EP4643108A1 - Procédé de détermination d'un indicateur de défaut structurel - Google Patents

Procédé de détermination d'un indicateur de défaut structurel

Info

Publication number
EP4643108A1
EP4643108A1 EP23841607.7A EP23841607A EP4643108A1 EP 4643108 A1 EP4643108 A1 EP 4643108A1 EP 23841607 A EP23841607 A EP 23841607A EP 4643108 A1 EP4643108 A1 EP 4643108A1
Authority
EP
European Patent Office
Prior art keywords
vibration signal
spectral components
vehicle
signal
acquired
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
EP23841607.7A
Other languages
German (de)
English (en)
Inventor
Jean Wellington PEREIRA-CLAUDINO
Jean-François CARENO
Eric VITON
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.)
Developpement Et Production Pour L'industrie Et L'automotive Dpia
Original Assignee
Developpement Et Production Pour L'industrie Et L'automotive Dpia
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 Developpement Et Production Pour L'industrie Et L'automotive Dpia filed Critical Developpement Et Production Pour L'industrie Et L'automotive Dpia
Publication of EP4643108A1 publication Critical patent/EP4643108A1/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
    • G01M17/00—Testing of vehicles
    • G01M17/007—Wheeled or endless-tracked vehicles
    • G01M17/04—Suspension or damping
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60G—VEHICLE SUSPENSION ARRANGEMENTS
    • B60G17/00—Resilient suspensions having means for adjusting the spring or vibration-damper characteristics, for regulating the distance between a supporting surface and a sprung part of vehicle or for locking suspension during use to meet varying vehicular or surface conditions, e.g. due to speed or load
    • B60G17/015—Resilient suspensions having means for adjusting the spring or vibration-damper characteristics, for regulating the distance between a supporting surface and a sprung part of vehicle or for locking suspension during use to meet varying vehicular or surface conditions, e.g. due to speed or load the regulating means comprising electric or electronic elements
    • B60G17/018—Resilient suspensions having means for adjusting the spring or vibration-damper characteristics, for regulating the distance between a supporting surface and a sprung part of vehicle or for locking suspension during use to meet varying vehicular or surface conditions, e.g. due to speed or load the regulating means comprising electric or electronic elements characterised by the use of a specific signal treatment or control method
    • B60G17/0185—Resilient suspensions having means for adjusting the spring or vibration-damper characteristics, for regulating the distance between a supporting surface and a sprung part of vehicle or for locking suspension during use to meet varying vehicular or surface conditions, e.g. due to speed or load the regulating means comprising electric or electronic elements characterised by the use of a specific signal treatment or control method for failure detection
    • 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
    • G01M17/00—Testing of vehicles
    • G01M17/007—Wheeled or endless-tracked vehicles
    • G01M17/02—Tyres
    • G01M17/025—Tyres using infrasonic, sonic or ultrasonic vibrations
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M17/00—Testing of vehicles
    • G01M17/08—Railway vehicles
    • G01M17/10—Suspensions, axles or wheels
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60G—VEHICLE SUSPENSION ARRANGEMENTS
    • B60G2200/00—Indexing codes relating to suspension types
    • B60G2200/30—Rigid axle suspensions
    • B60G2200/31—Rigid axle suspensions with two trailing arms rigidly connected to the axle
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60G—VEHICLE SUSPENSION ARRANGEMENTS
    • B60G2202/00—Indexing codes relating to the type of spring, damper or actuator
    • B60G2202/10—Type of spring
    • B60G2202/11—Leaf spring
    • B60G2202/112—Leaf spring longitudinally arranged
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60G—VEHICLE SUSPENSION ARRANGEMENTS
    • B60G2400/00—Indexing codes relating to detected, measured or calculated conditions or factors
    • B60G2400/10—Acceleration; Deceleration
    • B60G2400/102—Acceleration; Deceleration vertical
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60G—VEHICLE SUSPENSION ARRANGEMENTS
    • B60G2400/00—Indexing codes relating to detected, measured or calculated conditions or factors
    • B60G2400/20—Speed
    • B60G2400/204—Vehicle speed
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60G—VEHICLE SUSPENSION ARRANGEMENTS
    • B60G2600/00—Indexing codes relating to particular elements, systems or processes used on suspension systems or suspension control systems
    • B60G2600/02—Retarders, delaying means, dead zones, threshold values, cut-off frequency, timer interruption
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60G—VEHICLE SUSPENSION ARRANGEMENTS
    • B60G2600/00—Indexing codes relating to particular elements, systems or processes used on suspension systems or suspension control systems
    • B60G2600/08—Failure or malfunction detecting means
    • B60G2600/084—Supervisory systems
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60G—VEHICLE SUSPENSION ARRANGEMENTS
    • B60G2600/00—Indexing codes relating to particular elements, systems or processes used on suspension systems or suspension control systems
    • B60G2600/18—Automatic control means
    • B60G2600/188—Spectral analysis; Transformations
    • B60G2600/1882—Fourier
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60G—VEHICLE SUSPENSION ARRANGEMENTS
    • B60G2800/00—Indexing codes relating to the type of movement or to the condition of the vehicle and to the end result to be achieved by the control action
    • B60G2800/80—Detection or control after a system or component failure
    • B60G2800/802—Diagnostics

