ■ Calcul de la variance à partir de la formule : , m étant égal à la valeur maximale de la matrice
Calcul d'un vecteur selon les sous-étapes suivantes :
Calcul de s à partir de Calcul de à partir de Calcul de à partir de Calcul de selon la formule suivante :
Avantageusement, les signaux sont rééchantillonnés et convertis en images afin de gagner en temps de calculs. De plus, le paramètre o est estimé grâce à aux deux bases de données source et cible et grâce au triangle de pascal, sans nécessiter d'étiquettes pour la base de données cible à classifier. Les composantes sont calculées à chaque époque d'entrainement parce qu'elles dépendent de la différence de distribution qui change durant chaque époque d'entrainement. est une valeur de référence statique (en d'autres termes : cette valeur ne varie pas en fonction des époques d'entrainement) et permet d'évaluer le changement après chaque époque d'entrainement et donc chaque ajustement des paramètres (ou poids) du réseau de neurones adaptatif .
Selon un mode de réalisation :
- chaque coefficient - chaque coefficient
' chaque coefficient
P est égal à 5. Plus P est élevé plus l'estimation du paramètre est précise. Le fait d'augmenter l'ordre présente un inconvénient du point de vue ressources disponibles pour exécuter les calculs. Avantageusement, P égal à 5 permet d'obtenir un compromis entre une estimation correcte de et un temps de calcul réduit.
[0024] 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 un premier aspect de l'invention et le procédé selon un deuxième aspect de l'invention.
[0025] 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
[0026] Les figures sont présentées à titre indicatif et nullement limitatif de l'invention.
La [Fig. 1] montre un schéma synoptique d'un procédé de surveillance de pièce tournante de machine tournante selon l'invention,
La [Fig. 2] représente le rééchantillonnage d'un signal temporel en une image en deux dimensions,
La [Fig. 3] représente un noyau Gaussien de taille 28 x 28,
DESCRIPTION DETAILLEE
[0027] Les figures sont présentées à titre indicatif et nullement limitatif de l'invention. [0028] La [Fig. 1 ] montre une représentation schématique d'un schéma synoptique d'un procédé 100 de surveillance automatique d'au moins une pièce tournante d'une machine tournante, à partir d'une base de données dite cible comprenant au moins un signal temporel issu d'une distribution T et généré à partir de la pièce tournante, et à partir d'une base de données source comprenant une pluralité de signaux temporels issus d'une distribution S différente de la distribution T.
[0029] La machine tournante est par exemple un moteur, de préférence un turboréacteur d'aéronef.
[0030] Par exemple, la pièce tournante de la machine tournante est un ou plusieurs arbre mécanique, un ou plusieurs roulements, un ou plusieurs fans, un ou plusieurs turbines ou un ou plusieurs compresseurs.
[0031] Selon un mode de réalisation, la surveillance est réalisée pour une pluralité de nΤ pièces tournantes de machines tournantes et en ce que base de données cible comprend une pluralité de signaux notée X étant un entier naturel supérieur à 1.
[0032] Les nΤ pièces tournantes sont de même type, ainsi, les nΤ pièces tournantes sont des roulements par exemple.
[0033] Chaque signal temporel est généré à partir d'une pièce tournante parmi les nΤ pièces tournantes .
[0034] Chaque signal temporel peut être un signal temporel non stationnaire. Par "signal temporel non stationnaire", on entend un signal physique temporel dont le contenu fréquentiel varie dans le temps.
[0035] Dans la suite de la rédaction, on utilisera indifféremment les termes "signal temporel " ou "signal".
[0036] Dans la suite de la rédaction, on utilisera indifféremment les termes "signal de la base de données cible " ou "signal cible".
[0037] Chaque signal cible est généré de préférence à partir de vibrations d'une pièce tournante dite cible d'une machine tournante dite cible.
[0038] Chaque signal cible est par exemple mesuré à l'aide d'un capteur, éventuellement embarqué dans une machine tournante cible, par exemple un capteur vibro-acoustique. Le capteur vibro-acoustique est par exemple un accéléromètre, une jauge de contrainte ou un microphone.
[0039] Chaque signal cible comprend un nombre LΤ de points, le nombre LT pouvant dépendre de la fréquence d'échantillonnage du capteur.
