FR2714750A1 - Système et procédé de diagnostic de défaut de machine. - Google Patents

Abstract

L'invention prévoit un système (400) de diagnostic de défaut de machine fiable pour aider à assurer une maintenance efficace du matériel. On a intégré plusieurs technologies différentes (420), pour améliorer la souplesse et la fiabilité du système de diagnostic de défaut. La technique principale utilisée pour le diagnostic de défaut est un réseau de diagnostic de défaut (FDN) qui est basé sur une architecture de réseau neuronique prédictif de résonance adaptative (ARTMAP) modifié. On décrit une procédure d'hypothèse et de test basée sur la logique floue (FL) et des modèles de paliers physiques, (430) qui s'associe au réseau de diagnostic de défaut pour détecter les défauts qui ne peuvent être reconnus par le réseau de diagnostic de défaut et pour analyser des états complexes de machine. La procédure décrite peut émettre des diagnostics de défaut précis pour des états de défaut simples ou multiples. De plus, on utilise une technique de traitement parallèle basée sur des transputers dans laquelle le réseau de diagnostic de défaut est réalisé sur un réseau de quatre transputers T800-25.

Description

SYSTEME ET PROCEDE DE DIAGNOSTIC DE DEFAUJT DE MACHINE

La présente invention concerne de façon générale le

domaine des diagnostics de défaut de machine et, plus particu-

lièrement, un système et un procédé qui utilisent la maintenance prédictive pour une surveillance en ligne et en temps réel de

pièces mécaniques en vue de défaillanoes possibles.

Au cours de ces dernières décennies, diverses mesures ont été prises dans l'industrie pour améliorer la productivité et la qualité. Cependant on a accordé peu d'attention au domaine de la maintenance. Dans une acoeption large, la maintenance

conerne le contrôle de l'état d'un matériel. Bien que la main-

tenance existe dans pratiquement toutes les entreprises indus-

trielles, on la considère souvent caomme une fonction auxiliaire d'un processus de fabrication. Ce n'est que depuis quelques

années que la maintenanoe a été reconnue comme une partie inté-

grante du processus de fabrication, permettant d'augmenter la

productivité et la qualité.

Etant donné que l'on utilise de plus en plus les robots, l'automation et des machines plus complexes dans les processus de fabrication, il serait plus Juste de dire que la productivité et la qualité dépendent des machines plutôt que des personnes qui les commandent. Les robots, par exemple, ont raemplacé les opérateurs humains dans des tâches telles que 1'assemblage, le chargement et le déchargement, le soudage par points et le contrôle de qualité. Pour maintenir ce matériel complexe dans un état satisfaisant, il faut augmenter à la fois la quantité et la complexité de la maintenance. On a besoin de 5 plus de temps de réparation et de plus de techniciens et d'ingé- nieurs de maintenance hautement qualifiés, que l'on paye très cher. Ceci, bien sûr, se traduit par des coûts de maintenance plus élevés. Quand le degré d'automation augmente, les coûts de maintenanoe augmentent également. Dans de nombreuses entrepri- ses, les coûts de maintenance représentent une des plus grandes

parts des coûts de fonctionnement totaux - souvent plus que les coûts directs de main-d' oeuvre. Par conséquent, une industrie moderne qui veut demeurer compétitive doit adopter une stratégie15 de maintenance qui réduise efficacement le coût de maintenance.

Les trois stratégies de maintenance les plus ourantes sont la maintenance de dépannage ou corrective (c'est-à-dire la réparation de la machine quand celle-ci tombe en panne), la maintenance préventive ou périodique (c'est-à-dire la mainte-20 nance de la machine à intervalles réguliers), et la maintenance prédictive ou basée sur l'état de la machine (c'est-à-dire la maintenance de la machine avant qu'elle ne tombe en panne). Pendant de nombreuses années, la plupart des sociétés de fabrication ont utilisé soit une maintenance de dépannage, soit une maintenance préventive. Cela revient soit à autoriser

les pannes de matériel, soit à réaliser une maintenance systéma-

tique pour réduire les risques de défaillance de la machine.

Cependant, la maintenance de dépannage ne convient que pour une machine sans grande importance, dont le remplacement ne coûte pas cher. Si le coût de la production perdue, les dégâts secon- daires potentiels du matériel et les risques potentiels de

sécurité sont élevés, cette stratégie devient inacceptable. Une amélioration manifeste à cette stratégie consiste en l'utili- sation de la maintenance préventive.

Bien que la maintenance préventive puisse réduire la

fréquence des pannes de machine, elle pose également des problè-

mes. En effet, il est premièrement très difficile de déterminer

la période entre deux révisions, car les machines et leurs piè-

ces constitutives ne défaillent pas nécessairement à intervalles réguliers. Deuxièmement, on perd un temps de production précieux

car la prudence recxumande d'inspecter autant de pièces que pos- sible pendant la période de révision. Troisièmement, on remplace souvent sans nécessité des pièces dans un état raisonnable.10 Par conséquent, l'adoption d'une stratégie de mainte- nance prédictive qui prédit l'état, le fonctionement et la fia-

bilité du matériel, de façon à prévoir la maintenance à 1'avan- ce, apparait comme la meilleure stratégie. Depuis peu, du fait des exigences croissantes en matière de qualité des produits et15 d'automation de la production, de plus en plus d'entreprises industrielles ont intégré la maintenanoe prédictive à leur programme de maintenance. Ce choix est dicté par la volonté d'augmenter la fiabilité, la productivité et la disponibilité tout en minimisant les coûts de maintenanoe et de fonctionnement

global de l'installation.

On peut considérer l'ensemble de la surveillance de machine et des diagnostics sur oelle-ci oemme un outil d'aide à

la décision qui permet d'identifier la cause d'une défaillance d'une pièce constitutive d'une machine ou d'un système, de même25 qu'il permet de prévoir son apparition à partir d'un symptôme.

Si le défaut de la machine n'est pas indiqué et identifié avec précision, on ne peut prévoir efficacement des programmes de

maintenance et de production, et la tâce de réparation néces-

saire ne peut être réalisée à temps. C'est pourquoi, la surveil-

lanoe de machine et les diagnostics sur celle-ci sont essentiels pour un programme de maintenance prédictive efficace.

Le but ultime de l'utilisation de la surveillance de machine et des diagnostics sur oelles-ci est d'augmenter la dis-

ponibilité du matériel et, de surcroît, de réduire les ooûts de35 la maintenance et des pannes inattendues de machines. Pour maximiser la disponibilité, on doit augmenter la fiabilité en maximisant le temps moyen entre les pannes et, en mâme temps, augmenter la facilité de maintenance en minimisant le temps moyen de réparation. Un résultat d'une surveillance et de 5 diagnostics constants est la réduction significative de la fréquence des pannes inattendues de machines et le repérage immédiat des défaillances de machines. On obtient ainsi une fiabilité et une facilité de maintenance accrues. On peut réaliser une surveillance de machine et des

diagnostics sur celle-ci en écoutant simplement le son produit pendant le fonctionnement de la machine ou en examinant visuel-

lement la qualité des pièces usinées pour déterminer l'état de la machine. Cependant, dans une telle situation,l'identification d'un défaut de machine dépend entièrement de l'expérience de15 l'opérateur ou de l'ingénieur. Par ailleurs, il existe de nombreux défauts de machine qui ne peuvent pas être estimés avec précision en se fiant seulement à des observations visuelles ou auditives, en particulier pendant le fonctionnement (par exem- ple, de l'usure et des fissures dans des paliers et des boites20 de vitesse). C'est pourquoi, on a élaboré des techniques de traitement du signal plus perfectionnées, telles que l'analyse

des vibrations, l'analyse de l'huile, l'émission acoustique, l'infrarouge et les ultrasons, pour aider les technicien et ingénieur de maintenance à détecter et diagnostiquer les défail-25 lances des machines.