Definitions

  • the present invention relates to the field of methods for detecting mechanical defects in the ground connection elements of vehicles, such as trucks or trains.
  • Some vehicles have an axle or multiple axles on which the vehicle frame rests via suspension springs, such as leaf springs. It happens that a spring suffers damage during the life of the vehicle, caused by mechanical stress. Cracks can gradually propagate in one or more spring leaves. The propagation of cracks can sometimes lead to total spring failure due to fatigue, which can create a dangerous situation and also immobilize the vehicle.
  • suspension springs such as leaf springs.
  • the present disclosure aims to improve this situation by proposing an improved method for establishing the presence of a defect in a more precise and robust manner, so that corrective action can be anticipated.
  • the invention proposes a method for determining a structural defect indicator of an element of a land vehicle running gear, the method comprising the steps:
  • the spectral components of the series of spectral components are determined by fast Fourier transform of the samples of the vibration signal acquired during the time window.
  • Each spectral component of a series of spectral components of the vibration signal is thus a value calculated over the entire corresponding acquisition time window.
  • the structural defect is a crack in the running gear element.
  • the element of the running gear is an elastic suspension element of the vehicle.
  • the elastic suspension element is for example a leaf spring.
  • the leaf spring is disposed between an axle of the vehicle and a frame of the vehicle.
  • the elastic suspension element may be a helical spring.
  • the elastic suspension element can be a torsion bar.
  • the elastic suspension element can be a pneumatic cushion.
  • the vehicle chassis may be a self-supporting body of the vehicle.
  • the structural defect is a defect in a bearing of a wheel connected to the axle.
  • a structural defect such as damage to a ball or part of the raceway of one of the bearing rings modifies the vibration response of the running gear and can be detected by analysis of the acquired vibration signal.
  • the structural defect is a structural defect of a tire of a wheel connected to the axle.
  • a structural defect such as a deformation of a running gear tire modifies the vibration response of the running gear and can be detected by analysis of the acquired vibration signal.
  • the structural defect is an overload of the axle.
  • the structural defect is an excessive reduction in the damping coefficient of the relative movements of the axle relative to the vehicle chassis.
  • Wear of the axle oscillation dampers can also be detected by analyzing the acquired vibration signal.
  • the vehicle is a truck or a van.
  • the vehicle is railway rolling stock, such as a wagon or a train locomotive.
  • the vibration signal is an acceleration signal from an acceleration sensor.
  • the acceleration sensor is for example placed on the element of the vehicle's running gear.
  • the acceleration sensor is then placed on the element whose operating state we want to monitor.
  • the acceleration sensor is placed on the axle.
  • the acceleration sensor is placed on the chassis of the vehicle.
  • the acceleration sensor is placed on an element other than the element to be monitored, while being mechanically linked to the element to be monitored. Installation of the acceleration sensor is thus made easier since the number of installation possibilities is increased.
  • the method can jointly use the signal from several acceleration sensors arranged on different elements of the running gear or on the chassis.
  • the acceleration sensor is a three-axis sensor.
  • the acceleration sensor may be a single-axis sensor.
  • the sampling frequency is greater than 30 Hz.
  • the acquisition frequency, also called sampling frequency, of the vibration signal of the accelerometer is between 25 kHz and 35 kHz, for example example equal to 32 kHz.
  • each sequence of the set of sequences of spectral components of the vibration signal is obtained by averaging a plurality of sequences of spectral components corresponding to a plurality of elementary acquisition windows of the signal vibratory.
  • the plurality of elementary acquisition windows can include between 5 acquisition windows and 100 acquisition windows.
  • the duration of a time window W for acquiring the vibration signal V can be configured.
  • the duration of a time window for acquiring the vibration signal is for example between 2 seconds and 200 seconds.
  • the duration of a time window for acquiring the vibration signal can be equal to 100 seconds.
  • the time windows for acquiring the vibration signal can be contiguous.
  • the method comprises a step:
  • the process may include a step:
  • the method comprises a step:
  • the method may include a data normalization step.
  • a data normalization step By this we mean that the scale of the signals is rescaled so as to have a zero mean and a standard deviation equal to 1.
  • the data used for the rest of the process steps are thus those of the set of sequences of normalized spectral components.
  • Step (iv) of determining a structural defect indicator method comprises a step (iv1) of reducing the dimensions of the set of sequences of spectral components of the vibration signal, so as to obtain a set of sequences reduced combinations of spectral components of the vibration signal.
  • Each reduced sequence includes a number of spectral components less than the number of spectral components determined in step (ii).
  • the dimension reduction step makes it possible to reduce the complexity of the calculations carried out, while retaining the components best characterizing the acquired data.
  • step (iv1) of reducing the dimensions of the set of sequences of spectral components of the vibration signal implements an unsupervised algorithm for dimension reductions.
  • An unsupervised algorithm allows simple adaptation to a wide variety of technical definitions. Indeed, an unsupervised type machine learning algorithm makes it possible to construct mathematical models based on actually observed data, which here are the acquired samples of the vibration signal.
  • Step (iv1) of reducing the dimensions of the set of sequences of spectral components of the vibration signal is thus carried out by encoding a series of spectral components of the vibration signal, using a network encoder pretrained autoencoder, in a small latent space.
  • a principal component analysis algorithm is another example of a usable algorithm.
  • the unsupervised dimension reduction algorithm generates a dimension reduction model.
  • the set of reduced sequences of spectral components can thus be determined by a model obtained by automatic learning.
  • the process can thus automatically adapt to the mechanical configuration on which the process is used.
  • a reduced sequence of spectral components comprises for example seven elements.
  • a reduced series of spectral components comprises for example three elements.
  • a reduced sequence of spectral components comprises for example two elements.
  • the dimension reduction model of the set of sequences of spectral components of the vibration signal can be obtained by automatic learning of the vibration signal from a subset of time windows acquired under reference conditions in which the The running gear element is free from structural defects.
  • the process includes a step:
  • the model for reconstructing the spectral components of the acquired vibration signal is thus based on automatic learning of the vibration signal from a subset of time windows acquired under reference conditions in which the element of the running gear is free from structural defects.
  • the reconstruction model of spectral components of the acquired vibration signal is obtained by inversion of the dimension reduction model.
  • the reconstruction model can thus be easily determined from the model already constituted for the reduction of dimensions of the acquired data.
  • the method comprises a step:
  • the difference between the series of spectral components of the acquired vibration signal and the reconstructed series of spectral components of the vibration signal is determined for all of the spectral components of the vibration signal.
  • the spectral components of the signal are reconstructed for all of the spectral frequencies, and the difference between the original signal and the reconstructed signal is also determined by taking into account all of the spectral frequencies, that is to say all the frequency information of the signal.
  • the difference between the series of spectral components of the acquired vibration signal and the reconstructed series of spectral components of the vibration signal is determined for a subset of spectral components.
  • the subset of spectral components is included in the suite of spectral components of the acquired vibration signal.
  • the difference determined is the Euclidean distance between the series of spectral components of the acquired vibration signal and the reconstructed series of spectral components of the vibration signal.
  • the method comprises a step:
  • the learning carried out in the reference conditions makes it possible to define the threshold defining the fault.
  • the process can thus be automatically adapted to any mechanical configuration.
  • the threshold for defining a fault can be updated periodically as data acquired under reference conditions is collected. The robustness of the process is thus improved.
  • the method comprises a step:
  • the structural defect indicator takes a first value corresponding to an absence of structural defect
  • the structural defect indicator takes a second value corresponding to the presence of a structural defect.
  • the structural defect indicator can take discrete values, a first value corresponding to an absence of structural defect and a second value corresponding to the presence of a structural defect.
  • the method comprises a step:
  • the alert signal emitted makes it possible to trigger an in-depth analysis of the vehicle's component and to anticipate a failure.
  • the process can thus include the steps:
  • the alert signal may be a fault code stored in an electronic control unit.
  • the alert signal can be the lighting of a light.
  • the alert signal can be a message sent to a vehicle manager.
  • the disclosure also concerns a device for detecting structural defects in an element of a land vehicle running gear, comprising:
  • the electronic control unit is external to the vehicle, and the detection device comprises a communication means configured to transmit the acquisitions or the spectral components of the accelerometer signal to the electronic control unit.
  • the detection device thus comprises an on-board calculation means configured to determine the set of sequences of spectral components of the vibration signal.
  • on-board calculation means we mean a calculation means present on the vehicle.
  • the signal transmitted to the control unit external to the vehicle can be a frequency signal or a raw time signal. Transmitting a frequency signal makes it possible to limit the quantity of data exchanged. Alternatively, the raw time signal and the frequency signal may both be transmitted.
  • Figure 1 is a schematic representation of a vehicle comprising a structural defect detection device in an element of a running gear
  • Figure 2 is a detail of the running gear of the vehicle of Figure 1,
  • Figure 3 is a schematic time curve illustrating the vibration signal acquisition step
  • Figure 4 is a curve illustrating the temporal evolution of the acquired vibration signal
  • Figure 5 is a view illustrating a particular step of the process
  • Figure 6 is a diagram illustrating certain steps of the process
  • Figure 7 is a view illustrating another particular step of the process
  • Figure 8 is a view illustrating another particular step of the process
  • Figure 9 is a block diagram illustrating different stages of the process according to the invention.
  • FIG. 1 shows a land vehicle 100 comprising a running gear 20.
  • the running gear 20 designates all of the mechanical components participating in the connection between the chassis 2 of the vehicle and the ground on which the vehicle moves.
  • Vehicle 100 is here is a truck.
  • the running gear 20 comprises an axle 1 connected to the chassis 2 by an elastic element 10.
  • the elastic element here is a leaf spring, or more precisely a leaf spring arranged near each of the ends of the axle 1.
  • the axle 1 comprises at each of its ends a wheel 4 linked to the axle by a bearing 3.
  • the wheel 4 is equipped with a tire 5.
  • structural defect we mean a mechanical anomaly affecting the mechanical properties of the organ considered. Such a structural defect can eventually lead to a failure of the running gear, which can degrade the operation of the vehicle and possibly render it inoperable. Even if the running gear is generally inspected during vehicle maintenance phases, it is desirable to be able to detect a possible structural defect in one of the elements of the running gear during use of the vehicle, in order to be able to remedy this defect. and anticipate possible failures.
  • a method is thus proposed for determining an indicator I of a structural defect of an element 10 of a running gear 20 of a land vehicle 100, the method comprising the steps:
  • the structural defect is a crack in element 10 of running gear 20.
  • the element 10 of the running gear 20 is here an elastic suspension element of the vehicle 100.
  • the elastic suspension element 10 is here a leaf spring.
  • the leaf spring 10 is arranged between an axle 1 of the vehicle and a chassis 2 of the vehicle.
  • the elastic suspension element 10 can be a helical spring. According to yet another example not illustrated, the elastic element of suspension 10 is a torsion bar. According to another example not illustrated, the elastic suspension element 10 is a pneumatic cushion.
  • the chassis 2 comprises two parallel longitudinal members connected by transverse crosspieces, and a cabin rests on the chassis 2.
  • the chassis 2 of the vehicle 100 can be a self-supporting body of the vehicle 100.
  • the structural defect may in particular be a defect in a bearing 3 of a wheel 4 connected to the axle 1.
  • the structural defect may also be a structural defect in a tire 5 of a wheel 4 connected to the axle 1 .
  • the structural defect can also be an overload of axle 1.
  • the structural defect can also be wear of the axle oscillation dampers.
  • the vibration response of the running gear 20 is modified. It is thus possible to detect the presence of a structural defect by analyzing the acquired vibration signal.
  • the frequency range in which the signal is used varies depending on the nature of the fault and the targeted application.
  • Vehicle 100 here is a truck.
  • the vehicle can also be a van.
  • the vehicle 100 is railway rolling stock.
  • the vehicle 100 can thus be a wagon or a train locomotive. In this case, the cabin of the wagon, or locomotive, rests on a series of bogies suspended by a set of elastic elements like leaf springs.
  • the vibration signal V is an acceleration signal from an acceleration sensor 7.
  • the acceleration sensor 7 can be installed on different elements or organs.
  • the acceleration sensor 7 is fixed rigidly, for example by gluing, to the exterior surface of a member linked to the running gear 20.
  • the acceleration sensor 7 can be placed on the element 10 of the running gear 20 of the vehicle. In the example illustrated in Figure 2, an acceleration sensor 7 is placed on the leaf spring 10. The acceleration sensor 7 is thus integral with the element whose operating state we want to monitor.
  • the acceleration sensor 7 is arranged on the axle 1.
  • the acceleration sensor 7 is arranged on the chassis 2 of the vehicle 100. [115] In these two configurations, the acceleration sensor 7 is placed on an element other than the element to be monitored. The installation of the acceleration sensor 7 is thus facilitated, since it can then be installed in a more accessible location and less exposed to possible projections from the wheels, such as for example the chassis of the vehicle.
  • the method can use in parallel several signals acquired simultaneously by several acceleration sensors arranged on different elements of the running gear or on the chassis. For example, it is possible to use an acceleration sensor placed on a leaf spring and another acceleration sensor placed on the chassis. It is also possible to use an acceleration sensor arranged on a leaf spring and an acceleration sensor arranged on the corresponding axle. It is also possible to jointly use a third acceleration sensor placed on the chassis.
  • the vibration signal V is associated with the element 10 of the running gear 20, because the vibration signal V accounts for the vibrations within the element 10 of the running gear 20, even when fixed on another mechanical organ as element 10, such as the axle or the chassis of the vehicle.
  • the acceleration sensor 7 is for example a three-axis sensor.
  • the sensor delivers a signal depending on the acceleration in the three directions of space.
  • the Z direction represents the vertical axis
  • the X direction represents the longitudinal axis of the vehicle
  • the Y direction represents the transverse direction of the vehicle.
  • a three-axis sensor is thus sensitive to accelerations along each of the X, Y, Z axes.
  • the acceleration sensor 7 can be a single-axis sensor.
  • sensor 7 delivers a signal linked to acceleration in a single direction.
  • the sensor is installed so as to be preferentially sensitive to acceleration along the vertical axis Z.
  • the acceleration sensor 7 delivers an analog signal.
  • the bandwidth of acceleration sensor 7 is greater than 30 Hz.
  • the bandwidth of acceleration sensor 7 is between 25 kHz and 35 kHz.
  • An acquisition device 8 acquires the signal V from the accelerometer 7. During an acquisition time window W, the vibration signal V is sampled at a predetermined acquisition frequency Fa.
  • the frequency of acquisition Fa of the vibration signal V is preferably constant.
  • acquisition frequency and sampling frequency are equivalent terms.
  • the acquisition frequency Fa also called sampling frequency, of the vibration signal V of the accelerometer 7 is greater than 30 Hz.
  • the acquisition frequency Fa can be between 25 kHz and 35 kHz. This sampling frequency is for example equal to 32 kHz.
  • Figure 3 schematically illustrates the acquisition time windows.
  • a plurality of successive acquisition windows, designated by increasing indices ranging from Wk to Wk+6 are represented.
  • the arrows designated by the sign g schematically illustrate the sampling times.
  • the sampling times are separated by a duration Ta equal to the reciprocal of the sampling frequency Fa.
  • sampling times were represented only for the temporal acquisition window Wk of index k, and were not represented for the other windows.
  • Each acquisition time window generates a plurality of measurement samples, each measurement sample corresponding to a value of the vibration signal V sampled at a given time.
  • the number of samples contained in an acquisition window depends on the duration of this acquisition window and the sampling frequency used.
  • the measurement samples included in an acquisition time window can be designated by the term “content of the acquisition window”.
  • the time windows for acquisition of the vibration signal V are contiguous.
  • the start of an acquisition time window Wj corresponds to the end of the previous acquisition window Wj-i.
  • the time windows of acquisition of the vibration signal V can be disjoint, that is to say that an acquisition time window Wj begins later than the end of the window of previous acquisition Wj.-i.
  • Figure 4 illustrates the appearance of the vibration signal V during a total acquisition duration of 30 minutes.
  • the peaks included for example between times ti and t2 correspond to operating phases in which the accelerations are the highest. Many other peaks are visible, for example around the time designated by ta.
  • the proposed method uses the characteristics of the acceleration signal in the frequency domain, and therefore determines the spectral components of the acquired vibration signal V.
  • the set of spectral components (A1, A2, ..., Ap) of the signal acquired during a given acquisition window is designated by the term 'sequence' S.
  • the spectral components (A1, A2, ..., Ap) of the sequence S of spectral components are for example determined by fast Fourier transform of the samples of the vibrational signal V acquired during the time window W.