[0040] Selon un mode de réalisation préféré, chaque signal cible est un signal vibratoire.
[0041] La pluralité de signaux cibles est notée nΤ étant un entier naturel non nul représentant le nombre de signaux cibles dans la base de données cible.
[0042] Chaque signal temporel non stationnaire issu d'une distribution T est un signal généré à partir des vibrations de la pièce tournante de la machine tournante dans un contexte T'.
[0043] On définit le domaine cible DΤ tel que DΤ = { X, T= PT(X7)} ; où X est un espace de descripteurs des caractéristiques d'un signal, T = P(XT) est la distribution de la probabilité marginale et XΤ E X.
[0044] Un contexte correspond aux conditions de fonctionnements d'une machine tournante, par exemple les valeurs des paramètres relatifs à la machine tournante. Un paramètre relatif à la machine tournante peut être la vitesse de rotation de la machine tournante, la charge, la température de la machine tournante, le type de machine tournante, ou la position du capteur vibro-acoustique dans la machine tournante.
[0045] La pluralité de signaux source est notée ns étant un entier naturel non nul représentant le nombre de signaux sources dans la base de données source. La base de données sources comprend ns signaux générés à partir de ns pièces tournantes sources de machines tournantes sources.
[0046] Chaque signal temporel de la base de données source est généré à partir d'une pièce tournante source d'une machine tournante source et est associé à une classe de fonctionnement parmi un ensemble des classes de fonctionnement. De préférence, chaque signal de la base de données source est généré à partir de vibrations de la pièce tournante source. [0047] Une base de données dont chaque signal est associé à une classe parmi un ensemble de classes est dite "étiquetée". Ainsi, la base de données source est étiquetée.
[0048] Dans la suite de la rédaction, on utilisera indifféremment les termes "signal de la base de données source " ou "signal source".
[0049] Chaque signal source est par exemple mesuré à l'aide d'un capteur, éventuellement embarqué dans une machine tournante source, par exemple un capteur vibro-acoustique. Le capteur vibro-acoustique est par exemple un accéléromètre, un jauge de contrainte ou un microphone.
[0050] Chaque pièce tournante source est de même type que chaque pièce tournante, c'est-à-dire que si chaque pièce tournante est un roulement, chaque pièce tournante source est un roulement.
[0051] Chaque signal source comprend un nombre Ls de points, le nombre Ls pouvant dépendre de la fréquence d'échantillonnage du capteur.
[0052] Chaque machine tournante source est de même type que chaque machine tournante cible, c'est-à-dire que si chaque machine tournante cible est un moteur d'aéronef, chaque machine tournante source est également un moteur d'aéronef.
[0053] L'entier naturel ns peut être égal ou différent de l'entier naturel HT.
[0054] Deux signaux sont issus d'une même distribution si, lors de leur acquisition, la valeur d'un seul paramètre relatif à la machine tournante varie.
[0055] Chaque signal temporel non stationnaire issu de la distribution S est un signal généré à partir des vibrations de la pièce tournante de la machine tournante dans un contexte S'.
[0056] On définit le domaine source Ds tel que Ds = { X, S= Ps(Xs)} ; où X est l'espace de descripteurs des caractéristiques d'un signal, S = Ps(Xs) est la distribution de la probabilité marginale et Xs∈ X.
[0057] Les contextes S' et T' sont différents.
[0058] Si deux signaux sont acquis dans deux contextes différents, au moins deux paramètres relatifs à la machine tournante ont des valeurs différentes et les deux signaux sont de distribution différentes. [0059] Lorsque deux signaux sont acquis dans deux contextes différentes, on considère que leurs domaines sont de distributions différentes. On considère ainsi que les domaines Ds et DΤ sont de distributions différentes.
[0060] Par " domaines Ds et DΤ sont de distributions différentes " on entend :