Le type de technique de traitement du signal à uti-

liser pour la surveillance de machines et les diagnostics sur celles-ci dépend du type de paramètre de machine à surveiller et du type de défaut à considérer. On peut surveiller beaucoup

de paramètres de machine commne les vibrations, le son, la tempé-

rature, la foroe, la pression, le courant de moteur, les lubri-

fiants, etc. De nomanbreuses études ont été menées pour déterminer

lesquels sont les plus efficaces. Malheureusement, aucun para-

mètre n'est en mesure d'indiquer l'éventail complet des défauts

de machine.

On sait que l'utilisation d'un oertain rxxombre de para- mètres de machine cambinés peut fournir des indications plus précises et plus fiables sur l'état de la machine. Pour réaliser cela, il faut que le personnel de maintenance connaisse plu- 5 sieurs techniques différentes de traitement du signal, et leur capacité à détecter certains types de défauts. De plus, une grande quantité de données doit être recueillie, analysée, et comprise. Le personnel de maintenanoe a donc besoin de plus de temps et de connaissances pour établir un diagnostic correct. 10 Pendant les deux dernières décennies, la plupart des systèmes de surveillance de machines et de diagnostic sur celles-ci ont été réalisés de façon autonome, en utilisant des techniques de traitement du signal. Le succès de ces systèmes n'est pas dû à une technique particulière de traitement du15 signal, mais à la forte redondance associée au traitement de

signaux multiples.

Cependant, ces techniques de traitement du signal sont d'une utilisation très compliquée; de plus, elles doivent être mises en oeuvre par un analyseur humain hautement qualifié et20 expérimenté pour établir un diagnostic précis. Il est essentiel de disposer de diagnostics de défaut précis, notamment dans la réduction de la durée du cycle de production. Des diagnostics de défaut corrects et rapides amènent une amélioration significa- tive de la facilité de maintenance et de la disponibilité du25 matériel, grâce à laquelle on réduit la durée du cycle de production. Bien qu'on ait proposé de nombreuses technologies

nouvelles telles que les systèmes experts, les ensembles flous, la reconnaissance de vecteurs, et les réseaux neuroniques arti- ficiels pour atteindre oet objectif, aucun procédé universel30 n'est disponible étant donné que chaque procédé présente des capacités et des limites diverses.

On trouvera ci-après une description des quatre

techniques prédominantes pour la surveillance de machines et

leur diagnostic: le traitement du signal (par exemple, 1l'ana-

lyse des vibrations et la modélisation paramétrique), l'intelli-

gence artificielle, les réseaux neuroniques artificiels, et la

fusion des capteurs.

Au cours des ans, la plupart des systèmes de surveil- lance de machines et de diagnostic sur celles-ci ont été réali-

sés en rassemblant les données sensorielles issues du processus, puis en analysant les données de façcn autonome par une techni- 5 que de traitement du signal. L'une des techniques de traitement du signal les plus générralement utilisées est l'analyse des

vibrations. En effet, aucun autre paramètre ne peut faire appa- raitre un éventail de types de défauts de machine aussi large que les vibrations.10 L'analyse des vibrations se rapporte à l'extraction d'informations de signaux vibratoires mesurés. On admet facile-

ment que les caractéristiques de vibration changeront si l'état d'une machine change. L'usure ou l'endommagement d'éléments en rotation, le balourd et la résonance peuvent produire des vibra-15 tions excessives.

D'une façon générale, on peut analyser l'information vibratoire dans deux domaines différents: le temps et la

fréquence (J. Tranter, "The Fundamentals of, and the Application of Computer to, Condition Monitoring and Predictive Mainte-20 nance", Proceedings of the lst International Madchinery Monitor-

ing and Diagnostics Conference and Exhibit, Las Vegas, Névada USA septembre 1989, pp. 394-401, et C.J. Li et S.M. Wu, "On-Line

Detection of Localized Defects in Bearings by Pattern Recogni-

tion Analysis", Journal of Engineering of Industry, Vol. 111, novembre 1989, pp. 331-336). L'analyse dans le domaine temporel implique la conception d'indicateurs qui soient sensibles à la quantité d'impulsions de vibration observées. Cette technique inclut des mesures du niveau d'ensemble (niveau efficace), la

détection du niveau de crête, du facteur d'amplitude, des impul-

sions de choc, de l'énergie de pic, une analyse de curtosis, une étude de la forme temporelle des ondes et des orbites. L'analyse dans le domaine fréquentiel implique la transformation de la

forme d'onde vibratoire pour faire apparaître un train d'impul-

sions à différentes fréquences. Cette technique inclut une ana-

lyse spectrale, des diagrammes en cascade, une analyse spectrale inverse, des spectres différentiels, la valeur efficace de la différence spectrale, une analyse de l'enveloppe, une analyse de la résonance à haute fréquence (HFRT), et un filtrage adapté. Une des techniques d'analyse de vibrations les plus puissantes est l'analyse spectrale, qui estime le spectre ou la densité spectrale de puissanoe (PSD: power spectral density) à partir d'un signal de vibration en effectuant une transformation de Fourier rapide (FFT: fast Fourier transform). La raison de la popularité de cette technique basée sur la FFT est sa grande vitesse de calcul. De plus, l'analyse du spectre de vibration10 d'une machine peut fournir des informations importantes en ce qui concerne l'état des pièces constituant la machine, car chaque pièce en rotation dans une machine produit des fréquences identifiables; on peut ainsi associer directement les changements dans un domaine de fréquence donné à une défaillance d'une15 pièce particulière. Cependant, certains problèmes tels qu'une

faible résolution en fréquence, la création de fernêtres impli-

cites pour l'analyse des données, et pas de réduction significa-

tive des données sont associés à cette technique basée sur la FFT. En plus de l'analyse spectrale, on a utilisé la technique de modélisation paramétrique pour estimer le spectre vibratoire. On utilise cette technique dans l'espoir de réduire

les limitations inhérentes à la technique de FFT susmentiornnée.

L'utilisation d'une technique de modélisation paramétrique

présente deux avantages principaux: l'amélioration de la réso-

lution en fréquenoe par rapport à la FFT en supprimant le bruit du signal réel, et la réduction des données en utilisant peu de

paramètres pour décrire globalement le signal.