  • Each spectral component (A1, A2, ..., Ap) of a sequence Sk of spectral components of the vibration signal V is thus a value calculated over the entire corresponding acquisition time window Wk.
  • the components (A1, A2, ..., Ap) of a sequence Sk of spectral components are for example calculated in decibels.
  • Each component Ai of a sequence Sk of spectral components corresponds to a frequency Fi.
  • the component designated by Ai is the i th spectral component of the sequence Sk.
  • the frequency range Fi extends for example from 0.5 Hz to 16 kHz.
  • the set of sequences Si, ..., S n of spectral components is presented as a two-dimensional matrix.
  • the columns can correspond to the different spectral components (A1, A2, ..., Ap), rows in ascending order.
  • the matrix lines then correspond to the different acquisition time windows Wi, ..., W n , arranged in chronological order of acquisition. It is of course possible to arrange the different spectral frequencies in rows, and the different temporal samples in columns, that is to say transpose the matrix.
  • the duration of a time window W for acquiring the vibration signal V can be configured.
  • the duration of a time window W for acquiring the vibration signal V can be between 2 seconds and 200 seconds.
  • the duration of a time window W for acquiring the vibration signal V is for example equal to 100 seconds.
  • each sequence Sk of the set of sequences Si, ..., S n of spectral components of the vibration signal V is obtained by averaging a plurality of sequences of spectral components corresponding to a plurality of elementary acquisition windows of the vibration signal V.
  • the plurality of elementary acquisition windows can include for example between 5 acquisition windows and 100 acquisition windows. [137] In other words, rather than using an acquisition window W of a given duration, it is also possible to use several acquisition windows of shorter duration, and to average the results obtained over each of these windows . For example, rather than acquiring the vibration signal V during a time window lasting 100 seconds, it is possible to acquire 50 successive windows each lasting 2 seconds, and to average the results obtained over the 50 windows, also representing 100 seconds of acquisition in all. This averaging step is optional, and the data processing carried out afterwards is identical.
  • the method comprises a step:
  • the threshold Cmin is for example equal to 10 km/h.
  • the forward speed C of the vehicle 100 is lower than the predetermined threshold Cmin for the entire duration of an acquisition window Wj of the vibration signal V, this window acquisition Wj is eliminated from all of the acquired data.
  • the data acquired during this acquisition window Wi are not used by the following steps of the method.
  • the method may include a step:
  • the matrix formed by the set of sequences Si, ..., S n of spectral components (A1, A2, ..., Ap) of the vibrational signal V presents a large number of rows as well as columns.
  • This matrix can include several thousand spectral components and several hundred time windows.
  • most of the variance in the calculated data can be retained by using significantly fewer independent spectral frequencies. Calculations can thus be significantly simplified while maintaining sufficient precision.
  • the method comprises a step:
  • This step can make it possible to eliminate acquisition windows for which signal saturation may occur.
  • the method may include a data normalization step.
  • a data normalization step By this we mean that the scale of the signals is cropped so as to have a zero mean and a standard deviation equal to 1.
  • the cropping transformation here is an affine transformation.
  • the mean and the standard deviation of the spectral components are determined for each sequence Sk of the set of sequences Si, ..., S n .
  • each sample is normalized by subtracting the previously determined mean and dividing the result of this subtraction by the previously determined standard deviation.
  • the normalization step is optional.
  • Step (iv) of determining a structural defect indicator I of the proposed method thus comprises a step (iv1) of reducing the dimensions of the set of sequences Si, ..., S n of spectral components (A1, A2, ..., Ap) of the vibration signal V, so as to obtain a set of reduced sequences SRi, ..., SR n of combinations of spectral components of the vibration signal V.
  • Each reduced sequence SRk comprises a number q of spectral components less than the number p of spectral components determined in step (ii). All reduced sequences have the same number q of spectral frequencies.
  • the dimension reduction step makes it possible to reduce the complexity of the calculations carried out.
  • the number of columns of the matrix forming the set of sequences of spectral components is thus reduced compared to the initial data formed.
  • the number of rows in the matrix remains unchanged, because all acquisition windows are preserved.
  • step (iv1) of reducing the dimensions of the set of sequences Si, ..., S n of spectral components of the vibration signal V implements an unsupervised algorithm of dimensional reductions.
  • An unsupervised algorithm allows simple adaptation to a wide variety of technical definitions.
  • Step (iv1) of reducing the dimensions of the set of sequences of spectral components of the vibration signal is thus carried out by encoding a series of spectral components of the vibration signal, using a network encoder pre-trained autoencoder, in a small latent space.
  • a principal component analysis algorithm commonly referred to by the English acronym “PCA” for “Principal Component Analysis”, is another example of an algorithm that can be implemented to carry out the dimension reduction step.
  • PCA Principal component analysis algorithm
  • the unsupervised dimension reduction algorithm generates a dimension reduction model M.
  • the set of reduced sequences SRi, SR n of spectral components is thus determined by a model M obtained by automatic learning.
  • the process can thus automatically adapt to the mechanical configuration on which the process is used.
  • a reduced sequence SRk of spectral components comprises for example seven elements.
  • a reduced sequence SRk of spectral components includes seven frequency elements.
  • the number q is 7.
  • a reduced sequence SRk of spectral components comprises for example three elements. The number q is thus 3. According to yet another example of implementation of the method, a reduced sequence SRk of spectral components comprises for example two elements. The number q is then 2.
  • the matrix forming the set of sequences of spectral components then only includes 7 columns, 3 columns, 2 columns respectively.
  • the associated calculations can thus be reduced by a large factor compared to the data initially acquired.
  • the matrix includes as many lines as time windows retained after the steps of eliminating windows acquired in unfavorable conditions, for example for vehicle speeds that are too low or too high, as seen previously.
  • the model M for reducing the dimensions of the set of sequences (Si, ..., S n ) of spectral components of the vibrational signal V is obtained by automatic learning of the vibrational signal V from a subset of time windows acquired under reference conditions in which the element 10 of the running gear 20 is free of structural defects.
  • the autoencoder network is trained under conditions in which a structural defect is not present.
  • the content of the time windows acquired under the reference conditions serves as a basis for training the dimension reduction model M.
  • the time windows corresponding to the reference conditions form a subset of the complete set (Wi, W n ) of acquisition windows.
  • Reference conditions are conditions in which no structural defects are present.
  • Figure 5 illustrates results obtained after a reduction of dimensions up to 2 dimensions. The results are thus traceable in a plane, each axis representing a linear combination of spectral frequencies. Each point in the point cloud corresponds to a temporal acquisition window.
  • the horizontal axis C1 corresponds to a first combination of spectral frequencies and the vertical axis C2 corresponds to a second combination of spectral frequencies.
  • each acquisition window can come from an average of a plurality of elementary acquisition windows and certain elementary windows may have been eliminated because they correspond to too low speeds of the vehicle.
  • the next step of the method consists of reconstructing the vibration signal initially acquired, or more precisely the spectral components of the vibration signal acquired, from the reduced series of spectral components determined.
  • the process includes a step:
  • the step of reconstructing the acquired vibration signal is the opposite step of the step of reducing dimensions.
  • Figure 6 schematically illustrates the organization of the different stages of the process, with a series of data processing stages aimed at achieving a reduction in the dimensions of the data from the acquired signal and a series of inverse processing, making it possible to compare the acquired signal and a reconstructed signal.
  • the reconstruction model P of the spectral components A' 1, A'2, A'p of the acquired vibration signal V is thus based on automatic learning of the vibration signal V from a subset of acquired time windows under reference conditions in which the element 10 of the running gear 20 is free of structural defects.
  • the reconstruction model P of the acquired vibration signal V is obtained by inversion of the dimension reduction model M.
  • the reconstruction model can thus be easily determined from the model already constituted for the reduction of dimensions of the acquired data.
  • the dimension reduction step amounts to projecting the multidimensional space formed by the original data onto principal directions of a space of reduced dimension.
  • the original data matrix Y is decomposed into a product of three matrices of the form B x C x D T , the matrices B and D being orthogonal matrices, therefore invertible.
  • D T denotes the transpose matrix of D.
  • the matrix D contains the eigenvectors of the covariance matrix of Y.
  • the reduction in dimensions is done by multiplying the original matrix Y by a projection matrix D' containing a selection of the columns of the matrix D corresponding to the largest eigenvalues of Y.
  • the different columns of the matrix D are ordered by decreasing value, and only the columns containing the highest values are kept.
  • the number of columns retained corresponds to the new dimension, reduced compared to the original dimension. The higher the number of columns retained, the more significant a proportion of the signal variance is preserved.
  • Step (iv1) of dimension reduction and step (iv2) of reconstruction of the spectral components are carried out by matrix calculation, that is to say linear algebra.
  • the step of reconstructing the spectral components A 1, A'2, ..., A'p of the acquired vibrational signal V is ensured by the passage from the latent space to the output layer of the autoencoder.
  • the auto-encoder network ensures both the step (Iv1) of reducing the dimensions of the spectral components as well as the step (iv2) of reconstructing the spectral components.
  • Figure 7 illustrates two examples of comparison between a series of spectral components of the acquired signal and a reconstructed series S'k of spectral components A'1, A'2, A'p.
  • Part A corresponds to a first temporal acquisition window starting at an instant a
  • part B corresponds to another temporal acquisition window starting at another instant b.
  • S a and Sb designate the spectral components of the acquired signal V, in black lines.
  • S' a and S'b designate the spectral components of the reconstructed signal, in lighter lines.
  • the next step of the process consists of comparing the reconstructed vibration signal and the vibration signal initially acquired.
  • the spectral components of the acquired signal and the spectral components reconstructed after dimension reduction are thus compared.
  • the process includes a step:
  • the difference E between the sequence Sk of spectral components (A1, A2, ..., Ap) of the acquired vibrational signal V and the reconstructed sequence S'k of spectral components (A '1, A'2, ..., A'p) of the vibration signal V is determined for all of the spectral components (A1, A2, ..., Ap) of the vibration signal V.
  • the spectral components of the signal are reconstructed for all spectral frequencies, and the difference between the original signal and the reconstructed signal is also determined by taking into account all the spectral frequencies, that is to say all the frequency information of the signal.
  • the difference E between the sequence Sk of spectral components (A1, A2, ..., Ap) of the acquired vibrational signal V and the reconstructed sequence S'k of spectral components (A'1 , A'2, ..., Ap) of the vibration signal V is determined for a subset of spectral components (Ai, ..., Aj).
  • the subset of spectral components is a subset of the sequence (S) of spectral components (A1, A2, ..., Ap) of the acquired vibrational signal V, comprising strictly less of elements than the complete set of the sequence S of spectral components.
  • the spectral components of the signal are also reconstructed for all of the spectral frequencies, but the difference between the original signal and the reconstructed signal is in this case determined by taking into account only certain frequency ranges, which are selected.
  • the difference between the spectral components of the original signal and the spectral components of the reconstructed signal can thus be quantified only in the frequency ranges most favorable for revealing a structural defect. For example, low frequency ranges are generally more suitable for identifying an overload type fault, or reduction in damping effectiveness. High frequency ranges are more suitable for identifying type cracks in a leaf of a leaf spring.
  • the difference between the initially acquired signal and the reconstructed signal can be calculated using different mathematical methods.
  • the difference E determined is the Euclidean distance between the sequence Sk of spectral components (A1, A2, ..., Ap) of the acquired vibrational signal V and the reconstructed sequence S'k of spectral components (A '1, A'2, ..., A'p) of the vibration signal V.
  • the detection threshold Th is determined, this threshold making it possible to differentiate between a state free of structural defect and a state where a structural defect is present.
  • the content of the time windows acquired under the reference conditions serves as a basis for determining the detection threshold Th.
  • the detection threshold Th is thus determined on the basis of measurement samples coming from a running gear element containing no structural defect.
  • the learning carried out in the reference conditions makes it possible to define the detection threshold Th making it possible to establish the presence of a structural defect.
  • the process can thus be automatically adapted to any mechanical configuration.
  • the threshold for defining a fault can be updated periodically as data acquired under reference conditions is collected. The robustness of the process is thus improved.
  • the presence of a fault is determined by comparison between the previously calculated deviation E and the previously determined fault threshold Th.
  • the structural defect indicator I takes a first value I0 corresponding to an absence of structural defect
  • the structural defect indicator I takes a second value 11 corresponding to the presence of a structural defect.
  • the structural defect indicator I can take discrete values, a first value I0 corresponding to an absence of structural defect and a second value 11 corresponding to the presence of a structural defect. More precisely, the structural defect indicator I takes binary values here.
  • Figure 8 illustrates the behavior of the deviation variable E for a first vehicle not presenting a defect and a second vehicle presenting a defect. More precisely, ; the vertical axis represents the deviation E divided by the detection threshold Th. Each point in the figure corresponds to the processing carried out for a temporal acquisition window. The dotted horizontal line therefore corresponds to the limit between the zone corresponding to an absence of defect, below this line, and the zone corresponding to a present defect, above the line.
  • the first 75 measurement points correspond to operation under reference conditions without faults. It can be noted that point P20 is the point used to determine the fault threshold, since this point corresponds to the maximum value in the absence of a fault.
  • the E/Th value is by definition 1 for this measurement point.
  • the structural defect indicator is equal to 0.
  • Measuring points from 75 correspond to measurements made on a vehicle for which a leaf spring had a structural defect, in the form of a crack. For all these measurement points the value of the E/Th ratio is greater than 1, that is to say that the deviation E is greater than the detection threshold Th.
  • the structural defect indicator therefore takes the value 1, indicating the presence of a structural defect.
  • the area above the dashed horizontal line is the area where a structural defect is detected.
  • the primary purpose of structural defect detection is to allow the vehicle operator or its manager to take corrective actions. It is therefore preferable to inform the operator or manager when the proposed process detects the presence of a defect.
  • the alert signal emitted makes it possible to trigger an in-depth analysis of the vehicle component and anticipate a failure.
  • An alert can be issued as soon as an event corresponding to the detection of a structural defect is detected. It is also possible to issue an alert only if several events corresponding to a fault are detected, in order to confirm the presence of the fault.
  • the process can thus include the steps:
  • An isolated change in value of the structural defect indicator does not trigger an alert signal. Repeated value changes trigger the emission of an alert signal. No alert signal is emitted when the determined average value Imoy is less than or equal to the predetermined threshold Th2.
  • the reference value is the value corresponding to a constant absence of fault. It can be arbitrarily chosen that a state without fault corresponds to the value 0 of the indicator I. In this case, a state with fault corresponds to the value 1 of the indicator I. A different convention can be chosen, i.e. that is to say that it can also be arbitrarily chosen to assign the value 1 to the indicator for operation without structural fault, and the value 0 for operation with structural fault.
  • the alert signal may be a fault code stored in an electronic control unit.
  • the alert signal can be the lighting of a light.
  • the indicator light may for example be visible on the vehicle dashboard.
  • the alert signal can be a message sent to a vehicle manager.
  • the disclosure also concerns a device 50 for detecting structural defects in an element 10 of a running gear 20 of a land vehicle 100, comprising:
  • One or more detection devices 50 can equip a given vehicle.
  • the number of signal acquisition devices depends on the capabilities of these devices, as well as the number of accelerometers used.
  • the number of elements to monitor in the case of a train is naturally higher than for a van with two axles.
  • the electronic control unit 15 is external to the vehicle 100, and the detection device 50 comprises a communication means 9 configured to transmit the acquisitions of the signal from the accelerometer 7 to the electronic control unit 15.
  • the communication means 9 can be configured to transmit the spectral components of the signal from the accelerometer 7 to the electronic control unit 15.
  • the data acquired during the measurement of the vibration signal are thus sent to a remote “cloud computing” type server.
  • the vehicle only includes the electronic equipment allowing the acquisition of data and its transmission to the remote server(s).
  • Data processing is carried out by computer resources delocalized from the vehicle. The instrumentation required for the vehicle is therefore limited.
  • the number of vehicles on which the process is implemented is not limited.
  • the process can thus be implemented on part or all of a vehicle fleet.
  • Alerts can, for example, be sent to a vehicle fleet manager. The manager can thus organize a control intervention on each vehicle for which an alert signal has been issued, and if necessary a repair intervention. Monitoring can continue until the repair intervention is carried out.