[0061] Par exemple, un ensemble de signaux comprenant un premier, un deuxième et un troisième signal, est mesuré par un capteur fixé sur une même machine tournante . Chaque signal est mesuré sur le même type de machine tournante, à température de la machine tournante égale et à position égale de la machine tournante, le seul paramètre dont la valeur varie est la vitesse de rotation de la machine tournante, notée N2. Le premier signal est mesuré pour N2 = 600 tours par minutes, le deuxième signal est mesuré lorsque N2 = 800 tours par minutes, le troisième signal est mesuré pour N2 = 1000 tours par minutes. Le premier, deuxième et troisième signal sont mesurés dans un même contexte et font partie d'une même distribution.
[0062] Par exemple, un premier signal et un deuxième signal sont mesurés par un capteur fixé sur une. Le premier signal est mesuré pour une vitesse N2 = 600 tours et pour une charge égale à 1 HP, le deuxième signal est mesuré pour une vitesse N2=800 tours et pour une charge égale à 3HP. Deux paramètres relatifs à la machine tournante ont des valeurs différentes lors de l'acquisition du premier signal et du deuxième signal, ainsi le premier et le deuxième signal ne sont pas issus de la même distribution.
[0063] L'ensemble des classes de fonctionnement est un ensemble de classes de fonctionnement de la pièce tournante.
[0064] Par exemple, l'ensemble des classes de fonctionnement de la pièce tournante comprend au moins les classes suivantes : classe de fonctionnement nominal et classe de fonctionnement défectueux.
[0065] Par exemple, l'ensemble des classes de fonctionnement de la pièce tournante comprend les classes suivantes : classe de fonctionnement nominal, classe de fonctionnement présentant un premier défaut, classe de fonctionnement présentant un deuxième défaut, classe de fonctionnement présentant un troisième défaut. Un premier défaut peut être un défaut d'usure par exemple. Un deuxième défaut peut être un défaut d'écaillement par exemple.
[0066] Selon un premier mode de réalisation, le procédé 100 peut comprendre une première étape 101 d'entrainement supervisé d'un premier réseau de neurones artificiels pour obtenir un réseau de neurones artificiels entrainé capable de fournir à partir d'un signal appartenant à la distribution S, une classe comprise dans l'ensemble des classes de fonctionnement.
[0067] 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.
[0068] Le réseau de neurones artificiels comprend de préférence une première partie d'extraction de caractéristiques, et une deuxième partie de classification.
[0069] La première partie comprend de préférence un ensemble de couches de neurones artificiels de convolution et un ensemble de couche de neurones artificiels dite de "pooling", chaque couche de neurones artificiels de pooling étant précédée d'une couche de neurones artificiels de convolution et suivie d'une couche de neurones artificiels de convolution. Par exemple, la première partie réalise l'extraction d'indicateurs de santé de la machine tournante et est entraînée de manière à extraire correctement (grâce à une fonction coût) les caractéristiques de ces indicateurs de santé.
[0070] La première partie comprend un nombre de couches Nd , Nd étant un entier naturel supérieur ou égal à 1 et de préférence égal à 4.
[0071 ] L'entraînement supervisé du premier réseau de neurones artificiels consiste à mettre à jour les paramètres du premier réseau de neurones artificiels de manière à minimiser une fonction de coût correspondant à l'erreur entre la prédiction de la classe fournie par le réseau de neurones artificiels à partir d'un signal source de la base de données source et la classe associée au dit signal source dans la base de données source. [0072] La fonction de coût est par exemple une fonction quadratique moyenne ou une fonction entropie croisée.
[0073] 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).
[0074] L'entrainement du premier réseau de neurones est réalisé selon un nombre d'époques B, B étant un entier naturel supérieur à 1 .
[0075] Le procédé 100 comprend une étape 102 d'entrainement d'un réseau de neurones artificiels dit adaptatif pour obtenir un réseau de neurones artificiels entraîné capable d'associer à un signal temporel non stationnaire issu d'une distribution union de S et de T une classe parmi l'ensemble de classes. Un signal temporel non stationnaire issu d'une distribution union de S et de T est un signal pouvant être issu de la distribution S ou de la distribution T.
[0076] Le réseau de neurones artificiels adaptatif est entraîné simultanément sur la base de données source et sur la base de données cible.