On fait état d'un grand nombre de techniques de modé-

lisation paramétrique pour estimer le spectre de vibration, conmme par exemple le procédé autorégressif (AR), le procédé autorégressif et de moyenne mobile (ARMA: autoregressive and moving average), le procédé de Prony, le procéxdé de variance

minimum, et le procédé de covariance. Dans S.M. Kay et S.L.

Marple, "Spectrumn Analysis -- A Modern Perspective", Proceedirngs of the IEEE, Vol. 69, N 11, Novembre 1981, pp. 1380-1419, et

S. Braun, Mechanical Signature Analysis: Theory and Applica-

tions, Academic Press, Londres, 1986, ces techniques sont passées en revue. Les procédés paramétriques décrits ci-dessus ont été appliqués dans le dcmaine de la détection de défauts (voir, par exemple, Matsushima et al., "In-Prooess Detection of Tool Breakage by Monitoring the Spindle Current of a Machine Tool", Proceedings of ASME Winter Annual Meeting, Phoenix, Arizona, USA 1982, pp. 145-154, M. Sidahmed, "Contribution of Parametric Signal Processing Techniques to Machinery Condition Monitoring", Prooeedings of the lst International Machinery Monitoring and Diagnostics Conference and Exhibit, Las Vegas, Névada, USA, septembre 1989, pp. 190-195, S.Y. Liang et D.A. Dornfeld, "Tool Wear Detection Using Time Series Analysis of Acoustic Emission", 15 Journal of Engineering for Industry, Vol. 111, août 1989, pp. 199-205, Wu et al., "Signature Analysis for Mechanical Systemns via Dynamic Data System (DDS) Monitoring Technique, Journal of

Mechanical Design, Vol. 102, Avril 1980, pp. 217-221).

L'inconvénient de la modélisation paramétrique réside

dans la difficulté de trouver un ordre optimal pour le modèle.

L'idée directrice dans la sélection de l'ordre du modèle se

fonde sur la minimisation de la somme des erreurs quadratiques.

H. Akaike, "Power Spectrum Estimation through Autoregression

Model Fitting", Ann. Inst. Stat. Math., Vol. 21, 1969, pp. 407-

419, et "A New Look at the Statistical Model Identification", IEEE Trans. Autoa. Control, Vol. AC-19, décembre 1974, pp. 716-723, a proposé deux critères, l'erreur de prédiction finale (FPE: final prediction error) et le critère d'information d'Akaike (AIC: Akaike information criterion), qui peuvent être utilisés cmmne les fonctions objectives de sélection de l'ordre. Dans la thèse récente de C.C. Lin, "Classification of Autoregressive Spectral Estimated Signal Patterns Using an Adaptive Resonance Theory (ART) ", Département d 'Ingénierie Industrielle, Université de l'Iowa, Iowa City, USA, août 1992, l'ordre ayant les niveaux FPE et AIC les plus hauts a été choisi

cannmme 1 'ordre optimal.

Les deux modèles paranmétriques susmentionrés ont donné de bons résultats dans la détection anticipée de défaillance de machine. Cependant, ils ne permettent pas d'identifier la cause de la défaillance. Cette tâche de reconnaissance de défaut est 5 généralement réalisée par l'analyseur qui identifie la cause du défaut par inspection visuelle du spectre. Ce n'est pas une tâche facile, car elle nécessite de l'expérience et des connaissances pour établir un diagnostic correct. Bien que 1' analyse des vibrations et les techniques de modélisation paramétrique se soient montrées utiles pour la sur- veillance de machines et les diagnostics sur celles-ci, ce sont également des techniques qui demandent beaucoup de connaissan- ces. En d'autres termes, seul un ingénieur hautement qualifié et

expérimenté peut les mettre en oeuvre pour identifier oorrecte-15 ment la source du défaut de la machine. Pour surmonter ce pro- blème, on a proposé une approche par l'intelligence artificiel-

le. Dans les dernières années, l'application de l'intelligence artificielle au diagnostic de défaut a fait l'objet de beaucoup d'attention. Les systèmes experts et les raisonnements sur une20 base de modélisation sont deux des approches par intelligence artificielle les plus populaires.

Les systèmes experts ont connu l'un des plus impor- tants succès dans le domaine de 1'intelligence artificielle. Un système expert est un système informatique programmé pour faire25 preuve de connaissances d'expert dans la résolution de problèmes d'un domaine particulier. Un système expert typique consiste en les éléments suivants: base de connaissances (qui contient des connaissances au sujet du problème, c'est-à-dire des lois et des faits),

30. une machine déductive (qui constitue le procédé de combinai-

son des lois et des faits pour atteindre des conclusions), un élément d'explication (qui explique pourquoi et commaent les conclusions sont atteintes), une interface d'utilisation (qui inclut 1' acquisition des

connaissances et des données).

D'une façon générale, les connaissances sont représen- tées sous la forme d'une loi d'implication. Cette loi est basée sur une heuristique de résolution de problèmes produite par l'expert. La machine déductive commande l'utilisation de la base 5 de connaissances. Sa stratégie de commande peut partir des faits ou symptômes pour atteindre une conclusion (chaînage avant), ou

partir d'une conclusion possible et chercher parmi les faits pour vérifier cette conclusion (chainage arrière). Ces dernières années, on a élaboré de nombhreux systé-

mes experts pour les diagnostics sur machines. On trouvera une revue détaillée des systèmes experts de diagnostic de défaut

dans S.G. Tzafestas, "System Fault Diagnosis Using the Knowled- ge- Based Methodology", Fault Diagnostics in Dynamic Systems: Theory and Applications, édité par R. Patton, P. Frank, et R.15 Clark, PrentioeHall, New York, USA, 1989.

Bien que les systèmes experts soient simples d'uti-

lisation et capables de fournir les connaissances d'un expert pour résoudre un problème dans un domaine particulier, de nambreuses difficultés surgissent dans l'utilisation de cette

approche (J.M. David et J.P. Krivine, "Three Artificial Intel-

ligence Issues in Fault Diagnosis: Declarative Programmirng, Expert Systems, and Model-Based Reasoning", Prooeedings of the Second European Workshop on Fault Diagnostics, Reliability and Related Knowledge Based Approaches, UMIST, Manchester, 6-8

avril, 1987, pp. 19-196), telles que des difficultés de formali-

sation du problème, des difficultés d'obtention de connaissances et des difficultés de validation du système. De plus, de nombreux inconvénients sont associés à la construction d'un système expert pour la surveillanoe de machines et le diagnostic sur celles-ci. L'un des inconvénients principaux consiste en sa longue durée d'exécution. Ceci se manifeste particulièrement quand des relations complexes et une base de connaissances étendue sont impliquées dans le processus de raisonnement. Les

systèmes experts devant suivre des chaînes complexes de raison-

nement pour atteindre une conclusion, ils demandent plus de temps de calcul. Par suite, le court temps de répose demandé pour réaliser une surveillanoe de machine et des diagnostics en ligne sur celle-ci, rend difficile et peu pratique l'application des systèmes experts à oe domaine. 5 On a proposé un raisonnement basé sur la modélisation pour résoudre les problèmues de raisonnement de diagnostic, comme alternative aux systèmes experts. L'une des techniques les plus prometteuses de raisonnement basé sur une modélisation est "le raisonnement à partir d'une structure et d'un comportement" (R.10 Davis, "Diagnostic Reasoning Based on Structure and Behavior", Artificial Intelligence, Vol. 24, 1984, pp. 347-410). Cette

technique commenoe par une description du système acm. agn d'observations du comportement du système. Si les observations entrent en conflit avec la façon dont le système doit se15 comporter, on conclut alors qu'une défaillance du système s'est produite. Etant donné les symptômes de comportement anormal, on

identifie les candidats possibles au défaut en utilisant le modèle structurel en suivant une chaine de dépendance partant d'une prédiction violée jusqu'à chaque piè/e ayant contribué à20 cette prédiction.