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Acoustics & Sound (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

Il est proposé un procédé de détermination d'un indicateur (I) de défaut structurel d'un élément (10) d'un train roulant (20) de véhicule terrestre (100), le procédé comprenant les étapes : (i) acquérir pendant une fenêtre temporelle (W) un signal vibratoire (V) associé à l'élément (10) du train roulant (20), (ii) déterminer une suite (S) de composantes spectrales (A1, A2, …, Ap) du signal vibratoire (V) acquis pendant la fenêtre temporelle (W), (iii) itérer les étapes (i) et (ii) pour un ensemble de fenêtres temporelles (W1, …, Wn) de façon à obtenir un ensemble de suites (S1,..., Sn) de composantes spectrales du signal vibratoire (V), chaque suite (Sk) de l'ensemble de suites (S1,..., Sn) correspondant à une fenêtre temporelle (Wk), (iv) déterminer un indicateur (I) de défaut structurel de l'élément (10) du train roulant (20) à partir de l'ensemble de suites (S1,..., Sn) de composantes spectrales du signal vibratoire (V) et à partir d'un modèle de détection mettant en œuvre un algorithme d'apprentissage automatique.

Description

Procédé de détermination d’un indicateur de défaut structurel
Domaine technique
[1] La présente invention se rapporte au domaine des procédé de détection de défaut mécanique dans les éléments de liaison au sol de véhicules, comme des camions ou des trains.
Technique antérieure
[2] Certains véhicules possèdent un essieu ou plusieurs essieux sur lequel le châssis du véhicule repose par l’intermédiaire de ressorts de suspension, comme des ressorts à lames. Il arrive qu’un ressort subisse au cours de la vie du véhicule un endommagement, provoqué par les sollicitations mécaniques. Des fissures peuvent se propager progressivement dans une ou plusieurs lames du ressort. La propagation des fissures peut parfois mener à une défaillance totale du ressort par fatigue, ce qui peut créer une situation dangereuse et aussi immobiliser le véhicule.
[3] Il est ainsi connu de surveiller l’état des ressorts de suspension pendant l’utilisation du véhicule, afin de détecter un endommagement avant que celui-ci puisse mener à une défaillance. Pour cela, il est connu de mesurer l’accélération de du ressort lui-même, ou de l’essieu. La comparaison de l’accélération mesurée avec un seuil permet diagnostiquer un endommagement du ressort. Cependant, en raison notamment des variations des conditions d’utilisation, comme la charge des véhicules, leur vitesse ou le profil de la route, les méthodes connues ne donnent pas satisfaction. En effet, les méthodes connues présentent souvent un taux de non-détection et un taux de fausse détection trop élevés. De plus, la plupart des méthodes connues ne permettent qu’un diagnostic qualitatif, et non un diagnostic quantitatif. Autrement dit, la présence d’un défaut peut être détectée, mais la sévérité du défaut détecté reste difficile à évaluer.
[4] La présente divulgation vise à améliorer cette situation en proposant une méthode améliorée permettant d’établir la présence d’un défaut de manière plus précise et plus robuste, de façon à pouvoir anticiper une action corrective.
Résumé
[5] A cette fin, l’invention propose un procédé de détermination d’un indicateur de défaut structurel d’un élément d’un train roulant de véhicule terrestre, le procédé comprenant les étapes:
- (i) acquérir pendant une fenêtre temporelle un signal vibratoire associé à l’élément du train roulant,
- (il) déterminer une suite de composantes spectrales du signal vibratoire acquis pendant la fenêtre temporelle,
- (iii) itérer les étapes (i) et (ii) pour un ensemble de fenêtres temporelles de façon à obtenir un ensemble de suites de composantes spectrales du signal vibratoire, chaque suite de l’ensemble de suites correspondant à une fenêtre temporelle,
- (iv) déterminer un indicateur de défaut structurel de l’élément du train roulant à partir de l’ensemble de suites de composantes spectrales du signal vibratoire et à partir d’un modèle de détection mettant en oeuvre un algorithme d’apprentissage automatique.
[6] Les caractéristiques listées dans les paragraphes suivant peuvent être mises en oeuvre indépendamment les unes des autres, ou selon toutes les combinaisons techniquement possibles :
[7] Selon un mode de réalisation du procédé, les composantes spectrales de la suite de composantes spectrales sont déterminées par transformée de Fourier rapide des échantillons du signal vibratoire acquis pendant la fenêtre temporelle.
[8] Chaque composante spectrale d’une suite de composantes spectrales du signal vibratoire est ainsi une valeur calculée sur l’ensemble de la fenêtre temporelle d’acquisition correspondante.
[9] Selon un exemple de mise en oeuvre du procédé, le défaut structurel est une fissure de l’élément du train roulant.
[10] Selon un exemple de mise en oeuvre du procédé, l’élément du train roulant est un élément élastique de suspension du véhicule.
[11] L’élément élastique de suspension est par exemple un ressort à lames.
[12] Le ressort à lames est disposé entre un essieu du véhicule et un châssis du véhicule.
[13] En variante, l’élément élastique de suspension peut être un ressort hélicoïdal.
[14] En variante également, l’élément élastique de suspension peut être une barre de torsion.
[15] En variante encore, l’élément élastique de suspension peut être un coussin pneumatique.
[16] Le châssis du véhicule peut être une caisse autoporteuse du véhicule. [17] Selon un exemple d’application du procédé, le défaut structurel est un défaut d’un roulement d’une roue reliée à l’essieu.
[18] Un défaut structurel comme un endommagement d’une bille ou d’une partie du chemin de roulement d’une des bagues du roulement modifie la réponse vibratoire du train roulant et peut être détecté par analyse du signal vibratoire acquis.
[19] Selon un autre exemple d’application du procédé, le défaut structurel est un défaut structurel d’un pneu d’une roue reliée à l’essieu.
[20] Comme précédemment, un défaut structurel comme une déformation d’un pneu du train roulant modifie la réponse vibratoire du train roulant et peut être détecté par analyse du signal vibratoire acquis.
[21] Selon encore un autre exemple d’application du procédé, le défaut structurel est une surcharge de l’essieu.
[22] De la même manière, un poids excessif porté par l’essieu peut être détecté par l’analyse du signal vibratoire acquis.
[23] Selon encore une autre application du procédé, le défaut structurel est une diminution excessive du coefficient d’amortissement des mouvements relatifs de l’essieu par rapport au châssis du véhicule.
Une usure des amortisseurs des oscillations de l’essieu peut aussi être détecté grâce à l’analyse du signal vibratoire acquis.
[24] Dans un exemple d’application du procédé, le véhicule est un camion, ou une camionnette.
[25] Dans un autre exemple d’application du procédé, le véhicule est un matériel roulant ferroviaire, tel un wagon ou une locomotive de train.
[26] Selon un mode de réalisation du procédé, le signal vibratoire est un signal d’accélération d’un capteur d’accélération.
[27] Le capteur d’accélération est par exemple disposé sur l’élément du train roulant du véhicule.
[28] Autrement dit, le capteur d’accélération est alors disposé sur l’élément dont on veut surveiller l’état de fonctionnement.
[29] Selon une autre mise en oeuvre du procédé, le capteur d’accélération est disposé sur l’essieu. [30] Selon encore une autre mise en oeuvre du procédé, le capteur d’accélération est disposé sur le châssis du véhicule.
[31] Dans ces deux exemples de mise en oeuvre, le capteur d’accélération est disposé sur un autre élément que l’élément à surveiller, tout en étant mécaniquement lié à l’élément à surveiller. L’installation du capteur d’accélération est ainsi facilitée puisque le nombre de possibilités d’installation est augmenté.
[32] Le procédé peut utiliser conjointement le signal de plusieurs capteurs d’accélération disposés sur différents éléments du train roulant ou sur le châssis.
[33] Selon un mode de réalisation, le capteur d’accélération est un capteur trois axes.
[34] En variante, le capteur d’accélération peut être un capteur un axe.
[35] La fréquence d’échantillonnage est supérieure à 30 Hz. Selon un mode de réalisation, la fréquence d’acquisition, encore appelée fréquence d’échantillonnage, du signal vibratoire de l’accéléromètre est comprise entre 25 kHz et 35 kHz, par exemple égale à 32 kHz.
[36] Selon un mode de réalisation du procédé, chaque suite de l’ensemble de suites de composantes spectrales du signal vibratoire est obtenue par moyennage d’une pluralité de suites de composantes spectrales correspondant à une pluralité de fenêtres d’acquisitions élémentaires du signal vibratoire.
[37] La pluralité de fenêtres d’acquisitions élémentaires peut comprendre entre 5 fenêtres d’acquisition et 100 fenêtres d’acquisition.
[38] La durée d’une fenêtre temporelle W d’acquisition du signal vibratoire V est paramétrable. La durée d’une fenêtre temporelle d’acquisition du signal vibratoire est par exemple comprise entre 2 secondes et 200 secondes. La durée d’une fenêtre temporelle d’acquisition du signal vibratoire peut être égale à 100 secondes.
[39] Les fenêtres temporelles d’acquisition du signal vibratoire peuvent être contiguës.
[40] Selon un mode de réalisation, le procédé comprend une étape :
- (iii1 ) déterminer la vitesse d’avancement du véhicule,
- (iii2) éliminer de l’ensemble des fenêtres temporelles acquises les fenêtres temporelles correspondant à une vitesse d’avancement du véhicule inférieure à un seuil minimal prédéterminé.
[41] L’ élimination de ces fenêtres d’acquisition permet d’améliorer le rapport signal sur bruit, car ces fenêtres d’acquisition correspondent à des phases de fonctionnement du véhicule pendant lesquelles le signal vibratoire est faible. [42] Le procédé peut comprendre une étape :
- (iii3) éliminer de l’ensemble des fenêtres temporelles acquises les fenêtres temporelles correspondant à une vitesse nulle du véhicule.
[43] En variante ou de manière complémentaire, le procédé comprend une étape :
- (iii2’) éliminer de l’ensemble des fenêtres temporelles acquises les fenêtres temporelles correspondant à une vitesse d’avancement du véhicule supérieure à un seuil maximal prédéterminé.
[44] L’ élimination de ces fenêtres d’acquisition permet d’éviter d’éventuelles saturations dues à un niveau de signal élevé.
[45] Le procédé peut comprendre une étape de normalisation des données. On entend par là que l’échelle des signaux est recadrée de façon à avoir une moyenne nulle et un écart- type égal à 1 .
Les données utilisées pour la suite des étapes du procédé sont ainsi celles de l’ensemble de suites de composantes spectrales normalisées.
[46] L’étape (iv) de détermination d’un indicateur de défaut structurel procédé comprend une étape (iv1 ) de réduction de dimensions de l’ensemble de suites de composantes spectrales du signal vibratoire, de façon à obtenir un ensemble de suites réduites de combinaisons de composantes spectrales du signal vibratoire.
[47] Chaque suite réduite comporte un nombre de composantes spectrales inférieur au nombre de composantes spectrales déterminées à l’étape (ii).
[48] L’étape de réduction de dimensions permet de diminuer la complexité des calculs effectués, tout en conservant les composantes caractérisant le mieux les données acquises.
[49] Selon un mode de réalisation du procédé, l’étape (iv1 ) de réduction de dimensions de l’ensemble de suites de composantes spectrales du signal vibratoire met en oeuvre un algorithme non supervisé de réductions de dimensions.
[50] Un algorithme non supervisé permet une adaptation simple à une large diversité de définitions techniques. En effet, un algorithme d’apprentissage automatique de type non supervisé permet de construire des modèles mathématiques basées sur des données réellement observées, qui sont ici les échantillons acquis du signal vibratoire.
[51] Différents algorithmes non supervisés de réductions de dimensions peuvent être utilisés. [52] Par exemple, un réseau auto-encodeur peut être utilisé.
L’étape (iv1 ) de réduction de dimensions de l’ensemble de suites de composantes spectrales du signal vibratoire est ainsi réalisée par encodage d’une suite de composantes spectrales du signal vibratoire, à l’aide d’un encodeur d’un réseau auto-encodeur préentrainé, dans un espace latent de dimension réduite.
[53] Un algorithme d’analyse en composante principale est un autre exemple d’algorithme utilisable.
[54] L’algorithme non supervisé de réductions de dimensions génère un modèle de réduction de dimensions.
[55] L’ ensemble de suites réduites de composantes spectrales peut ainsi être déterminé par un modèle obtenu par apprentissage automatique.
[56] Le procédé peut ainsi s’adapter automatiquement à la configuration mécanique sur lequel le procédé est utilisé.
[57] Selon un exemple de mise en oeuvre du procédé, une suite réduite de composantes spectrales comprend par exemple sept éléments.
[58] Selon un autre exemple de mise en oeuvre du procédé, une suite réduite de composantes spectrales comprend par exemple trois éléments.
[59] Selon encore un autre exemple de mise en oeuvre du procédé, une suite réduite de composantes spectrales comprend par exemple deux éléments.
[60] Les calculs associés peuvent ainsi être réduits par un large facteur, par rapport aux données initialement acquises.
[61] Le modèle de réduction de dimensions de l’ensemble de suites de composantes spectrales du signal vibratoire peut être obtenu par apprentissage automatique du signal vibratoire à partir d’un sous-ensemble de fenêtres temporelles acquises dans des conditions de référence dans lesquelles l’élément du train roulant est exempt de défaut structurel.
[62] Le procédé comprend une étape :
- (iv2) déterminer, pour chaque fenêtre temporelle, une suite reconstruite de composantes spectrales du signal vibratoire acquis pendant la fenêtre temporelle à partir de la suite réduite de combinaisons de composantes spectrales et à partir d’un modèle de reconstruction obtenu à partir du modèle de réduction de dimensions. [63] Le modèle de reconstruction des composantes spectrales du signal vibratoire acquis est ainsi basé sur un apprentissage automatique du signal vibratoire à partir d’un sous- ensemble de fenêtres temporelles acquises dans des conditions de référence dans lesquelles l’élément du train roulant est exempt de défaut structurel.
[64] Selon un aspect du procédé, le modèle de reconstruction de composantes spectrales du signal vibratoire acquis est obtenu par inversion du modèle de réduction de dimensions.
[65] Le modèle de reconstruction peut ainsi être déterminé facilement à partir du modèle déjà constitué pour la réduction de dimensions des données acquises.
[66] Selon un aspect de la divulgation, le procédé comprend une étape :
- (iv3) Déterminer, pour chaque fenêtre temporelle, un écart entre la suite de composantes spectrales du signal vibratoire acquis et la suite reconstruite de composantes spectrales du signal vibratoire, et l’indicateur de défaut structurel est basé sur l’écart déterminé.
[67] En absence de défaut structurel, le signal reconstruit est proche du signal initialement acquis. Un écart relativement plus important indique le comportement du système mécanique s’écarte du comportement modélisé en l’absence de défaut, ce qui indique la présence d’un défaut.
[68] Selon un mode de réalisation du procédé, l’écart entre la suite de composantes spectrales du signal vibratoire acquis et la suite reconstruite de composantes spectrales du signal vibratoire est déterminé pour l’ensemble des composantes spectrales du signal vibratoire.
[69] Dans ce mode de réalisation, les composantes spectrales du signal sont reconstruites pour la totalité des fréquences spectrales, et l’écart entre le signal d’origine et le signal reconstruit est également déterminé en prenant en comptant la totalité des fréquences spectrales, c’est-à-dire toute l’information fréquentielle du signal.
[70] Selon un mode de réalisation du procédé, l’écart entre la suite de composantes spectrales du signal vibratoire acquis et la suite reconstruite de composantes spectrales du signal vibratoire est déterminé pour un sous-ensemble de composantes spectrales.