[0077] le réseau de neurones adaptatif comprend une première partie d'extraction de caractéristiques et une deuxième partie dite d'adaptation de domaines et de classification.
[0078] De préférence, la première partie du réseau de neurones adaptatif est confondue avec la première partie du premier réseau de neurones avant de débuter l'entrainement du réseau de neurones adaptatif. Ainsi, la première partie du réseau de neurones adaptatif comprend un nombre de couches étant un entier naturel supérieur ou égal à 1 et de préférence égal à 4.
[0079] De préférence, la deuxième partie du réseau de neurones adaptatif comprend un ensemble de couches dites "fully-connected" (de l'anglais, entièrement connectées).
[0080] De préférence, la deuxième partie du réseau de neurones artificiels adaptatif comprend un nombre de couches étant un entier naturel supérieur ou égal à 1 et de préférence égal à 4 ou 5 par exemple.
[0081] Dans la suite, la notation fm Xs) représente la sortie de la m-ième couche du réseau de neurones artificiels adaptatif pour une entrée Xs, et fm(Xr) représente la sortie de la m-ième couche du réseau de neurones artificiels adaptatif pour une entrée X , m étant un entier naturel compris dans l'intervalle
[0082] L'ensemble
[0083] Chaque élément de l'ensemble est un signal ayant un nombre de points Lms, Lms étant un entier naturel non nul.
[0084] L'ensemble
[0085] Chaque élément est un signal de ayant un nombre de points étant un entier naturel non nul.
[0086] Les entiers peuvent être égaux ou différents.
[0087] Dans la suite, on confondra les expressions "nombre de points d'un signal" et "longueur d'un signal".
[0088] L'entrainement du réseau de neurones adaptatif est réalisé selon un nombre d'époques M,M étant un entier supérieur ou égal à 1 , par minimisation d'une fonction coût relative au réseau de neurones artificiels adaptatif à chaque époque.
[0089] Dans la suite, on confondra les expressions " fonction coût relative au réseau de neurones artificiels adaptatif " et "fonction de coût adaptative".
[0090] La minimisation de la fonction coût adaptative est par exemple réalisée par un algorithme de descente du gradient stochastique avec rétropropagation (« Back- Propagation Through Time » en anglais ou BPTT).
[0091] La fonction coût comprend au moins un premier terme et un deuxième terme.
[0092] Le premier terme de la fonction coût est proportionnel à l'erreur entre la prédiction de la classe fournie par le réseau de neurones artificiels adaptatif à partir d'un signal source de la base de données source et la classe, parmi l'ensemble des classes fonction associée au dit signal source dans la base de données source.
[0093] Le deuxième terme de la fonction coût est calculé à partir d'au moins la somme de chaque écart maximal moyen (en anglais MMD : "maximum mean discreapancy") calculé à la sortie d'au moins une couche de la deuxième partie, pour la base de données source et la base de données cible en entrée du réseau de neurones adaptatifs.
[0094] Le deuxième terme est calculé à partir de la formule suivante :
[0095]
[0096] L'indice m appartenant à un ensemble Ncc comprenant chaque numéro de couche de la deuxième partie choisie et à partir de laquelle un écart maximal moyen est calculé. Ncc peut comprendre un seul numéro de couche ou un nombre de numéros de couches supérieur à 1 et strictement inférieur à
[0097] La formule de de est la suivante :
[0098]
[0099] kP étant une fonction noyau Gaussienne.
[00100] On considère qu'une somme de fonctions noyau Gaussiennes est une fonction noyau Gaussienne.
[00101] P est un entier naturel supérieur ou égal à 1 représentant le nombre de fonctions noyau Gaussiennes considérées pour le calcul du deuxième terme.
[00102] Notons le terme avec )égal à : avec la variance de la fonction noyau Gaussienne kp relative à l'ensemble
[00103] Notons MMDTTP le terme avec égal à : , avec la variance de la fonct ion noyau gaussienne kp relative à l'ensemble fm(XT) .
[00104] Notons MMDSTP le terme avec égal à : e avec la variance de la fonction noyau Gaussienne kp relative à l'ensemble et à l'ensemble [00105] Ainsi,
[00106] Chaque vecteur est noté chaque vecteur est notée et l'ensemble est noté . Ainsi, o est un paramètre de la fonction
[00108] La fonction est une somme de fonctions noyau Gaussiennes.