Un grand nombre des principales applications du raisonnement basé sur la modélisation pour diagnostiquer des

problèmes se trouve dans le domaine de l'électronique numé-

rique. En effet, la structure des circuits numériques peut être

représentée d'une façon relativement évidente, et le comporte- ment envisagé du circuit est fortement lié à sa structure.

Par rapport à l'approche du système expert, l'acquisi-

tion de connaissances pour les systèmes basés sur une modélisa-

tion est plus facile. De plus, le système basé sur une modélisa-

tion est plus robuste et plus facile d'entretien. Il est capable de diagnostiquer des défauts multiples, en évitant la croissance exponentielle de la taille du modèle. Cependant, il pose encore des problèmes pour le diagnostic en tempe réel, car le système doit chercher tous les candidats possibles à des défauts et doit35 ensuite les classer un par un selon la probabilité, ce qui

implique que plus de temps de raisonnement est néoessaire.

L'identification d'un défaut de machine ou de pièce revient en fait à un problème de reconnaissance de formes. Par le passé, on a appliqué un certain nombre de techniques de reconnaissance de formes, tels que la fonction de discrimination 5 linéaire et les ensembles flous, pour résoudre ce type de pro- blame. Normalement, ces techniques classent l'état de la machine ou de la pièce en une situation à deux états, c'està-dire nor- mal ou anormal. Récemment, on a appliqué avec succs les réseaux neuroniques artificiels au domaine de la surveillance de10 machines et des diagnostics sur celles-ci. On se réfèrera par exemple à Dietz et al., "Jet and Rckxet Engine Fault Diagnosis in Real Time", Journal of Neural Network Computing, 1989, pp. 5-18, à Marko et al., "Automotive Control System Diagnostics Using Neural Nets for Rapid Pattern Classification of Large Data Sets", Proceedings of International Joint Conference on Neural Networks (ICJNN), vol. II, 1989, pp. 13-15, à Sunil et al., "Machining Condition Monitoring for Automation Using Neural Networks", Monitoring and Control for Manufacturing Processes: Presented at the Winter Annual Meeting of the ASME, Dallas,20 Texas, USA, 25-30 novembre, 1990, pp. 85-100, à Hoskins et al., "Incipient Fault Detection and Diagnosis Using Neural Networks", Proceedings of the International Joint Conference on Neural

Networks (IJCNN), vol. I, 1990, pp. 81-86, à T.I. Liu et E.J.

Ko, "On-Line Recognition of Drill Wear via Artificial Neural Networks", Monitoring and Control for Manufacturing Processes: Presented at the Winter Annual Meeting of the ASME, Dallas, Texas, USA, 25-30 Novembre 1990, pp. 101-110, à Y. Guo et K.J. Dooley, "The Application of Neural Networks to a Diagnostic Problem in Quality Control", Monitoring and Control for Manufac-30 turing Processes: Presented at the Winter Annual Meeting of the ASME, Dallas, Texas, USA, 25-30 novembre 1990, pp. 111119, à T.I. Liu et J.M. Mengel, "Detection of Ball Bearing Conditions by an A.I. Approach", Proceedings of the Winter annual Meeting of the ASME, Atlanta, Georgia, USA, 1-6 Décembre, 1991, pp.35 13-21, et à G.M. Knapp et H.-P. Wang, "Machine Fault Classifi- cation: A Neural Network Approach", International Journal of

Production Research, Vol. 30, N' 4, 1992, pp. 811-823.

L'un des principaux problèmes associés aux réseaux neuroniques artificiels est le fait que les réseaux neurcxniques ne fournissent Jamais d'explications sur eux-mêmes. De façon à& éliminer cette approche de "boite noire" des applications des réseaux neuroniques, il faut introduire un élément d'explication dans un système de réseau neuronique. Une approche possible

semble consister en la combinaison de systèmes experts et de réseaux neuroniques en un système hybride. On peut trouver des exemples de combinaiscn de systèmes experts et de réseaux10 neuroniques dans M. Caudill, "Using Neural Tets: Hybrid Expert Networks", AI Expert, Novembre 1990, pp. 49-54, dans D.V.

Hillman, "Integrating Neural Nets and Expert Systems", AI Expert, juin 1990, pp. 54-59, dans Kraft et al., "Hybrid Neural Net and Rule Based System for Boiler Monitoring and Diagnosis",15 Proceedings of the 53rd Annual Meetirng of the American Power Conference, Chicago, Illinois, USA, 29 avril-ler mai 1991, pp. 952-957 et dans Rabelo et al., "Synergy of Artificial Neural Networks and Knowledge-Based Expert Systems for Intelligent FMS

Scheduling", Proceedings of the International Joint Conference20 on Neural Networks (IJCNN), Vo. I, 1990, pp. 359-366.

La fusion des capteurs, que l'on désigne parfois sous le noma d'intégration à capteurs multiples, est un processus d'intégration de l'information obtenue à partir de plusieurs capteurs. COn l'utilise dans l'espoir de réaliser des comporte-25 ments de prise de décision semblables à ceux d'un être humain (c'est-à-dire avec la capacité de combiner efficacement les

informations revues de ses sens), en particulier dans des appli-

cations de traitement de l'image ou du signal o les informa-

tions en provenance des capteurs individuels sont généralement

bruyantes, incertaines et insuffisantes.

L'utilisation de la fusion des capteurs présente quatre avantages clé. Premièrement, la fusion des informations redondantes obtenues par un groupe de capteurs (ou par un seul capteur au cours du temps) au sujet d'un même élément peut aug-35 menter la précision et améliorer la fiabilité dans le cas d'une erreur ou d'une défaillance d'un capteur.Deuxièmement, les informations complémentaires peuvent être fournies en utilisant des capteurs multiples mesurant différents aspects du caractère concerné si les informations demandées ne peuvent être obtenues par des capteurs individuels agissant seuls. Troisièmement, des 5 capteurs multiples peuvent fournir des infcxrmations en des du- rées plus brèves par rapport à la vitesse à laquelle un capteur

isolé pourrait les fournir, en particulier quand le processus d'intégration fait intervenir du parallélisme. Quatrièmement, les capteurs multiples peuvent fournir les informations deman-10 dées à un coût moins élevé par rapport aux informations équiva-

lentes obtenues à partir de capteurs individuels (cf. J.M.