Le sous-ensemble de composantes spectrales est inclus dans la suite de composantes spectrales du signal vibratoire acquis.
[71] Autrement dit, dans ce cas les composantes spectrales du signal sont reconstruites pour la totalité des fréquences spectrales, mais l’écart entre le signal d’origine et le signal reconstruit est déterminé en prenant en compte seulement certaines plages de fréquences sélectionnées. L’écart peut ainsi être quantifié seulement dans les plages de fréquence les plus favorables à la mise en évidence d’un défaut structurel.
[72] Selon un exemple de réalisation du procédé, l’écart déterminé est la distance euclidienne entre la suite de composantes spectrales du signal vibratoire acquis et la suite reconstruite de composantes spectrales du signal vibratoire.
[73] Selon un aspect de la divulgation, le procédé comprend une étape :
- (iv4) Déterminer un seuil de détection, le seuil de détection étant égal à la valeur maximale de l’écart déterminé pour un sous-ensemble de fenêtres temporelles acquises dans des conditions de référence dans lesquelles l’élément du train roulant est exempt de défaut structurel.
[74] L’apprentissage réalisé dans les conditions de référence permet de définir le seuil définissant le défaut. Le procédé peut ainsi être adapté automatiquement à n’importe quelle configuration mécanique. De plus, le seuil permettant de définir un défaut peut être remis à jour périodiquement en fur et à mesure de la collecte des données acquises dans des conditions de référence. La robustesse du procédé est ainsi améliorée.
[75] Selon un exemple de mise en oeuvre, le procédé comprend une étape :
- (iv5-a) si l’écart déterminé est inférieur ou égal au seuil de détection, l’indicateur de défaut structurel prend une première valeur correspondant à une absence de défaut structurel,
- (iv5-b) si l’écart déterminé est supérieur au seuil de détection, l’indicateur de défaut structurel prend une deuxième valeur correspondant à une présence de défaut structurel.
[76] Un écart important entre le signal vibratoire acquis et le signal vibratoire reconstruit tend à indiquer la présence d’un défaut structurel dans le système mécanique. Un faible écart indique que la réponse du système est conforme au comportement en absence de défaut.
[77] L’ indicateur de défaut structurel peut prendre des valeurs discrètes, une première valeur correspondant à une absence de défaut structurel et une deuxième valeur correspondant à une présence de défaut structurel.
[78] Selon un mode de réalisation, le procédé comprend une étape :
- (v) émettre un signal d’alerte en réponse en fonction de l’indicateur de défaut structurel.
[79] Le signal d’alerte émis permet de déclencher une analyse approfondie de l’organe du véhicule et d’anticiper une défaillance. [80] Le procédé peut ainsi comprendre les étapes :
- (v1 ) déterminer une valeur moyenne de l’indicateur de défaut structurel,
- (v2) émettre un signal d’alerte si un écart entre la valeur moyenne déterminée et une valeur de référence est supérieur à un seuil prédéterminé.
[81] Un changement de valeur isolé de l’indicateur de défaut structurel ne déclenche pas de signal d’alerte. Des changements de valeurs répétés déclenchent l’émission d’un signal d’alerte.
[82] Le signal d’alerte peut être un code défaut mémorisé dans une unité électronique de contrôle.
[83] Selon une variante ou de manière complémentaire, le signal d’alerte peut être un allumage d’un voyant.
[84] Selon une autre variante ou également de manière complémentaire, le signal d’alerte peut être un message envoyé à un gestionnaire du véhicule.
[85] La divulgation concerne également un dispositif de détection de défaut structurel dans un élément d’un train roulant de véhicule terrestre, comportant :
- au moins un accéléromètre,
- un dispositif d’acquisition du signal de l’accéléromètre,
- une unité électronique de contrôle configurée pour mettre en oeuvre le procédé décrit précédemment.
[86] Selon un mode de réalisation du dispositif de détection, l’unité électronique de contrôle est externe au véhicule, et le dispositif de détection comprend un moyen de communication configuré pour transmettre les acquisitions ou les composantes spectrales du signal de l’accéléromètre à l’unité électronique de contrôle.
[87] Le dispositif de détection comprend ainsi un moyen de calcul embarqué configuré pour déterminer l’ensemble de suites de composantes spectrales du signal vibratoire. On entend par moyen de calcul embarqué un moyen de calcul présent sur le véhicule. Le signal transmis à l’unité de contrôle externe au véhicule peut être un signal fréquentiel ou un signal temporel brut. Transmettre un signal fréquentiel permet de limiter la quantité de données échangées. En variante, le signal temporel brut et le signal fréquentiel peuvent être tous les deux transmis.
Brève description des dessins [88] D’autres caractéristiques, détails et avantages apparaîtront à la lecture de la description détaillée ci-après, et à l’analyse des dessins annexés, sur lesquels :
[89] La figure 1 est une représentation schématique d’un véhicule comportant un dispositif de détection de défaut structurel dans un élément d’un train roulant,
[90] La figure 2 est un détail du train roulant du véhicule de la figure 1 ,
[91] La figure 3 est une courbe temporelle schématique illustrant l’étape d’acquisition de signal vibratoire,
[92] La figure 4 est une courbe illustrant l’évolution temporelle du signal vibratoire acquis,
[93] La figure 5 est une vue illustrant une étape particulière du procédé,
[94] La figure 6 est un schéma illustrant certaines étapes du procédé,
[95] La figure 7 est une vue illustrant une autre étape particulière du procédé,
[96] La figure 8 est une vue illustrant une autre étape particulière du procédé,
[97] La figure 9 est un schéma-bloc illustrant différentes étapes du procédé selon l’invention.
Description des modes de réalisation
[98] Afin de faciliter la lecture des figures, les différents éléments ne sont pas nécessairement représentés à l’échelle. Sur ces figures, les éléments identiques portent les mêmes références. Certains éléments ou paramètres peuvent être indexés, c'est-à-dire désignés par exemple par premier élément ou deuxième élément, ou encore premier paramètre et second paramètre, etc. Cette indexation a pour but de différencier des éléments ou paramètres similaires, mais non identiques. Cette indexation n’implique pas une priorité d’un élément, ou paramètre par rapport à un autre et on peut interchanger les dénominations. Quand il est précisé qu'un dispositif comporte un élément donné, cela n'exclut pas la présence d'autres éléments dans ce dispositif.
[99] On a représenté sur la figure 1 un véhicule terrestre 100 comportant un train roulant 20. Le train roulant 20 désigne l’ensemble des organes mécaniques participant à la liaison entre le châssis 2 du véhicule et le sol sur lequel le véhicule évolue.
[100] Le véhicule 100 est ici est un camion. Le train roulant 20 comporte un essieu 1 relié au châssis 2 par un élément élastique 10. L’élément élastique est ici un ressort à lames, ou plus précisément un ressort à lames disposé à proximité de chacune des extrémités de l’essieu 1 . L’essieu 1 comprend à chacune de ses extrémités une roue 4 liée à l’essieu par un roulement 3. La roue 4 est équipée d’un pneu 5. [101] Il est courant qu’un élément du train roulant 20 connaisse un défaut structurel lors de la vie du véhicule. On entend par défaut structurel une anomalie mécanique affectant les propriétés mécaniques de l’organe considéré. Un tel défaut structurel peut en évoluant entrainer une défaillance du train roulant, ce qui peut dégrader le fonctionnement du véhicule et éventuellement le rendre inopérant. Même si les trains roulants sont généralement inspectés pendant les phases d’entretien du véhicule, il est souhaitable de pouvoir détecter un éventuel défaut structurel d’un des éléments du train roulant lors de l’utilisation du véhicule, afin de pouvoir remédier à ce défaut et anticiper d’éventuelles défaillances.
[102] Il est ainsi proposé un procédé de détermination d’un indicateur I de défaut structurel d’un élément 10 d’un train roulant 20 de véhicule terrestre 100, le procédé comprenant les étapes :
- (i) acquérir pendant une fenêtre temporelle W un signal vibratoire V associé à l’élément 10 du train roulant 20,
- (ii) déterminer une suite S de composantes spectrales (A1 , A2, ..., Ap) du signal vibratoire V acquis pendant la fenêtre temporelle W,
- (iii) itérer les étapes (i) et (ii) pour un ensemble de fenêtres temporelles Wi, ..., Wn de façon à obtenir un ensemble de suites Si, ..., Sn de composantes spectrales du signal vibratoire V, chaque suite Sk de l’ensemble de suites Si, ..., Sn correspondant à une fenêtre temporelle Wk,
- (iv) déterminer un indicateur I de défaut structurel de l’élément 10 du train roulant 20 à partir de l’ensemble de suites Si, ..., Sn de composantes spectrales du signal vibratoire V et à partir d’un modèle de détection mettant en oeuvre un algorithme d’apprentissage automatique.
[103] Selon un exemple de mise en oeuvre du procédé, le défaut structurel est une fissure de l’élément 10 du train roulant 20.
[104] L’ élément 10 du train roulant 20 est ici un élément élastique de suspension du véhicule 100.
[105] Plus précisément, l’élément élastique de suspension 10 est ici un ressort à lames. Le ressort à lames 10 est disposé entre un essieu 1 du véhicule et un châssis 2 du véhicule.
[106] Selon un exemple non illustré, l’élément élastique de suspension 10 peut être un ressort hélicoïdal. Selon encore un autre exemple non illustré, l’élément élastique de suspension 10 est une barre de torsion. Selon un autre exemple non illustré, l’élément élastique de suspension 10 est un coussin pneumatique.
[107] Dans l’exemple illustré, le châssis 2 comprend deux longerons parallèles reliés par des traverses transversales, et une cabine repose sur le châssis 2. Selon un exemple non illustré, le châssis 2 du véhicule 100 peut être une caisse autoporteuse du véhicule 100.
[108] Divers types de défauts structurels peuvent être détectés par le procédé proposé. Le défaut structurel peut notamment être un défaut d’un roulement 3 d’une roue 4 reliée à l’essieu 1. Le défaut structurel peut aussi être un défaut structurel d’un pneu 5 d’une roue 4 reliée à l’essieu 1 . Le défaut structurel peut également être une surcharge de l’essieu 1 . Le défaut structurel peut aussi être une usure des amortisseurs des oscillations de l’essieu.
[109] Lorsqu’un de ces défauts structurels est présent, la réponse vibratoire du train roulant 20 est modifiée. Il est ainsi possible de détecter la présence d’un défaut structurel par analyse du signal vibratoire acquis. La gamme de fréquences dans laquelle le signal est exploité varie en fonction de la nature du défaut et de l’application ciblée.
[110] Le véhicule 100 est ici un camion. Le véhicule peut aussi être une camionnette. Dans un autre exemple d’application du procédé, le véhicule 100 est un matériel roulant ferroviaire. Le véhicule 100 peut ainsi être un wagon ou une locomotive de train. Dans ce cas, la cabine du wagon, ou de la locomotive, repose sur une série de boggies suspendus par un ensemble d’éléments élastiques comme des ressorts à lames.
[111] Le signal vibratoire V est un signal d’accélération d’un capteur d’accélération 7.
[112] Le capteur d’accélération 7 peut être installé sur différents éléments ou organes. Le capteur d’accélération 7 est fixé de manière rigide, par exemple par collage, à la surface extérieure d’un organe lié au train roulant 20.
[113] Le capteur d’accélération 7 peut être disposé sur l’élément 10 du train roulant 20 du véhicule. Dans l’exemple illustré sur la figure 2, un capteur d’accélération 7 est disposé sur le ressort à lames 10. Le capteur d’accélération 7 est ainsi solidaire de l’élément dont on veut surveiller l’état de fonctionnement.
[114] Selon l’exemple schématisé sur la figure 1 , le capteur d’accélération 7 est disposé sur l’essieu 1 .
Selon un exemple non représenté, le capteur d’accélération 7 est disposé sur le châssis 2 du véhicule 100. [115] Dans ces deux configurations, le capteur d’accélération 7 est disposé sur un autre élément que l’élément à surveiller. L’installation du capteur d’accélération 7 est ainsi facilitée, puisque celui-ci peut alors être installé à un endroit plus accessible et moins exposé aux éventuelles projections des roues, comme par exemple le châssis du véhicule.
[116] Le procédé peut utiliser en parallèle plusieurs signaux acquis simultanément par plusieurs capteurs d’accélération disposés sur différents éléments du train roulant ou sur le châssis. Par exemple, il est possible d’utiliser un capteur d’accélération disposé sur un ressort à lames et un autre capteur d’accélération disposé sur le châssis. Il est également possible d’utiliser un capteur d’accélération disposé sur un ressort à lames et un capteur d’accélération disposé sur l’essieu correspondant. Il est également possible d’utiliser conjointement un troisième capteur d’accélération disposé sur le châssis.
[117] On dit que le signal vibratoire V est associé à l’élément 10 du train roulant 20, car le signal vibratoire V rend compte des vibrations au sein de l’élément 10 du train roulant 20, même en étant fixé sur un autre organe mécanique que l’élément 10, comme l’essieu ou le châssis du véhicule.
[118] Le capteur d’accélération 7 est par exemple un capteur trois axes. Le capteur délivre un signal dépendant de l’accélération selon les trois directions de l’espace. Sur les figures 1 et 2, la direction Z représente l’axe vertical, la direction X représente l’axe longitudinal du véhicule et la direction Y représente la direction transversale du véhicule. Un capteur trois axes est ainsi sensible aux accélérations selon chacun des axes X, Y, Z.
[119] En variante, le capteur d’accélération 7 peut être un capteur un axe. Dans ce cas, le capteur 7 délivre un signal lié à l’accélération selon une seule direction. De préférence, le capteur est installé de façon à être sensible préférentiellement à l’accélération selon l’axe vertical Z.
[120] Le capteur d’accélération 7 délivre un signal analogique. La bande passante du capteur d’accélération 7 est supérieure à 30 Hz. Par exemple, la bande passante du capteur d’accélération 7 est comprise entre 25 kHz et 35 kHz.
[121] Un dispositif d’acquisition 8 réalise l’acquisition du signal V de l’accéléromètre 7. Pendant une fenêtre temporelle d’acquisition W, le signal vibratoire V est échantillonné à une fréquence d’acquisition prédéterminée Fa. La fréquence d’acquisition Fa du signal vibratoire V est de préférence constante. Dans le cadre de la présente divulgation, fréquence d’acquisition et fréquence d’échantillonnage sont des termes équivalents. [122] Les termes « fenêtre temporelle », « fenêtre temporelle d’acquisition » et « fenêtre temporelle d’acquisition du signal » sont équivalents au sens de la présente demande.
[123] La fréquence d’acquisition Fa, encore appelée fréquence d’échantillonnage, du signal vibratoire V de l’accéléromètre 7 est supérieure à 30 Hz. La fréquence d’acquisition Fa peut être comprise entre 25 kHz et 35 kHz. Cette fréquence d’échantillonnage est par exemple égale à 32 kHz.
[124] La figure 3 illustre de façon schématique les fenêtres temporelles d’acquisition. Une pluralité de fenêtres d’acquisition successives, désignée par des indices croissant allant de Wk à Wk+6 sont représentées. Les flèches désignées par le signe g illustrent de façon schématique les instants d’échantillonnage. Les instants d’échantillonnage sont séparés d’une durée Ta égale à l’inverse de la fréquence d’échantillonnage Fa.
Pour simplifier la figure, les instants d’échantillonnage ont été représentés seulement pour la fenêtre Wk d’acquisition temporelle d’indice k, et n’ont pas été représentés pour les autres fenêtres.
Chaque fenêtre temporelle d’acquisition génère une pluralité d’échantillons de mesure, chaque échantillon de mesure correspondant à une valeur du signal vibratoire V échantillonné à un instant donné. Le nombre d’échantillons contenus dans une fenêtre d’acquisition dépend de la durée de cette fenêtre d’acquisition et de la fréquence d’échantillonnage utilisée. Les échantillons de mesure compris dans une fenêtre temporelle d’acquisition peuvent être désignés par le terme « contenu de la fenêtre d’acquisition ».