[00109] A chaque époque du nombre de M d'époques de l'entrainement du réseau de neurones adaptatif, la fonction coût est minimisée, et donc le premier terme et le deuxième termes de la fonction sont minimisés.
[00110] Le paramètre o est estimé à chaque époque du nombre d'époques M, avant la minimisation du deuxième terme de la fonction coût.
[00111] La détermination du paramètre o comprend une pluralité de sous-étapes décrites dans la suite.
[00112] Pour chaque couche une première sous-étape de détermination du paramètre o est une sous-étape de détermination d'une longueur Lmax , représentant la longueur maximale entre la longueur LmΤ et la longueur Lms.
[00113] Une deuxième étape du procédé 100 d'estimation est une étape de rééchantillonnage de chaque signal en une image , en deux dimensions sur une échelle de gris et de chaque signal en une image en deux dimensions sur une échelle de gris.
[00114] Chaque colonne de l'image comprend un nombre de pixels égal à et chaque ligne de comprend un nombre de pixels égal à
[00115] Chaque colonne de l'image verticale comprend un nombre de pixels égal à et chaque ligne de l'image comprend un nombre de pixels égal à [00116] La [Fig. 2] est une représentation de l'étape de rééchantillonnage en deux- dimensions d'un signal de longueur M.
[00117] Une deuxième sous-étape de détermination du paramètre o est une sous- étape de construction d'une matrice représentant un noyau gaussien de taille et de variance à partir de la dernière ligne d'un triangle de pascal d'ordre
[00118] La construction de la matrice est réalisée à partir d'un vecteur comportant colonnes et une ligne et représentant la dernière ligne du triangle de pascal d'ordre
[00119] La matrice est égale à étant la transposée de
[00120] La matrice représente une reproduction du noyau gaussien de taille la valeur centrale de la matrice étant la valeur maximale, les valeurs de ladite matrice diminuant petit à petit en s'éloignant du centre, afin d'arriver aux coins de la matrice présentant des valeurs égales à 1 .
[00121] Par exemple, pour la dernière ligne d'un triangle de Pascal d'ordre 5 est le vecteur suivant : [1 4 6 4 1],
[00122] Ainsi, pour
[00123] Ainsi N
[00124] L'image d'une matrice représentant un noyau gaussien de taille
28*28 est représentée dans la [Fig. 3].
[00125] Une troisième sous-étape de détermination du paramètre o est une sous- étape de calcul de la variance du noyau gaussien représenté par la matrice La matrice représente le noyau Gaussien de formule suivante : La fonction est maximale lorsque le terme exponentiel tend vers 1 , ainsi et vaut
[00126] Notons la valeur maximale de la matrice ainsi, ce qui permet d'obtenir : x
[00127]
[00128] ne dépend pas de l'époque d'entrainement, ainsi, peut être calculé uniquement à la première époque puis réutilisé pour chaque époque parmi le nombre d'époques M, ou recalculé à chaque époque.
[00129] Une quatrième sous-étape de détermination du paramètre o est une sous- étape de calcul de d'une matrice
[00130] est calculé à partir de la formule
[00131] est calculé à partir de la formule
[00132] est calculé à partir de la formule
[00133] De préférence, Chaque coefficient de la matrice oss est égal à
[00134] De préférence Chaque coefficient de la matrice δTΤ est égal à
[00135] De préférence, Chaque coefficient δST(P) de la matrice δSΤ est égal à [00136] Selon un mode de réalisation ,P est égal à 1. Ainsi, dans ce mode de réalisation,
[00137] De préférence, P est égal à 5. Un nombre P égal à 5 permet d'obtenir un d'équilibre entre le temps de calcul de la fonction de coût adaptative et une précision satisfaisante de l'estimation de la différence de distributions
[00138] Ainsi, la matrice dépend de chaque époque d'entrainement, l'ensemble et l'ensemble étant modifiés à chaque époque d'entrainement du nombre M d'époques.
[00139] Le procédé d'estimation de la matrice comprend une étape de calcul de la matrice à partir du produit de la variance et de la matrice
[00140] De préférence
[00141] Ainsi, le paramètre égal à l'ensemble est estimé selon les sous- étapes précédentes.
[00142] Le procédé 100 comprend une étape d'utilisation 103 sur chaque signal de la base de données cible du réseau de neurones artificiels adaptatif, entraîné, pour associer une classe de fonctionnement au dit signal.