Fildes, "Sensor Fusion for Manufacturirng", Sensors, Janvier 1992, pp. 11-15, et R.C. Luo et M.G. Kay, "Multisensor Integration and Fusion: Issues and Approaches", Sensor Fusion:

Proeedings of the SPIE, Vol. 931, 1988, pp. 42-49).

L'objectif de la fusion des capteurs est de combiner les informations individuelles en une forme représentative qui fournisse un plus haut niveau d'information que la sonmme des informations issue des capteurs individuels. Les infcxrmations issues des capteurs individuels peuvent se trouver sous la forme de données brutes ou de données traitées. Les données traitées sont normalement produites par une procédure de prétraitement qui effectue une reconnaissanoe de formes, un filtrage du bruit, ou une réduction des données. On peut les trouver sous la forme25 d'estimations de paramètres (tels que des paramètres de modèle autorégressif) ou sous oelle de preuves appuyant certaines

propositions ou de décisions favorisant certaines hypothèses.

La détermination d'un procédé d'intégration de diffé-

rents types de capteurs pour fournir des informations fiables et cohérentes est la tâche la plus difficile dans la fusion des capteurs. Cependant, un grand nombre de procédés peut réaliser cette tâche. Ces procédés vont de distributions de probabilité de bas niveau pour la déduction statistique à des règles de production de haut niveau pour la déduction logique. On se35 rapportera sur oe point à R.C. Luo et M.G. Kay, "Multisensor Integration and Fusion: Issues and Approaches", Sensor Fusion:

Prooeedings of the SPIE, Vol. 931, 1988, pp. 42-49, o six pro-

cédés généraux pour la fusion de capteur sont passés en revue. Par ailleurs, G. OCryssolouris et M. Dciroese, "Sensor Integra- tion for Tool Wear Estimation in Machining", Sensors and 5 Controls for Manufacturing: presented at the Winter Annual Meeting of the ASME, Chicago, Illinois, USA, 27 nov.-2 déc.

1988, pp. 115-123, et "An Experimental Study of Strategies for Integrating Sensor Information in Machining", Annals of the CIRP, Vol. 38, N' 1, 1989, pp. 425 à 428, passent en revue et10 comparent quatre procédés différents de fusion de capteurs, et concluent qu'une approche par réseau neuronique est plus efficace dans l'apprentissage d'une relation pour fournir des estimations de paramètres, notamment quand la relation entre les informations fournies par les capteurs et les paramètres réels15 est non-linéaire, et une approche par réseau neuronique est moins sensible que les trois autres approches à des erreurs déterministes des informations fournies par les capteurs. On a décrit ci-dessus plusieurs approches populaires dans le domaine de la surveillance de machine et des diagnostics sur celles-ci. Chaque approche possède ses forces et ses faiblesses. D'importantes recherches d'élaboration et d'application de chaque approche individuelle ont été menées. Cependant, peu d'efforts ont été faits pour incorporer ces différentes appro- ches dans un systnème intelligent.25 La présente invention prévoit une surveillanoe en ligne et en temps réel de pièces de machine pour détecter leurs défaillances possibles. On décrit un système de diagnostic sur machine qui intègre diverses technologies différentes pour détecter des conditions de défaillance possible dans une machine

physique ou un prooessus et alerter le personnel de mainte-

nanoe. Le système de diagnostic sur machine comprend 1 'intégra-

tion de réseaux neuroniques, de systèmes experts, de mn)dèles

physiques et de logique floue.

On utilise un réseau de diagnostic de défaut (FIN: fault diagnostic network) basé sur une architecture de réseau neuronique (ARTMAP) modifié coanne technique principale pour les diagnostics de défaut. Le réseau ARTMAP modifié est un paradigme efficace et robuste qui présente la propriété exceptionnelle d'un apprentissage incrémentiel. A la différence d'autres réseaux neuroniques courants, tels que la rétropropagation, le 5 réseau ARTMAP modifié n'a pas besoin d'apprendre tous les motifs, anciens et nouveaux, à chaque fois qu'un nouveau motif est découvert. Le réseau ARTMAP modifié comprend un module ART qui accepte un motif d'entrée. On utilise un réseau neuronique ART 2 en tant que module ART sous-jacent. Le module ART est connecté à un champ de mappage qui accepte un motif de sortie cible en tant qu'entrée. Le champ de mappage réalise un mappage entre une catégorie de reconnaissance fournie par le module ART et le motif de sortie cible. Le champ de mappage déclenche également15 un test de surveillance qui détermine la proximité entre la catégorie de reconnaissance et le motif de sortie cible. Lors de

l'apprentissage du réseau ARTMAP modifié, le motif d'entrée et le motif de sortie souhaité sont tous deux présentés au réseau ARTMAP modifié. Pendant la phase d'essai du réseau, seule le20 motif d'entrée est fourni.

De plus, la présente invention inclut une procédure d'hypothèse et de test qui utilise des modèles physiques et une logique floue pour fournir des élémnents de diagnostic supplnémen- taires. La procédure d'hypothèse et de test complète le réseau25 de diagnostic de défaut. Les modèles physiques et la logique floue améliorent beaucoup la capacité de diagnostic du système de diagnostic, étant donné que le réseau de diagnostic de défaut ne contient ni les connaissances approfondies, ni les capacités de raisonnement nécessaires pour analyser et repérer toutes les situations de défaut inconnues. Pour ces raisons, on utilise les modèles physiques et la logique floue de deux façons: 1) en tant que moyens pour réaliser un apprentissage préliminaire du réseau de diagnostic pour les défauts classiques en se basant sur des prédictions théoriques, et 2) pour fournir un élément de35 diagnostic autonome perfectionné pour les états de défaut plus

rares et complexes.

Dans un mode de réalisation particulier, le système de diagnostic sur machine est réalisé à l'aide d'un système expert

de raisonnement sur défaut (FRES: Fault Reascning Expert System). Tout échantillon de données dans un état que l'on 5 suspecte d'être anormal non détecté de façon absolument fiable par le réseau ARTMAP modifié est envoyé au FRES pour être ana-

lysé. De méme, si le réseau ARTMAP modifié souploe la présence de plus d'un type de défaut (par exemple défaut d'alignement et contamination) alors l'échantillon de données est envoyé au10 FRES. Le FRES vérifie la compatibilité du (des) défaut(s) iden- tifiable(s) avec les lois de sa base de oennaissances, avec 1 'histoire des pannes ou des réparations et les informations sur l'utilisation de la machine pour déterminer les défauts probables.15 L'exigence d'un traitement rapide dans un système en ligne a motivé 1' inclusion d'un traitement parallèle. C'est pourquoi on décrira une technique de traitement parallèle basée sur des processeurs à traitement parallèle ci-après appelés transputers. Le réseau de diagnostic de défaut est réalisé sur

un réseau de quatre transputers T800-25.

Les avantages ci-dessus et d'autres avantages supplé- mentaires de la présente invention seront éclairés par la

description suivante accompagnée des figures Jointes, parmi lesquelles:25 La figure 1 illustre une architecture de réseau neuro-

nique qu'on appelle théorie prédictive de la résonance adap-

tative (ART: Adaptative Resonance Theory) ou ARTMAP.