[125] Sur l’exemple de la figure 3, les fenêtres temporelles d’acquisition du signal vibratoire V sont contiguës. Autrement dit, le début d’une fenêtre temporelle d’acquisition Wj correspond à la fin de la fenêtre d’acquisition précédente Wj-i.
[126] Selon un exemple non illustré, les fenêtres temporelles d’acquisition du signal vibratoire V peuvent être disjointes, c’est-à-dire qu’une fenêtre temporelle d’acquisition Wj débute plus tard que la fin de la fenêtre d’acquisition précédente Wj.-i.
[127] La figure 4 illustre l’allure du signal vibratoire V pendant une durée totale d’acquisition de 30 minutes. Les pics compris par exemple entre les instants ti et t2 correspondent à des phases de fonctionnement dans lesquelles les accélérations sont les plus élevées. De nombreux autres pics sont visibles, comme par exemple autour de l’instant désigné par ta.
[128] Le procédé proposé utilise les caractéristiques du signal d’accélération dans le domaine fréquentiel, et détermine donc les composantes spectrales du signal vibratoire V acquis. L’ensemble des composantes spectrales (A1 , A2, ..., Ap) du signal acquis pendant une fenêtre d’acquisition donnée est désigné par le terme ‘suite’ S. Pour une fenêtre temporelle d’acquisition d’indice k, désignée par Wk, la suite correspondante est désignée par Sk, c’est-à-dire avec le même indice k.
[129] Les composantes spectrales (A1 , A2, ... , Ap) de la suite S de composantes spectrales sont par exemple déterminées par transformée de Fourier rapide des échantillons du signal vibratoire V acquis pendant la fenêtre temporelle W.
[130] Une fois les acquisitions du signal vibratoire réalisées, le reste des étapes du procédé peut être effectué en temps réel, ou en traitement différé.
[131] Chaque composante spectrale (A1 , A2, ..., Ap) d’une suite Sk de composantes spectrales du signal vibratoire V est ainsi une valeur calculée sur l’ensemble de la fenêtre temporelle d’acquisition Wk correspondante. Les composantes (A1 , A2, ..., Ap) d’une suite Sk de composantes spectrales sont par exemple calculées en décibel.
[132] Chaque composante Ai d’une suite Sk de composantes spectrales correspond à une fréquence Fi. La composante désignée par Ai est la ième composante spectrale de la suite Sk. La plage des fréquences Fi s’étend par exemple de 0,5 Hz à 16 kHz.
[133] L’ ensemble de suites Si, ..., Sn de composantes spectrales se présente comme une matrice bidimensionnelle. Les colonnes peuvent correspondre aux différentes composantes spectrales (A1 , A2, ..., Ap), rangées par ordre croissant. Les lignes de matrice correspondent alors aux différentes fenêtres temporelles d’acquisition Wi, ..., Wn, rangées par ordre chronologique d’acquisition. Il est bien sur possible de disposer les différentes fréquences spectrales en lignes, et les différents échantillons temporels en colonnes, c’est-à-dire transposer la matrice.
[134] La durée d’une fenêtre temporelle W d’acquisition du signal vibratoire V est paramétrable. La durée d’une fenêtre temporelle W d’acquisition du signal vibratoire V peut être comprise entre 2 secondes et 200 secondes. La durée d’une fenêtre temporelle W d’acquisition du signal vibratoire V est par exemple égale à 100 secondes.
[135] Selon un mode de réalisation du procédé, chaque suite Sk de l’ensemble de suites Si, ..., Sn de composantes spectrales du signal vibratoire V est obtenue par moyennage d’une pluralité de suites de composantes spectrales correspondant à une pluralité de fenêtres d’acquisitions élémentaires du signal vibratoire V.
[136] La pluralité de fenêtres d’acquisitions élémentaires peut comprendre par exemple entre 5 fenêtres d’acquisition et 100 fenêtres d’acquisition. [137] Autrement dit, plutôt que d’utiliser une fenêtre d’acquisition W d’une durée donnée, il est également possible d’utiliser plusieurs fenêtres d’acquisition de durée moindre, et de moyenner les résultats obtenus sur chacune de ces fenêtres. Par exemple, plutôt que d’acquérir le signal vibratoire V pendant une fenêtre temporelle durant 100 secondes, il est possible d’acquérir 50 fenêtres successives durant chacune 2 secondes, et de moyenner les résultats obtenus sur les 50 fenêtres, représentant aussi 100 secondes d’acquisition en tout. Cette étape de moyennage est optionnelle, et le traitement des données réalisé ensuite est identique.
[138] Selon un mode de réalisation, le procédé comprend une étape :
- (iii1 ) déterminer la vitesse d’avancement C du véhicule 100,
- (iii2) éliminer de l’ensemble des fenêtres temporelles Wi, ..., Wn acquises les fenêtres temporelles correspondant à une vitesse d’avancement C du véhicule 100 inférieure à un seuil minimal prédéterminé Cmin.
[139] L’ élimination des fenêtres d’acquisition acquises alors que la vitesse du véhicule est inférieure au seuil minimal Cmin permet d’améliorer le rapport signal sur bruit. En effet ces fenêtres d’acquisition correspondent à des phases de fonctionnement du véhicule pendant lesquelles le signal vibratoire V est faible, et donc peu riche en informations pertinentes. Sur l’exemple de la figure 4, on constate ainsi que le signal est très faible pendant les périodes de fonctionnement comprises entre les instants et t5, ainsi que pour les périodes comprises entre les instants te et t7. Ces périodes correspondent à des phases pendant lesquelles le véhicule roule à très faible vitesse, ou est à l’arrêt. Il est ainsi possible d’éliminer des résultats acquis les points correspondant à ces périodes temporelles.
Les échantillons du signal vibratoire V acquis pendant des fenêtres temporelles correspondant à une vitesse d’avancement C du véhicule 100 inférieure au seuil minimal prédéterminé Cmin sont ainsi éliminés.
Autrement dit, lorsqu’une fenêtre d’acquisition correspond à une vitesse d’avancement du véhicule trop faible, le contenu de cette fenêtre d’acquisition, c’est-à-dire les échantillons de mesure acquis durant cette fenêtre temporelle d’acquisition, ne sont pas pris en compte pour la suite du procédé proposé. Seuls les échantillons des fenêtres temporelles d’acquisition correspondant à une vitesse d’avancement suffisante du véhicule sont conservés.
[140] Pour un véhicule routier, le seuil Cmin est par exemple égal à 10 km/h. Lorsque la vitesse d’avancement C du véhicule 100 est inférieure au seuil prédéterminé Cmin pendant toute la durée d’une fenêtre d’acquisition Wj du signal vibratoire V, cette fenêtre d’acquisition Wj est éliminée de l’ensemble des données acquises. Autrement dit, les données acquises pendant cette fenêtre d’acquisition Wi ne sont pas utilisées par les étapes suivantes du procédé.
[141] Par exemple, le procédé peut comprendre une étape :
- (iii3) éliminer de l’ensemble des fenêtres temporelles Wi, ..., Wn acquises les fenêtres temporelles correspondant à une vitesse nulle du véhicule 100.
Autrement dit, seules les fenêtres temporelles correspondant à un véhicule roulant sont conservées.
[142] Etant donné la fréquence et la durée d’acquisition, la matrice formée par l’ensemble de suites Si, ..., Sn de composantes spectrales (A1 , A2, ..., Ap) du signal vibratoire V présente un grand nombre de ligne ainsi que de colonnes. Cette matrice peut comprendre plusieurs milliers de composantes spectrales et plusieurs centaines de fenêtres temporelles. Cependant, la majeure partie de la variance des données calculées peut être conservée en utilisant nettement moins de fréquences spectrales indépendantes. Les calculs peuvent ainsi être significativement simplifiés tout en conservant une précision suffisante.
[143] En variante ou de manière complémentaire, le procédé comprend une étape :
- (iii2’) éliminer de l’ensemble des fenêtres temporelles (Wi, ..., Wn) acquises les fenêtres temporelles correspondant à une vitesse d’avancement C du véhicule 100 supérieure à un seuil maximal prédéterminé Cmax.
Cette étape peut permettre d’éliminer les fenêtres d’acquisition pour lesquelles une saturation du signal risque de se produire.
[144] Le procédé peut comprendre une étape de normalisation des données. On entend par là que l’échelle des signaux est recadrée de façon à avoir une moyenne nulle et un écart-type égal à 1. La transformation de recadrage est ici une transformation affine.
Pour cela, la moyenne et l’écart-type des composantes spectrales (A1 , A2, ..., Ap) sont déterminés pour chaque suite Sk de l’ensemble de suites Si, ..., Sn.
Puis, chaque échantillon est normalisé en soustrayant la moyenne préalablement déterminée et en divisant le résultat de cette soustraction par l’écart-type préalablement déterminé.
[145] La valeur normalisée Xj norm d’un échantillon Xj d’une variable X possédant une moyenne Moy et un écart type Ec est ainsi :
[Math. 1] [147] Les données utilisées pour la suite des étapes du procédé sont ainsi les valeurs normalisées de l’ensemble de suites (Si, Sn) de composantes spectrales (A1 , A2, Ap).
Sur l’exemple de la figure 5, la réduction de dimensions jusqu’à 2 dimensions a été réalisée sur un jeu de données normalisées. Les deux composantes principales ont ainsi des valeurs distribuées de part et d’autre de la valeur nulle.
L’étape de normalisation est optionnelle.
[148] L’étape (iv) de détermination d’un indicateur I de défaut structurel du procédé proposé comprend ainsi une étape (iv1 ) de réduction de dimensions de l’ensemble de suites Si, ..., Sn de composantes spectrales (A1 , A2, ..., Ap) du signal vibratoire V, de façon à obtenir un ensemble de suites réduites SRi, ..., SRn de combinaisons de composantes spectrales du signal vibratoire V. Chaque suite réduite SRk comporte un nombre q de composantes spectrales inférieur au nombre p de composantes spectrales déterminées à l’étape (ii). Toutes les suites réduites ont le même nombre q de fréquences spectrales.
[149] L’étape de réduction de dimensions permet de diminuer la complexité des calculs effectués. Le nombre de colonnes de la matrice formant l’ensemble des suites de composantes spectrales est ainsi diminué par rapport aux données initiales constituées. Le nombre de lignes de la matrice reste inchangé, car toutes les fenêtres d’acquisition sont conservées.
[150] Selon un mode de réalisation du procédé, l’étape (iv1 ) de réduction de dimensions de l’ensemble de suites Si, ..., Sn de composantes spectrales du signal vibratoire V met en oeuvre un algorithme non supervisé de réductions de dimensions. Un algorithme non supervisé permet une adaptation simple à une large diversité de définitions techniques.
[151] L’algorithme mis en oeuvre pour la réduction de dimensions peut être basé sur un réseau auto-encodeur, couramment désigné par l’acronyme Anglais « DAE » pour « Deep Auto Encoder ». L’étape (iv1 ) de réduction de dimensions de l’ensemble de suites de composantes spectrales du signal vibratoire est ainsi réalisée par encodage d’une suite de composantes spectrales du signal vibratoire, à l’aide d’un encodeur d’un réseau autoencodeur pré-entrainé, dans un espace latent de dimension réduite.
[152] Un algorithme d’analyse en composante principale, couramment désigné par l’acronyme Anglais « PCA » pour « Principal Component Analysis » est un autre exemple d’algorithme pouvant être mis en oeuvre pour réaliser l’étape de réduction de dimensions. [153] L’algorithme non supervisé de réductions de dimensions génère un modèle M de réduction de dimensions.
[154] L’ ensemble de suites réduites SRi, SRn de composantes spectrales est ainsi déterminé par un modèle M obtenu par apprentissage automatique.
[155] Le procédé peut ainsi s’adapter automatiquement à la configuration mécanique sur lequel le procédé est utilisé.
[156] Selon un exemple de mise en oeuvre du procédé, une suite réduite SRk de composantes spectrales comprend par exemple sept éléments.
Dans ce cas, une suite réduite SRk de composantes spectrales comprend sept éléments fréquentiels. Le nombre q vaut 7.
Selon un autre exemple de mise en oeuvre du procédé, une suite réduite SRk de composantes spectrales comprend par exemple trois éléments. Le nombre q vaut ainsi 3. Selon encore un autre exemple de mise en oeuvre du procédé, une suite réduite SRk de composantes spectrales comprend par exemple deux éléments. Le nombre q vaut alors 2.
[157] Autrement dit, la matrice formant l’ensemble des suites de composantes spectrales comprend alors seulement respectivement 7 colonnes, 3 colonnes, 2 colonnes. Les calculs associés peuvent ainsi être réduits par un large facteur par rapport aux données initialement acquises. La matrice comprend autant de lignes que de fenêtres temporelles conservées après les étapes d’élimination des fenêtres acquises dans des conditions défavorables, par exemple pour des vitesses véhicules trop faibles ou trop élevées, comme vu précédemment.
[158] Le modèle M de réduction de dimensions de l’ensemble de suites (Si, ..., Sn) de composantes spectrales du signal vibratoire V est obtenu par apprentissage automatique du signal vibratoire V à partir d’un sous-ensemble de fenêtres temporelles acquises dans des conditions de référence dans lesquelles l’élément 10 du train roulant 20 est exempt de défaut structurel.
Par exemple, le réseau auto-encodeur est entraîné dans des conditions dans lesquelles un défaut structurel n’est pas présent.
[159] On entend ainsi que les échantillons du signal vibratoire acquis lors de fenêtres temporelles d’acquisition correspondant à des conditions de référence sont utilisés pour réaliser l’apprentissage automatique permettant d’obtenir le modèle M de réduction de dimensions.
Autrement dit, le contenu des fenêtres temporelles acquises dans les conditions de référence sert de base pour entrainer le modèle M de réduction de dimensions. Les fenêtres temporelles correspondant aux conditions de référence forment un sous- ensemble de l’ensemble complet (Wi, Wn) des fenêtres d’acquisition.
Les conditions de référence sont des conditions dans lesquelles aucun défaut structurel n’est présent.
[160] Des vérifications détaillées de l’état mécanique des différents éléments du train roulant 20 sont de préférence réalisées par un ou des opérateurs de maintenance avant la phase d’acquisition des données de référence. Lorsqu’une vérification détaillée n’est pas souhaitée car trop coûteuse en ressources, l’état neuf du véhicule peut être considéré comme représentatif des conditions de référence sans défaut structurel et définissant l’état de fonctionnement nominal du véhicule.
[161] La figure 5 illustre des résultats obtenus après une réduction de dimensions jusqu’à 2 dimensions. Les résultats sont ainsi traçables dans un plan, chaque axe représentation une combinaison linéaire de fréquences spectrales. Chaque point du nuage de point correspond à une fenêtre d’acquisition temporelle. L’axe horizontal C1 correspond à une première combinaison de fréquences spectrales et l’axe vertical C2 correspond à une deuxième combinaison de fréquences spectrales.
Comme indiqué précédemment, chaque fenêtre d’acquisition peut provenir d’une moyenne d’une pluralité de fenêtres d’acquisition élémentaires et certaines fenêtres élémentaires peuvent avoir été éliminées car correspondant à des vitesses trop faibles du véhicule.
Par commodité, les exemples pour lesquels la réduction de dimensions est faite jusqu’à obtenir trois dimensions ou sept dimensions n’ont pas été représentés.
[162] L’étape suivante du procédé consiste à reconstruire le signal vibratoire initialement acquis, ou plus précisément les composantes spectrales du signal vibratoire acquis, à partir de la suite réduite de composantes spectrales déterminée.
[163] Pour cela, le procédé comprend une étape :
- (iv2) déterminer, pour chaque fenêtre temporelle Wk, une suite reconstruite S’k de composantes spectrales A’1 , A’2, ..., A’p du signal vibratoire V acquis pendant la fenêtre temporelle Wk à partir de la suite réduite SRk de combinaisons de composantes spectrales et à partir d’un modèle de reconstruction P obtenu à partir du modèle M de réduction de dimensions.
[164] L’étape de reconstruction du signal vibratoire acquis est l’étape inverse de l’étape de réduction de dimensions. La figure 6 illustre schématiquement l’organisation des différentes étapes du procédé, avec une série d’étapes de traitement des données visant à réaliser une réduction de dimensions des données issues du signal acquis et une série de traitement inverses, permettant de comparer le signal acquis et un signal reconstruit.