Claims

REVENDICATIONS
[Revendication 1] Procédé (100) de surveillance automatique d'au moins une pièce tournante d'une machine tournante, à partir d'une base de données non étiquetée dite base de données cible comprenant au moins un signal temporel issu d'une distribution T, le signal temporel étant généré à partir de la pièce tournante, et à partir à partir d'une base de données source comprenant une pluralité de signaux temporels issus d'une distribution S différente de la distribution T, chaque signal temporel de la base de données source étant généré à partir d'une pièce tournante source d'une machine tournante source et étant associé à une classe de fonctionnement parmi un ensemble des classes de fonctionnement comprenant au moins une classe de fonctionnement nominal et une classe de fonctionnement défectueux, le procédé étant caractérisé en ce qu'il comprend les étapes suivantes :
- Entrainement (101 ) d'un premier réseau de neurones entraîné capable d'associer à un signal temporel non stationnaire issu de la distribution S une classe de fonctionnement parmi l'ensemble de classes de fonctionnement, le premier réseau de neurones comprenant une première partie d'extraction de caractéristiques et une deuxième partie de classification, le réseau de neurones artificiels étant entraîné sur la base de données source,
- Entrainement (102) d'un réseau de neurones artificiels dit adaptatif selon un nombre d'époques M d'entrainements, pour obtenir un réseau de neurones artificiels entraîné capable d'associer à un signal temporel issu d'une distribution union de S et de T une classe parmi l'ensemble des classes de fonctionnement, le réseau de neurones adaptatif comprenant une première partie d'extraction de caractéristiques, correspondant à la première partie du premier réseau de neurones, et une deuxième partie d'adaptation de la distribution S vers la distribution T et de classification, le réseau de neurones artificiels étant entraîné simultanément sur les bases de données source et cible, l'entrainement étant réalisé par minimisation d'une fonction coût comprenant : o un premier terme correspondant à l'erreur entre la classe obtenue par le réseau de neurones pour chaque signal de la base de données source et la classe associée au dit signal de la base de données sources; o un deuxième terme calculé à partir d'au moins un écart maximal moyen entre une fonction de la base de données source et une fonction de la base de données cible, l'écart maximal moyen étant calculé à partir d'au moins une fonction noyau Gaussienne de paramètre o, le paramètre o étant estimé à partir d'un triangle pascal, le paramètre o étant relatif à une variance de la fonction noyau Gaussienne et étant dépendant de chaque époque d'entrainement, la fonction noyau Gaussienne, d'ordre étant déterminée à partir de la dernière ligne d'un triangle de pascal de taille
- Utilisation (103) sur chaque signal de la base de données cible du réseau de neurones artificiels adaptatif, entraîné, pour associer une classe de fonctionnement au dit signal.
[Revendication 2] Procédé (100) selon l'une quelconques de revendications précédente caractérisé en ce que la première partie du réseau de neurones adaptatif comprend un nombre de couches étant un entier naturel supérieur ou égal à 1 et en ce que la deuxième partie du réseau de neurones adaptatif comprend un nombre de couches Nc2, Nc2 étant un entier naturel supérieur ou égal à 1 , le deuxième terme de la fonction coût étant calculé sur une ou plusieurs couches appartenant à la deuxième partie du réseau de neurones, et situées avant une dernière couche de la deuxième partie.