La figure 2 illustre un réseau ARTMAP modifié adopté

pour réaliser un apprentissage supervisé.

La figure 3 représente la structure en trois phases de

la présente invention.

La figure 4 représente un schéma blocs très général

d'un système intégré de surveillance de machines et de dia-

gnostic sur celles-ci.

Les figures 5a et 5b représentent un organigramme d'une procédure d'apprentissage pour le réseau ARTMAP modifié.

La figure 6 illustre une procédure de diagnostic par réseau.

La figure 7 illustre trois niveaux de diagnostic de défaut utilisés par la présente invention.

La figure 8 est une illustration plus détaillée de la couche F1 du réseau ARTMAP modifié.

La figure 9 illustre une procédure d'hypothèse et de

test basée sur une logique floue, réalisée selon un mode de réalisation particulier de la présente invention.

La figure 10 illustre les connexions physiques de quatre transputers sur une carte de "Quadputer".

La figure 11 illustre une réalisation par transputers

de la procédure d'apprentissage du réseau de diagnostic de défaut.

La figure 12 illustre une réalisation par transputers de la procédure d'hypothèse et de test utilisant un transputer

et trois transputers.

La figure 13 représente le schéma architectural de l'approche basée sur les transputers qui inclut le progiciel Express.

La figure 14 représente une réalisation par transpu-

ters d'une procédure de diagnostic de défaut.

Les figures 15A et 15B représentent un organigramme

pour une procédure de diagnostic de défaut pour un système inté-

gré conçu selon la présente invention.

La figure 16 représente un réseau ART2 avec un exem-

ple de vecteur d'entrée.

La figure 17 représente un schéma de modélisation

paramétrique qui opère sur des données entrantes ou des estima-

tions d'autocorrélation.

La figure 18 représente un diagramme de la distribu-

tion anticipée aléatoire de résidus représentant un état normal

de machine.

La figure 19 est un organigramme détaillé de la métho- dologie utilisée pour calculer une moyenne mobile exponentielle-

ment pondérée (EWMA: exponentially weighted moving average) selon la présente invention. 5 La figure 20 fait apparaître la réponse en sensibilité

(amplitude) d'un accélérométre en fonction des fréquences.

La figure 21 est un organigramme d'une procédure de diagnostic et de surveillance qui utilise une moyenne mobile

exponentiellement pondérée.10 La figure 22 est un diagramme de EWMA qui illustre trois états anormaux.

1. Vue d'ensemble La présente invention prévoit une surveillance en ligne et en temps réel de pièces de machine pour repérer leurs défaillances possibles. On décrit un système de diagnostic sur machines qui utilise des réseaux neuroniques, des systèmes

experts, des modèles physiques, et une logique floue pour détecter des conditions de défaillance possible et alerter le personnel de maintenance.20 La figure 4 représente un scléma blocs très général d'un système intégré 400 de surveillance de machine et de dia-

gnostic sur celle-ci. Le système de diagnostic 400 se compose de six modules: un module 410 d'acquisition de données, un module 420 de technologies de diagnostic, un module 430 de modèle de

machine, un module 440 de base de données, une interface d'uti-

lisation 450, et un module 460 de commande du système.

Le module 410 d'acquisition de données recueille des signaux sensoriels tels que vibrations, pression et température, en provenance de la machine. Il consiste en un grand nombre de

capteurs (par exemple, des accéléromètres, des capteurs d'émis-

sion acoustique, des transducteurs de pression, des thermocou-

ples, etc.) et en du matériel d'acquisition de données et des logiciels pour le rassemblement des données en temps réel. Le module 420 de technologies de diagnostic réalise une détection de défaut en ligne, des diagnostics de défaut, et fournit les instructions qu'aurait donné un expert en utilisant plusieurs technologies différentes, telles qu'une modélisation paramé- trique, un réseau neuronique, une logique floue et un système 5 expert. Le module 430 de modèle de machine, qui comprend des modèles physiques de paliers et pignons, fournit des données

pour l'apprentissage préliminaire par le réseau neuronique des défauts classiques des paliers et pignons. De plus, le module 430 de modèle de machine fournit un mécanisme avancé de raison-

nement sur défauts pour identifier des états de défauts complexes ou multiples.

Le module 440 de base de données oontient des informa-

tions importantes sur le système, qui incluent l'histoire des pannes ou des réparations, des journaux d'apprentissage pour le

réseau neuronique, les conditions de fonctionnement, et l'utili-

sation de la machine. Le modèle d'interface d'utilisation 450

offre un environnement convivial pour l'interaction de l'utili-

sateur avec le système. Sa fonction comprend l'affichage de

l'état de la machine et des informations à son sujet, l'accepta-

tion des entrées fournies par l'utilisateur, etc. Le module 460 de commande du système commande et coordonne les activités entre modules. Il commande également 1' activité de gestion de la base

de données.

Le système de diagnostic 400 fait subir un traitement préliminaire aux entrées sensorielles telles que les vibrations et le son en utilisant un modèle autorégressif. Une fois que les données sont traitées, les diagnostics de défaut peuvent être poursuivis à trois niveaux différents, counme le montre la figure 7. Au niveau 710, de la détection de défaut, des indioes basés

sur une mesure de valeur efficace globale (RMS) et une statis-

tique de oovariance d'un procédé de moyenne mobile pondérée exponentiellement (EWMA) sont utilisés pour détecter un état anormal de la machine en ligne. On détermine une limite de contrôle pour chaque indice RMS ou ENMA. On détecte un état

anormal chaque fois que la mesure RMS ou EWMA de nouvelles don-

nées sensorielles dépasse une limite de contrôle correspondante.

Les données sensorielles sont alors transférées au niveau 720

d'identification de défaut pour une analyse plus poussée. On trouve une description plus détaillée du procédé ES4A ci-dessous et également dans la thèse de Spoerre, J.K., "Machine Perfor-5 mance Monitoring and Fault Classification Using an Exponentially Moving Average Scheme", Université de l'Iowa, mai 1993. Le

procédé RMS étant bien connu de 1l'homme de l'art, on ne le décrira pas ici en détail, pour des raisons de brièveté. Au niveau 720 d'identification de défaut, on utilise un réseau de diagnostic de défaut pour identifier les défauts de machine à partir des données sensorielles. On peut acquérir des données sensorielles supplémentaires pour améliorer la précision de diagnostic. Si le réseau de diagnostic de défaut n'est pas capable de produire d'hypothèse, une approche de raisonnement15 basée sur une modélisation sera appliquée pour raisonner sur les modèles de machine afin de trouver des défauts possibles. On

effectue oe raisonnement sur défaut des modèles de machine en utilisant la méthodologie de la logique floue (FL). La sortie de ce processus de raisonnement consiste en des défauts identi-20 fiables et en leur possibilité.

Au niveau 730 de vérification et d'instruction, tous les défauts identifiables sont vérifiés par le système expert de raisonnement sur défaut. Ce système vérifie la compatibilité des défauts avec les lois de sa base de connaissances, avec l'histoire des pannes ou des réparations et les informations sur l'utilisation de la machine pour déterminer les défauts les plus probables. Pour finir, le FRES fournit à l'utilisateur des

instructions pour corriger les défauts de machine identifiés.