[165] Le modèle de reconstruction P des composantes spectrales A’ 1 , A’2, A’p du signal vibratoire V acquis est ainsi basé sur un apprentissage automatique du signal vibratoire V à partir d’un sous-ensemble de fenêtres temporelles acquises dans des conditions de référence dans lesquelles l’élément 10 du train roulant 20 est exempt de défaut structurel.
[166] Le modèle de reconstruction P du signal vibratoire V acquis est obtenu par inversion du modèle M de réduction de dimensions.
[167] Le modèle de reconstruction peut ainsi être déterminé facilement à partir du modèle déjà constitué pour la réduction de dimensions des données acquises.
[168] Lorsque l’algorithme de réduction de dimensions de la matrice d’origine est de type analyse en composantes principales, l’étape de réduction de dimensions revient à projeter l’espace multidimensionnel formé par les données d’origine sur des directions principales d’un espace de dimension réduite. Pour cela, la matrice des données d’origine Y est décomposée en un produit de trois matrices de la forme B x C x DT, les matrices B et D étant des matrices orthogonales, donc inversibles. DT désigne la matrice transposée de D. La matrice D contient les vecteurs propres de la matrice de covariance de Y.
La réduction de dimensions se fait en multipliant la matrice d’origine Y par une matrice de projection D’ contenant une sélection des colonnes de la matrice D correspondant aux plus grandes valeurs propres de Y. Pour obtenir la matrice D’, les différentes colonnes de la matrice D sont ordonnées par valeur décroissante, et seules les colonnes contenant les valeurs les plus élevées sont conservées. Le nombre de colonnes conservées correspond à la nouvelle dimension, réduite par rapport à la dimension d’origine. Plus le nombre de colonnes conservé est élevé, plus une proportion importante de la variance du signal est conservée.
Une multiplication par l’inverse de la matrice D’ permet de faire la transformation inverse de la réduction de dimensions, c’est-à-dire la reconstruction des composantes spectrales du signal d’origine à partir des composantes spectrales réduites. L’étape (iv1 ) de réduction de dimensions et l’étape (iv2) de reconstruction des composantes spectrales sont réalisées par du calcul matriciel, c’est-à-dire de l’algèbre linéaire.
[169] Lorsque l’algorithme de réduction de dimensions est basé sur un réseau autoencodeur, l’étape de reconstruction des composantes spectrales A 1 , A’2, ..., A’p du signal vibratoire V acquis est assuré par le passage de l’espace latent à la couche de sortie de l’auto-encodeur. Le réseau auto-encodeur assure à la fois l’étape (Iv1 ) de réduction de dimensions des composantes spectrales ainsi que l’étape (iv2) de reconstruction des composantes spectrales.
[170] La figure 7 illustre deux exemples de comparaison entre une suite de composantes spectrales du signal acquis et une suite reconstruite S’k de composantes spectrales A’1 , A’2, A’p. La partie A correspond à une première fenêtre d’acquisition temporelle débutant à un instant a, la partie B correspond à une autre fenêtre d’acquisition temporelle débutant à un autre instant b. Sa et Sb désignent les composantes spectrales du signal V acquis, en trait noir. S’a et S’b désignent les composantes spectrales du signal reconstruit, en traits plus clairs. Pour chacune des deux fenêtres temporelles, on constate que le signal reconstruit est similaire au signal acquis, tout en étant plus lisse, c’est-à-dire moins bruité. Ceci est la conséquence de l’étape de réduction de dimensions, qui a permis de conserver l’essentiel de la variance des données.
[171] L’étape suivante du procédé consiste à comparer le signal vibratoire reconstruit et le signal vibratoire acquis initialement. Les composantes spectrales du signal acquis et les composantes spectrales reconstruites après la réduction de dimensions sont ainsi comparées.
[172] Pour cela, le procédé comprend une étape :
- (iv3) Déterminer, pour chaque fenêtre temporelle Wk, un écart E entre la suite Sk de composantes spectrales (A1 , A2, ..., Ap) du signal vibratoire V acquis et la suite reconstruite S’k de composantes spectrales (A’1 , A’2, ..., A’p) du signal vibratoire V, et l’indicateur de défaut structurel I est basé sur l’écart E déterminé.
[173] En absence de défaut structurel, les composantes spectrales reconstruites du signal sont proches des composantes spectrales du signal initialement acquis. Un écart relativement plus important indique que le comportement du système mécanique s’écarte du comportement modélisé en l’absence de défaut, ce qui tend à indiquer la présence d’un défaut.
[174] Selon un mode de réalisation du procédé, l’écart E entre la suite Sk de composantes spectrales (A1 , A2, ..., Ap) du signal vibratoire V acquis et la suite reconstruite S’k de composantes spectrales (A’1 , A’2, ..., A’p) du signal vibratoire V est déterminé pour l’ensemble des composantes spectrales (A1 , A2, ..., Ap) du signal vibratoire V.
[175] En d’ autres termes, les composantes spectrales du signal sont reconstruites pour la totalité des fréquences spectrales, et l’écart entre le signal d’origine et le signal reconstruit est également déterminé en prenant en compte la totalité des fréquences spectrales, c’est- à-dire toute l’information fréquentielle du signal.
[176] Selon une variante du procédé, l’écart E entre la suite Sk de composantes spectrales (A1 , A2, ..., Ap) du signal vibratoire V acquis et la suite reconstruite S’k de composantes spectrales (A’1 , A’2, ..., Ap) du signal vibratoire V est déterminé pour un sous-ensemble de composantes spectrales (Ai, ..., Aj).
Le sous-ensemble de composantes spectrales (Ai, ..., Aj) est un sous-ensemble de la suite (S) de composantes spectrales (A1 , A2, ..., Ap) du signal vibratoire V acquis, comportant strictement moins d’éléments que l’ensemble complet de la suite S de composantes spectrales.
[177] Autrement dit, les composantes spectrales du signal sont aussi reconstruites pour la totalité des fréquences spectrales, mais l’écart entre le signal d’origine et le signal reconstruit est dans ce cas déterminé en prenant en compte seulement certaines plages de fréquences, qui sont sélectionnées. L’écart entre les composantes spectrales du signal d’origine et les composantes spectrales du signal reconstruit peut ainsi être quantifié seulement dans les plages de fréquence les plus favorables à la mise en évidence d’un défaut structurel. Par exemple, les plages de basse fréquence sont généralement plus adaptées pour identifier un défaut de type surcharge, ou diminution de l’efficacité de l’amortissement. Les plages de haute fréquence sont plus adaptées pour identifier de type fissure dans une lame d’un ressort à lames.
[178] L’ écart entre le signal initialement acquis et le signal reconstruit peut être calculé selon différentes méthodes mathématiques.
[179] Par exemple, l’écart E déterminé est la distance euclidienne entre la suite Sk de composantes spectrales (A1 , A2, ..., Ap) du signal vibratoire V acquis et la suite reconstruite S’k de composantes spectrales (A’1 , A’2, ..., A’p) du signal vibratoire V.
[180] Par définition, la distance Euclidienne entre un vecteur X de composantes Xi, ..., Xq et un vecteur Y de composantes (Yi, ..., Yq) est égale à la racine carrée de la somme, sur l’ensemble des composantes des vecteurs, des carrés des écarts entre les composantes Xk et Yk des deux vecteurs X et Y.
[181] On a ainsi :
[Math. 2] [183] A l’étape suivante, le seuil de détection Th est déterminé, ce seuil permettant de différencier un état exempt de défaut structurel et un état ou un défaut structurel est présent.
[184] Le procédé comprend ainsi une étape :
- (iv4) Déterminer un seuil de détection Th, le seuil de détection Th étant égal à la valeur maximale de l’écart déterminé E pour un sous-ensemble de fenêtres temporelles acquises dans des conditions de référence dans lesquelles l’élément 10 du train roulant 20 est exempt de défaut structurel.
[185] Comme précédemment, on entend ainsi que les échantillons du signal vibratoire V provenant de fenêtres temporelles d’acquisition acquises dans les conditions de référence sont utilisés pour déterminer le seuil de détection Th.
Autrement dit, le contenu des fenêtres temporelles acquises dans les conditions de référence sert de base pour déterminer le seuil de détection Th.
Le seuil de détection Th est ainsi déterminé sur la base d’échantillons de mesure provenant d’un élément de train roulant ne comportant aucun défaut structurel.
[186] L’apprentissage réalisé dans les conditions de référence permet de définir le seuil de détection Th permettant d’établir la présence d’un défaut structurel. Le procédé peut ainsi être adapté automatiquement à n’importe quelle configuration mécanique. De plus, le seuil permettant de définir un défaut peut être remis à jour périodiquement en fur et à mesure de la collecte des données acquises dans des conditions de référence. La robustesse du procédé est ainsi améliorée.
[187] La présence d’un défaut est déterminée par comparaison entre l’écart E préalablement calculé et le seuil de défaut Th préalablement déterminé.
[188] Le procédé comprend ainsi une étape :
- (iv5-a) si l’écart déterminé E est inférieur ou égal au seuil de détection Th, l’indicateur de défaut structurel I prend une première valeur I0 correspondant à une absence de défaut structurel,
- (iv5-b) si l’écart déterminé E est supérieur au seuil de détection Th, l’indicateur de défaut structurel I prend une deuxième valeur 11 correspondant à une présence de défaut structurel.
[189] Un écart important entre le signal vibratoire V acquis et le signal vibratoire reconstruit V’ indique la présence d’un défaut structurel dans le système mécanique. Un faible écart indique que la réponse du système est conforme au comportement modélisé en absence de défaut. [190] L’ indicateur de défaut structurel I peut prendre des valeurs discrètes, une première valeur I0 correspondant à une absence de défaut structurel et une deuxième valeur 11 correspondant à une présence de défaut structurel. Plus précisément, l’indicateur de défaut structurel I prend ici des valeurs binaires.
[191] La figure 8 illustre le comportement de la variable écart E pour un premier véhicule ne présentant pas de défaut et un deuxième véhicule présentant un défaut. Plus précisément, ; l’axe vertical représente l’écart E divisé par le seuil de détection Th. Chaque point de la figure correspond au traitement réalisé pour une fenêtre d’acquisition temporelle. La ligne horizontale en pointillés correspond donc à la limite entre la zone correspondant à une absence de défaut, au-dessous de cette ligne, et la zone correspondant à un défaut présent, au-dessus de la ligne. Les 75 premiers points de mesure correspondent à un fonctionnement dans les conditions de référence sans défaut. On peut remarquer que le point P20 est le point utilisé pour la détermination du seuil de défaut, puisque ce point correspond à la valeur maximale en absence de défaut. La valeur E/Th vaut par définition 1 pour ce point de mesure. Dans la zone située au-dessous de la ligne horizontale pointillée, l’indicateur de défaut structurel est égal à 0. Les points de mesure à partir de 75 correspondent aux mesures faites sur un véhicule pour lequel un ressort à lames présentait un défaut structurel, sous la forme d’une fissure. Pour tous ces points de mesure la valeur du rapport E/Th est supérieure à 1 , c’est-à-dire que l’écart E est supérieur à seuil de détection Th. L’indicateur de défaut structurel prend donc la valeur 1 , indiquant la présence d’un défaut structurel. La zone située au-dessus de la ligne horizontale pointillée correspond à la zone dans laquelle un défaut structurel est détecté.
[192] Le but premier d’une détection de défaut structurel est de permettre à l’opérateur du véhicule ou à son gestionnaire de prendre des actions correctives. Il est ainsi préférable d’informer l’opérateur ou le gestionnaire lorsque le procédé proposé détecte la présence d’un défaut.
[193] Le procédé comprend ainsi une étape :
- (v) émettre un signal d’alerte en réponse en fonction de l’indicateur de défaut structurel I.
[194] Le signal d’alerte émis permet de déclencher une analyse approfondie de l’organe du véhicule et d’anticiper une défaillance.
[195] Une alerte peut être émise dès qu’un évènement correspondant à une détection de défaut structurel est détecté. Il est aussi possible d’émettre une alerte uniquement si plusieurs évènements correspondant à un défaut sont détectés, afin de confirmer la présence du défaut.
[196] Le procédé peut ainsi comprendre les étapes :
- (v1 ) déterminer une valeur moyenne Imoy de l’indicateur de défaut structurel I,
- (v2) émettre un signal d’alerte si un écart entre la valeur moyenne déterminée Imoy et une valeur de référence est supérieur à un seuil prédéterminé Th2.
[197] Un changement de valeur isolé de l’indicateur de défaut structurel ne déclenche pas de signal d’alerte. Des changements de valeurs répétés déclenchent l’émission d’un signal d’alerte. Aucun signal d’alerte n’est émis lorsque la valeur moyenne déterminée Imoy est inférieure ou égale au seuil prédéterminé Th2. La valeur de référence est la valeur correspondant à une absence constante de défaut. Il peut être arbitrairement choisi qu’un état sans défaut correspond à la valeur 0 de l’indicateur I. Dans ce cas, un état avec défaut correspond à la valeur 1 de l’indicateur I. Une convention différente peut être choisie, c’est à dire qu’il peut aussi être arbitrairement choisi d’attribuer la valeur 1 à l’indicateur pour un fonctionnement sans défaut structurel, et la valeur 0 pour un fonctionnement avec défaut structurel.
[198] Le signal d’alerte peut être un code défaut mémorisé dans une unité électronique de contrôle. Selon une variante ou de manière complémentaire, le signal d’alerte peut être un allumage d’un voyant. Le voyant peut par exemple être visible sur le tableau de bord du véhicule. Selon une autre variante ou également de manière complémentaire, le signal d’alerte peut être un message envoyé à un gestionnaire du véhicule.
[199] La divulgation concerne également un dispositif de détection 50 de défaut structurel dans un élément 10 d’un train roulant 20 de véhicule terrestre 100, comportant :
- au moins un accéléromètre 7,
- un dispositif d’acquisition 8 du signal de l’accéléromètre 7,
- une unité électronique de contrôle 15 configurée pour mettre en oeuvre le procédé décrit précédemment.
[200] Un ou plusieurs dispositifs de détection 50 peuvent équiper un véhicule donné. Le nombre de dispositifs d’acquisition du signal dépend des capacités de ce dispositifs, ainsi que du nombre d’accéléromètres employés. Le nombre d’éléments à surveiller dans le cas d’un train est naturellement plus élevé que pour une camionnette comportant deux essieux.
[201] Selon un mode de réalisation du dispositif de détection 50, l’unité électronique de contrôle 15 est externe au véhicule 100, et le dispositif de détection 50 comprend un moyen de communication 9 configuré pour transmettre les acquisitions du signal de l’accéléromètre 7 à l’unité électronique de contrôle 15.
En variante ou de manière complémentaire, le moyen de communication 9 peut être configuré pour transmettre les composantes spectrales du signal de l’accéléromètre 7 à l’unité électronique de contrôle 15.
[202] Les données acquises lors de la mesure du signal vibratoire sont ainsi envoyées vers un serveur distant de type « informatique en nuage ». Le véhicule comprend seulement l’équipement électronique permettant l’acquisition des données et leur transmission vers le ou les serveurs distants. Le traitement des données est réalisé par des moyens informatiques délocalisés par rapport au véhicule. L’instrumentation nécessaire au véhicule est ainsi limitée. Le nombre de véhicules sur lequel le procédé est mis en oeuvre n’est pas limité. Le procédé peut ainsi être mis en oeuvre sur une partie ou sur l’ensemble d’une flotte de véhicule. Les alertes peuvent par exemple être envoyées à un gestionnaire de la flotte de véhicules. Le gestionnaire peut ainsi organiser une intervention de contrôle sur chaque véhicule pour lequel un signal d’alerte a été émis, et si nécessaire une intervention de réparation. La surveillance peut continuer jusqu’au moment de la réalisation de l’intervention de réparation.