[Revendication s] Procédé (100) selon l'une quelconques des revendications précédentes caractérisé en ce que la surveillance est réalisée pour une pluralité de pièces tournantes de machines tournantes et en ce que base de données cible comprend une pluralité de signaux notée
[Revendication 4] Procédé selon les revendications 2 et 3 caractérisé en ce que la pluralité de signaux de la base de données source est notée et en ce que le deuxième terme de la fonction coût est calculé à chaque époque à partir de la fonction l'ensemble de signaux représentant la sortie de la m-ième couche du réseau de neurones artificiels adaptatif pour une entrée , chaque signal ayant une longueur et l'ensemble de signaux représentant la sortie de la m-ième couche du réseau de neurones artificiels adaptatif pour une entrée XT , chaque signal ayant une longueur m étant un entier compris dans un ensemble Ncc comprenant chaque numéro de couche de la deuxième partie à partir de laquelle un écart maximal moyen est calculé, avec :
Avec :
- avec la variance de la fonction noyau Gaussiene kp relative à l'ensemble
- avec la variance de la fonction noyau gaussienne relative à l'ensemble
- avec la variance de la fonction noyau Gaussienne kp relative à l'ensemble et à l'ensemble
P étant un entier naturel supérieur ou égal à 1 , chaque vecteur étant noté O , chaque vecteur étant noté , chaque vecteur étant étant notée , le paramètre étant égal à l'ensemble
[Revendication 5] Procédé (100) selon la revendication précédente caractérisé en ce que l'étape d'entrainement (102) du réseau de neurones adaptatif est réalisée selon un nombre d'époques M, et en ce que pour chaque époque du nombre d'époques M, le paramètre est estimé selon les sous-étapes suivantes :
- Pour chaque couche o Détermination de max, max étant la longueur maximale entre la longueur de chaque signal de l'ensemble et chaque signal de l'ensemble o Rééchantillonnage de chaque signal en une image en deux dimensions de taille et rééchantillonnage de chaque signal en une image en deux dimensions de taille o Détermination d'une variance d'une fonction noyau
Gaussienne d'ordre selon les sous-étapes suivantes :
■ Construction d'une matrice représentant un noyau gaussien d'ordre la matrice égale représentant la dernière ligne d'un triangle de pascal d'ordre étant la transposée de
■ Calcul de la variance à partir de la formule : étant égal à la valeur maximale de la matrice o Calcul d'un vecteur selon les sous-étapes suivantes :
Calcul de à partir
Calcul de à partir Calcul de à partir o Calcul de selon la formule suivante :
[Revendication 6] Procédé (100) selon la revendication précédente caractérisé en ce que :
- chaque coefficient o
- chaque coefficient étant égal à
- chaque coefficient (P) étant égal à
[Revendication 7] Procédé (100) selon l'une quelconques des revendications 4 à 6 caractérisé en ce que P est égal à 5.
[Revendication 8] 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.
EP23730169.2A 2022-05-20 2023-05-17 Procédé automatique de surveillance de pièces tournantes de machines tournantes par adaptation de domaines Pending EP4526639A1 (fr)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR2204874A FR3135781B1 (fr) 2022-05-20 2022-05-20 procédé automatique de surveillance de pièces tournantes de machines tournantes par adaptation de domaines.
PCT/FR2023/050716 WO2023222985A1 (fr) 2022-05-20 2023-05-17 Procédé automatique de surveillance de pièces tournantes de machines tournantes par adaptation de domaines

Publications (1)

Publication Number Publication Date
EP4526639A1 true EP4526639A1 (fr) 2025-03-26

Family

ID=86760476

Family Applications (1)