L'utilisateur peut alors examiner la machine selon les instruc-

tions du système et enregistrer les informations de diagnostic dans la base de données 440. La procédure de diagnostic de défaut pour ce système intégré est représentée en détail dans un organigramme illustré aux figures 15A et 15B; les figures 15A

et 15B sont décrites en détail dans la partie 4.5.

Caonme on l'observe sur la figure 1, la présente inven- tion utilise une architecture 100 de réseau neuronique que l'on

nanome théorie prédictive de la résonance adaptative (ART) ou ARTMAP, qui apprend de façon autonome à classer des vecteurs 5 arbitrairement ordonnés en catégories de reconnaissance en se basant sur le succès prédictif. On pourra se référer à Carpen-

ter, G.A. Grossberg, S., et Reynolds, J., "ARTMAP: Supervised Real- Time Learning and Classification of Nonstationary Data by a Self- Organizing Neural Network", Neural Networks, Vol. 4, 1991,10 pp. 569-588. Ce système d'apprentissage supervisé 100 est cons- truit à partir de deux modules ART (ARTa 110 et ARTb 120) qui peuvent auto-organiser des catégories de reconnaissance sta- bles en réponse à des séquences arbitraires de motifs d'entrée. Deux classes de modules ART ont été élaborées par Carpenter et Grossberg (Carpenter, B. A. et Grossberg, S. "A Massively Parallel Architecture for a Self-Organizing Neural Pattern Recognition Machine", Computer Vision, Graphics, and Image Processing, Vol. 37, 1987, pp. 54-115 et Carpenter G. A. et Grossberg, S., "ART 2: Self Organization of Stable Category20 Recognition Codes for Analog Input Patterns", Applied Optics, Vol. 26, N 23, 1987, pp. 4919-4930). ART 1 peut traiter des séquences arbitraires de motifs d'entrée binaires, tandis que ART 2 peut exploiter des motifs d'entrée soit binaires, soit analogiques. Ces modules ART sont reliés par un champ de mappage25 130 et un contrôleur interne (non représenté) qui assure le fonctionnement autonome du systnème en temps réel. Le champ de mappage 130 cnommande l'apprentissage d'une mappe associative des catégories de reconnaissance de ARTa Jusqu'aux catégories de reconnaissance de ARTb, de même que 1 'affichage immédiat

* correspondant du paramètre de surveillance 140 (Q') de ARTa.

Le paramètre de surveillance 140 détermine la proximité entre la catégorie de reconnaissance de ARTa et la catégorie de

reconnaissance de ARTb.

On décrit une architecture de réseau neuronique et un procédé d'apprentissage qui sont une modification d'une archi-

tecture ARTMAP. La figure 2 illustre un réseau ARTMAP modifié 200. Le réseau ARTMAP modifié 200 est un paradigme efficace et robuste, qui possède la propriété spécifique d'un apprentissage incrémentiel. A la différence d'autres réseaux neuroniques

courants, tels que la rétropropagation, le réseau ARTMAP modifié 200 n'a pas besoin d'apprendre tous les motifs, anciens et nouveaux, chaque fois que l'on découvre un nouveau motif.

Le réseau ARTMAP modifié 200 comprend un module ART 225 qui accepte un motif d'entrée 210 (que l'on noaie également vecteur d'entrée 210). On utilise un réseau neuronique ART 2 en tant que le module ART sous-jacent 225. Le module ART 225 est connecté à un champ de mappage 230 qui accepte commne entrée un15 motif de sortie cible 220 (que l'on nomme également vecteur de sortie cible 220). Le champ de mappage 230 réalise un mappage entre une catégorie de reconnaissance fournie par le module ART 225 et le motif de sortie cible 220. Le champ de mappage 230 déclenche également un essai de surveillance 240 qui détermine la proximité entre la catégorie de reconnaissance et le motif de

sortie cible 220.

Pendant l'apprentissage du réseau ARTMAP modifié 200, un motif d'entrée 210 et un motif de sortie souhaité 220 sont tous deux présentés au réseau 200. Dans un mode de réalisation25 particulier, un motif d'entrée 210 consiste en deux cent (200) points. Le motif de sortie souhaité 220 est un vecteur binaire, chaque noeud du vecteur correspondant à un état particulier de machine. Pendant la phase d'essai du réseau, seul le motif d'entrée 210 est fourni au réseau ARTMAP modifié 200.30 2. Moyenne mobile exponentiellement pondérée A. Arrière-plan théorique et modélisation a) Procédé de modélisation paramétrique Des procédés de modélisation paramétrique utilisent des données entrantes ou des estimations d'autocorrélation pour calculer un ensemble de paramètres qui correspondent à un modèle a priori de la statistique des données. Ce principe peut être représenté en figure 17, o la prédiction linéaire de Yt est: Yt - alYt-1 + a2Yt-2 +.-.. + apYt- p (1) et p est le nombre de paramètres autorégressifs dans le modèle. b) Processus autorégressif On représente un processus autorégressif par une équa- tion aux différences de la forme p X(n) =i i X(n-i) + e(n) (2) o X(n) est la vraie séquence aléatoire, Oi, i=1... p, sont des paramètres, et e(n) est une séquence de variables aléatoires gaussiennes moyennées à zéro indépendantes et distribuées iden- tiquement avec une varianoe constante, c'est-à-dire, E(e(n)} = 0 (3) r2N, pour n = J E {e(n)e(J)} [,ournj (4) O, pour n Xj 1. -x>2 fe(n)(1) 2N [2 2](5) La séquence e(n) est appelée bruit gaussien blanc. Ainsi, un processus autorégressif est un modèle d'équation linéaire aux différences o l'entrée ou fonction de contrainte est un bruit blanc gaussien (voir Jangi, S., et al., "Embedding

spectral analysis in equipment", IEEE Spectrum, février 1991, p 42). Ainsi, pour une machine fonctionnant dans des condi-

tions normales, on peut décrire l'état vibratoire de la machine par un processus autorégressif dans lequel les valeurs de e(n) sont un bruit gaussien blanc. c) validation du modèle Si le modèle est approprié, le signal vibratoire sera défini dans une large mesure par le modèle et les déviations ou résidus du signal prédit par rapport au signal réel pour chaque point dans le temps sont distribuées comnme un bruit gaussien blanc et, de ce fait, distribuées aléatoirement autour de la valeur moyenne zéro. Si la composante stochastique est un bruit blanc et si l'allure des signaux de vibration est modélisée de façon adéquate, on s'attend à ce qu'un diagramme des résidus dans le temps présente un diagramme de dispersion rectangulaire 5 sans motif dicernable, ce qui signifie que la variance est constante. Cette distribution aléatoire anticipée des résidus apparaît dans le diagramme des résidus en fonction du temps pour un ensemble de données représentant un état normal de machine, conoe le représente la figure 18.10 L'écart à la normalité peut être évalué de façon grossière en réalisant un histogramme des résidus. Ccme on s'attend à ce que les erreurs soient distribuées normalement, l'histogramme devrait offrir une grande ressemblanoe avec une distribution normale.15 On mène une dernière vérification de normalité en calculant les résultats normaux des résidus. Le t-iêne résultat normal est défini comme le point de pourcentage (t-3/8)/(n+1/4) de la distribution normale standard. Pour des donanées distri- buées normalement, un diagramme de la valeur des données du20 t-ième ordre (résidu) en fonction du résultat normal correspon- dant devrait résulter approximativement en une ligne droite. Ce phénomène se produit pour le diagramme normal d'un ensemble de données normales (voir figures 3, 4). De même, chacun des 7 autres ensembles de données fait apparaître une ligne droite25 approximative dans le diagramme des résidus standardisés en

fonction des résultats normaux.