Claims

Revendications
[Revendication 1] Procédé de détermination d’un indicateur (I) de défaut structurel d’un élément (10) d’un train roulant (20) de véhicule terrestre (100), le procédé comprenant les étapes :
(i) acquérir pendant une fenêtre temporelle (W) d’acquisition un signal vibratoire (V) associé à l’élément (10) du train roulant (20),
(ii) déterminer une suite (S) de composantes spectrales (A1 , A2, ..., Ap) du signal vibratoire (V) acquis pendant la fenêtre temporelle (W) d’acquisition,
(iii) itérer les étapes (i) et (ii) pour un ensemble de fenêtres temporelles (Wi, ..., Wn) d’acquisition de façon à obtenir un ensemble de suites (Si, ..., Sn) de composantes spectrales du signal vibratoire (V), chaque suite (Sk) de l’ensemble de suites (Si, ..., Sn) correspondant à une fenêtre temporelle (Wk) d’acquisition,
(iv) déterminer un indicateur (I) de défaut structurel de l’élément (10) du train roulant (20) à partir de l’ensemble de suites (Si, ..., Sn) de composantes spectrales du signal vibratoire (V) et à partir d’un modèle de détection mettant en oeuvre un algorithme d’apprentissage automatique.
[Revendication 2] Procédé selon la revendication 1 , dans lequel le défaut structurel est une fissure de l’élément (10) du train roulant (20), dans lequel l’élément (10) du train roulant (20) est un élément élastique de suspension du véhicule (100), dans lequel l’élément élastique de suspension (10) est un ressort à lames, disposé entre un essieu (1 ) du véhicule et un châssis (2) du véhicule.
[Revendication 3] Procédé selon la revendication 2, dans lequel le signal vibratoire (V) est un signal d’accélération d’un capteur d’accélération (7) disposé sur l’élément (10) du train roulant (20) du véhicule, ou disposé sur l’essieu (1 ), ou disposé sur le châssis (2) du véhicule (100).
[Revendication 4] Procédé selon l’une des revendications précédentes, dans lequel le signal vibratoire (V) est échantillonné pendant chaque fenêtre temporelle (W) d’acquisition à une fréquence d’acquisition prédéterminée (Fa), le procédé comprenant une étape :
(iii1 ) déterminer la vitesse d’avancement (C) du véhicule (100),
(iii2) éliminer de l’ensemble des échantillons du signal vibratoire (V) des fenêtres temporelles (Wi, ..., Wn) d’acquisition les échantillons du signal vibratoire (V) des fenêtres temporelles correspondant à une vitesse d’avancement (C) du véhicule (100) inférieure à un seuil minimal prédéterminé (Cmin).
[Revendication 5] Procédé selon l’une des revendications précédentes, dans lequel l’étape (iv) de détermination d’un indicateur (I) de défaut structurel comprend une étape (iv1 ) de réduction de dimensions de l’ensemble de suites (Si, Sn) de composantes spectrales (A1 , A2, Ap) du signal vibratoire (V), de façon à obtenir un ensemble de suites réduites (SRi, SRn) de combinaisons de composantes spectrales du signal vibratoire (V), chaque suite réduite (SRk) comportant un nombre de composantes spectrales inférieur au nombre p de composantes spectrales déterminées à l’étape (ii).
[Revendication 6] Procédé selon la revendication précédente, dans lequel l’étape (iv1 ) de réduction de dimensions de l’ensemble de suites (Si, ..., Sn) de composantes spectrales du signal vibratoire (V) met en oeuvre un algorithme non supervisé de réductions de dimensions, l’algorithme non supervisé de réductions de dimensions générant un modèle (M) de réduction de dimensions.
[Revendication 7] Procédé selon la revendication précédente, dans lequel le signal vibratoire (V) est échantillonné pendant chaque fenêtre temporelle (W) d’acquisition à une fréquence d’acquisition prédéterminée (Fa), et dans lequel le modèle (M) de réduction de dimensions de l’ensemble de suites (Si, ..., Sn) de composantes spectrales du signal vibratoire (V) est obtenu par apprentissage automatique du signal vibratoire (V) à partir des échantillons du signal vibratoire (V) d’un sous-ensemble de fenêtres temporelles d’acquisition acquis dans des conditions de référence dans lesquelles l’élément (10) du train roulant (20) est exempt de défaut structurel.
[Revendication 8] Procédé selon la revendication précédente, comprenant une étape : (iv2) déterminer, pour chaque fenêtre temporelle (Wk), une suite reconstruite (S’k) de composantes spectrales (A’1 , A’2, ..., A’p) du signal vibratoire (V) acquis pendant la fenêtre temporelle (Wk) à partir de la suite réduite (SRk) de combinaisons de composantes spectrales et à partir d’un modèle de reconstruction (P) obtenu à partir du modèle (M) de réduction de dimensions.
[Revendication 9] Procédé selon la revendication précédente, dans lequel le modèle de reconstruction (P) des composantes spectrales du signal vibratoire (V) acquis est obtenu par inversion du modèle (M) de réduction de dimensions.
[Revendication 10] Procédé selon la revendication 8 ou 9, comprenant une étape :
(iv3) Déterminer, pour chaque fenêtre temporelle (Wk), un écart (E) entre la suite (Sk) de composantes spectrales (A1 , A2, Ap) du signal vibratoire (V) acquis et la suite reconstruite (S’k) de composantes spectrales (A’1 , A’2, A’p) du signal vibratoire (V), procédé dans lequel l’indicateur de défaut structurel (I) est basé sur l’écart (E) déterminé.
[Revendication 11] Procédé selon la revendication précédente, dans lequel l’écart (E) entre la suite (Sk) de composantes spectrales (A1 , A2, ..., Ap) du signal vibratoire (V) acquis et la suite reconstruite (S’k) de composantes spectrales (A’1 , A’2, ..., A’p) du signal vibratoire (V) est déterminé pour un sous-ensemble de composantes spectrales (Ai, ..., Aj).
[Revendication 12] Procédé selon la revendication 10 ou 11 , dans lequel l’écart (E) déterminé est la distance euclidienne entre la suite (Sk) de composantes spectrales (A1 , A2, ..., Ap) du signal vibratoire (V) acquis et la suite reconstruite (S’k) de composantes spectrales (A’1 , A’2, ..., A’p) du signal vibratoire (V).
[Revendication 13] Procédé selon l’une des revendications 10 à 12, dans lequel le signal vibratoire (V) est échantillonné pendant chaque fenêtre temporelle (W) d’acquisition à une fréquence d’acquisition prédéterminée (Fa), le procédé comprenant les étapes :
(iv4) Déterminer un seuil de détection (Th), le seuil de détection (Th) étant égal à la valeur maximale de l’écart déterminé (E) pour les échantillons du signal vibratoire (V) d’un sous- ensemble de fenêtres temporelles d’acquisition acquis dans des conditions de référence dans lesquelles l’élément (10) du train roulant (20) est exempt de défaut structurel,
(iv5-a) si l’écart déterminé (E) est inférieur ou égal au seuil de détection (Th), l’indicateur de défaut structurel (I) prend une première valeur (I0) correspondant à une absence de défaut structurel,
(iv5-b) si l’écart déterminé (E) est supérieur au seuil de détection (Th), l’indicateur de défaut structurel (I) prend une deuxième valeur (11 ) correspondant à une présence de défaut structurel.
[Revendication 14] Procédé selon la revendication précédente, comprenant les étapes : (v1 ) déterminer une valeur moyenne (Imoy) de l’indicateur de défaut structurel (I),
(v2) émettre un signal d’alerte si un écart entre la valeur moyenne déterminée (Imoy) et une valeur de référence est supérieur à un seuil prédéterminé (Th2).
[Revendication 15] Dispositif de détection (50) de défaut structurel dans un élément (10) d’un train roulant (20) de véhicule terrestre (100), comportant :
- au moins un accéléromètre (7), - un dispositif d’acquisition (8) du signal de l’accéléromètre (7),
- une unité électronique de contrôle (15) configurée pour mettre en oeuvre le procédé selon l’une des revendications précédentes, dans lequel l’unité électronique de contrôle (15) est externe au véhicule (100), et dans lequel le dispositif de détection (50) comprend un moyen de communication (9) configuré pour transmettre les acquisitions ou les composantes spectrales du signal de l’accéléromètre (7) à l’unité électronique de contrôle (15).
EP23841607.7A 2022-12-30 2023-12-22 Procédé de détermination d'un indicateur de défaut structurel Pending EP4643108A1 (fr)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR2214710A FR3144663B1 (fr) 2022-12-30 2022-12-30 Procédé de détermination d’un indicateur de défaut structurel
PCT/FR2023/052109 WO2024141739A1 (fr) 2022-12-30 2023-12-22 Procédé de détermination d'un indicateur de défaut structurel

Publications (1)

Publication Number Publication Date
EP4643108A1 true EP4643108A1 (fr) 2025-11-05

Family

ID=85937280

Family Applications (1)

Application Number Title Priority Date Filing Date
EP23841607.7A Pending EP4643108A1 (fr) 2022-12-30 2023-12-22 Procédé de détermination d'un indicateur de défaut structurel

Country Status (4)

Country Link
EP (1) EP4643108A1 (fr)
AU (1) AU2023416254A1 (fr)
FR (1) FR3144663B1 (fr)
WO (1) WO2024141739A1 (fr)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN119125883B (zh) * 2024-11-13 2025-04-18 山东悦群机械有限公司 一种旋切机健康状态监测方法
CN119269091B (zh) * 2024-12-09 2025-02-25 南京航空航天大学 无线遥测旋转传动系统的振动应力监测方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102519736B (zh) * 2011-12-15 2015-05-13 三一重工股份有限公司 汽车减震器与钢板弹簧的测试台、匹配性测试系统及方法
CN108267312B (zh) * 2017-12-25 2019-10-29 北京建筑大学 一种基于快速搜索算法的地铁列车轴承智能诊断方法
US10801923B2 (en) * 2018-05-17 2020-10-13 Ford Global Technologies, Llc Method and system for vehicle suspension system
US11422067B2 (en) * 2019-07-29 2022-08-23 GM Global Technology Operations LLC Method and system for quantifying dynamic response characteristics of a real-time damper
US11462058B2 (en) * 2020-10-29 2022-10-04 Caterpillar Inc. Undercarriage wear prediction based on machine vibration data

Also Published As

Publication number Publication date
FR3144663A1 (fr) 2024-07-05
FR3144663B1 (fr) 2024-11-29
WO2024141739A1 (fr) 2024-07-04
AU2023416254A1 (en) 2025-07-10

Similar Documents

Publication Publication Date Title
WO2024141739A1 (fr) Procédé de détermination d'un indicateur de défaut structurel
CA2418476C (fr) Procede d'identification d'une source d'un signal
FR3032273B1 (fr) Procede, systeme et programme d'ordinateur pour phase d'apprentissage d'une analyse acoustique ou vibratoire d'une machine
WO2009153436A1 (fr) Estimation d'un critere de charge subie par un composant structurel d'un aeronef, et aide a la detection d'un atterrissage dit "dur" grace a un tel critere
WO2019016445A1 (fr) Méthode de détection de l'état de la route et du pneumatique
EP3351452B1 (fr) Procédé et installation d'analyse automatique de l'évolution de la géométrie de voies de circulation
EP3601009B1 (fr) Dispositif de détection de défauts d'un rail et procédé de détection associé
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
FR3097962A1 (fr) Procédé de caractérisation de l’état d’une route
FR3144662A1 (fr) Procédé de détermination d’un indicateur de défaut structurel
EP1954544B1 (fr) Procede et dispositif de detection de defauts de circularite de roues de materiel ferroviaire et systeme comprenant un tel dispositif
FR3093493A1 (fr) Procédé de détection d’anomalie de matériel roulant exploitant un signal de déformation d’un support de rail
WO2023227512A1 (fr) Procédé de détection d'un type de route parcourue par un véhicule équipé
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
EP3068636A1 (fr) Procede d'aide a la decision par reseau de neurones dans un systeme de surveillance de la pression des pneumatiques d'un vehicule automobile
EP3205548B1 (fr) Procédé d'optimisation du confort dans un véhicule ferroviaire
EP4341106B1 (fr) Procede de surveillance d'un atterrisseur d'aeronef faisant usage d'au moins un accelerometre porte par une roue de l'atterrisseur, et aeronef mettant en oeuvre ce procede
FR3003986A1 (fr) Procede de detection et de prise en compte d'un changement abrupt d'au moins un indicateur de surveillance d'un dispositif.
EP3493153A1 (fr) Procédé et système de détection des défauts de géométrie d'une voie ferrée
WO2019063566A1 (fr) Procédé de détermination de la fréquence et de la phase instantanées d'un signal périodique
FR3007327A1 (fr) Procede et dispositif pour le controle d'un systeme de suspension actif d'un vehicule
FR2871889A1 (fr) Systeme de determination de la vitesse longitudinale d'un vehicule a roues
US20240319043A1 (en) Output from acoustic input
EP4434847A1 (fr) Procédé et système de détection et de caractérisation de défauts géométriques d'une voie ferrée
FR3067290B1 (fr) Procede de diagnostic de l'etat de gonflage d'un pneumatique de vehicule

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: 20250606

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)