Application Number Title Priority Date Filing Date
EP23730169.2A Pending EP4526639A1 (fr) 2022-05-20 2023-05-17 Procédé automatique de surveillance de pièces tournantes de machines tournantes par adaptation de domaines

Country Status (5)

Country Link
US (1) US20250371222A1 (fr)
EP (1) EP4526639A1 (fr)
CN (1) CN119256217B (fr)
FR (1) FR3135781B1 (fr)
WO (1) WO2023222985A1 (fr)

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020013664A1 (en) * 2000-06-19 2002-01-31 Jens Strackeljan Rotating equipment diagnostic system and adaptive controller
CN110176033A (zh) * 2019-05-08 2019-08-27 北京航空航天大学 一种基于概率图的混合概率逆深度估计方法
CN112733612A (zh) * 2020-12-18 2021-04-30 华中科技大学 一种跨领域的旋转机械故障诊断模型建立方法及其应用
CN113705105B (zh) * 2021-08-31 2025-02-11 长安大学 一种不同负载滚动轴承故障诊断方法

Also Published As

Publication number Publication date
WO2023222985A1 (fr) 2023-11-23
FR3135781B1 (fr) 2024-04-12
FR3135781A1 (fr) 2023-11-24
CN119256217B (zh) 2025-12-30
CN119256217A (zh) 2025-01-03
US20250371222A1 (en) 2025-12-04

Similar Documents

Publication Publication Date Title
EP0573357B1 (fr) Procédé de diagnostic d'un processus évolutif
US12498710B2 (en) Sensor-agnostic mechanical machine fault identification
Kumar et al. Multi-size wide kernel convolutional neural network for bearing fault diagnosis
EP4384792A1 (fr) Procédé de détection d'un défaut de roulement d'un système rotatif et système de surveillance mettant en oeuvre ce procédé
CN108548671B (zh) 一种基于自动编码器的轴系转速大波动的故障诊断方法
EP3923104B1 (fr) Procédé et système de contrôle d'un niveau d'endommagement d'au moins une pièce d'aéronef, aéronef associé
CN118190412A (zh) 一种基于深度学习的轴承故障诊断方法及装置
WO2023222985A1 (fr) Procédé automatique de surveillance de pièces tournantes de machines tournantes par adaptation de domaines
Luo et al. Bearing fault diagnosis based on multi-scale spectral images and convolutional neural network
Sharma et al. Bearing fault classification using acoustic features and artificial neural network
CN119128664B (zh) 一种适配云端服务器的车辆故障诊断模型训练方法及装置
EP2766825B1 (fr) Systeme et procede non supervise d'analyse et de structuration thematique multi resolution de flux audio
KR102916313B1 (ko) 회전 기계의 결함 진단 장치 및 결함 진단 방법
WO2023187287A1 (fr) Procédé de surveillance de l'état de santé de turbomachine d'aéronef
FR2905763A1 (fr) Procede et systeme de diagnostic d'un aeronef a partir de mesures effectuees sur l'aeronef.
CN118133118A (zh) 一种轴承故障类型检测方法和系统
Wagner et al. Feature Based Bearing Fault Detection With Phase Current Sensor Signals Under Different Operating Conditions
CN116756484A (zh) 用于卷烟设备的多信号融合故障检测方法、装置和介质
FR2977341A1 (fr) Procede de surveillance d'un aeronef par acquisitions vibratoires
Batistakis et al. An ai-based prediction-as-a-service model for estimating machine bearing health status in industry 4.0 5g applications
CN117195125B (zh) 一种无监督迁移学习的滚动轴承故障诊断方法
WO2023099849A1 (fr) Procédé de diagnostic automatique d'une pièce
CN120293525A (zh) 一种面向轴承故障数据不平衡的数字孪生辅助诊断方法
Hunt-Pain Application of machine learning to gearbox condition monitoring with rate of change of torque sensors
FR3140946A1 (fr) Procédé de détection d’un mode de fonctionnement d’une machine tournante, notamment pour un aéronef en cours de vol

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: 20241211

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)