d) Sélection des paramètres d'autorégression

Il existe plusieurs techniques de détermination des paramètres d'autorégression: le procédé de Yule-Walker, le pro-

cédé de Burg, le procédé de covariance, le procédé de covariance modifié, etc. (voir Marple, S., Digital Spectral Analysis with Applications, Prentice-Hall, Inc., 1987, pp. 224-231, 251). Dans un mode de réalisation particulier, on utilise le procédé de covariance modifié, car il élimine les problèmes rencontrés dans l'utilisation des autres procédés résolution en fréquence, dédoublement des lignes spectrales, et décalage des estimations de fréquence (voir Jangi, S., et al., "Embedding spectral

analysis in equipment", IEEE Spectrum, février 1991, p. 42).

e) Sélection de 1 'ordre d 'autorégression Les critères utilisés pour la sélection de l'ordre du modèle autorégressif étaient 1 'erreur de prédiction finale

(FPE), le critère d'information d'Akaike (AIC), et la fonction de critère de transfert autorégressif (CAT: criterion auto-

regressive transfer).

L'erreur de prédiction finale détermine 1' ordre du processus autorégressif pour minimiser la variance de l'erreur moyenne d'une prédiction sur un pas, la varianoe de l'erreur étant la somme de la puissance dans la partie imprédictible du processus et d'une quantité représentant les imprécisions dans

l 'estimation des paramètres d'autorégression. On définit 1'er-

reur de prédiction finale pour un processus autorégressif de la façon suivante: FPE[p] = N (p+l) (6) N - IN (p+1)]

o N est le nombre d'échantillons de données, p est l'ordre, et op est la variance estimée du bruit blanc.

Le critère d'information d'Akaike détermine l'ordre du modèle en minimisant une fonction théorique d'information. En supposant que des satistiques gaussiennes sont applicables au25 processus, le critère d'information d'Akaike pour un processus autorégressif prend la forme suivante: AIC[p] = N ln p + 2p (7)

Un critère final, le critère de transfert autorégres-

sif, choisit l'ordre p en tant que celui qui minimise l'estima-

tion d'une différenoe entre les erreurs moyennes quadratiques du vrai filtre d'erreur de prédiction et du filtre estimé. On calcule cette différence à partir de l'équation suivante: CATI n j1] - (8)

o 5j=[N/(N-J)] pj et p est choisi pour minimiser CAT[p].

f) Procédé de covariance modifié

On peut représenter les erreurs de progression lirné-

aire progressive et régressive du p-ième ordre pour le procédé de covariance modifié sous la forme des produits vectoriels internes ef[n] -= XT[n] afb[In] (9) P P p T Qb eb[n] - XT[n] Jafb (10) P Q Q o le vecteur de données xp[n] et le vecteur coefficient de prédiction lirnéaire abfb sont définis de la façon suivante: - x[n] 1 x[n-1]i a [l p fb X [n] =, a = (11) Q p x[n-p] ap[pi ap fb i 2 b 2+(2 1 NE [lef[n]l 2+ e [n]21 1] (12) n=p+i et J est une matrice de réflexion (p+l) x (p+l). Sur la base des échantillons de données mesurés x[1],..., x[N], le procédé de

covariance modifié minimise la moyenne des erreurs quadratiques de prédiction linéaire progressive et régressive.

g) Moyenne mobile exponentiellement pondérée (i) Statistiqcue de contrôle On définit la statistique de contrôle de la moyenne mobile exponentiellement pondérée (EWMA) de la façon suivante: EWMA = max{(1 X)EWMAt1 + X ln[p fb i, 0) (13) t - normalisé o EWMAO = O EWMA1 = valeur de EWMA prédite à l'instant t (nouvelle EWMA) EWMA = valeur de EWMA prédite à l'instant t-l (ancienne ln [fb i] est la variance échantillon des valeurs normalisé observées au temps t X est une constante de lissage satisfaisant 0 < X < 1 qui détermine la profondeur de la mémoire de la moyenne mobile exponentiellement pondérée (ii) Constante de pondération On peut écrire la moyenne mobile exponentiellement pondérée (EWMA) sous laforme: t Yt+l = W i Yi (14)

i=O o les wi sont les valeurs de pondération et wi-X(l-X)t-1.

t La somme des valeurs de pondération wi - 1. La i=O constante X détermine la "mémoire" de la statistique EWMA. En d'autres termes, X détermine le taux de dégénéresoence des valeurs de pondération et de ce fait, la quantité d'information recueillie à partir des anciennes données. Quand X devient proche de 1, wl devient proche de 1 et Yt+l est pratiquement15 équivalente à l'observation la plus récente Yt. D'un autre côté, si X devient proche de 0, 1l'observation la plus récente a un faible poids et les observations antérieures ont des poids pratiquement égaux. (iii) Limite de contrôle supérieure La limite de contrôle supérieure pour la statistique E1MA est UCL = Ppfb + 4C9fb (15) o n fb = n b (16) Qfb= n i=lpi ' 1 n pfb | 9fpb f fb (17) n-i i=1 i=l et n = nombre d'ensembles de données initialement rassemblés

pour un état normal de la machine.

(iv) Caractéristiques de la moyenne mobile exponentielle-

ment pondérée La statistique EWMA est caractérisée en ce qu'elle confère de moins en moins de poids aux dornnées & mesure qu'elles deviennent plus anciennes. On a choisi le diagramme EWMA dans la mesure o il a fait la preuve de sa supériorité sur le diagramme de ganue ou s2

en termes de capacité à détecter rapidement de petites augnenta-

tions des variations standard du processus (voir Crowder, S. et al., Journal of Quality Technology 24(1):12-21 (1992)). De plus, il est facile de représenter graphiquement, d'interpréter, et

d'obtenir les limites de contrôle de la moyenne mobile exponen-

tiellement pondérée. L'un des principaux avantages de l'utilisa-

tion de la moyenne mobile exponentiellement pondérée est le fait

qu'elle fournit un mécanisme de contrôle dynamique de processus.

Le contrôle d'un processus est facilité si l'on pré- voit o le processus se trouvera au prochain instant. Ensuite, si la prévision fait apparaître une déviation future trop forte par rapport à la cible, un système de contrôle électroécanique20 ou un opérateur de processus quelconque peut prendre les mesures compensatoires nécessaires pour contraindre la prévision à égaler la cible. Lors de la fabrication, on peut se servir d'une prévision basée sur le déroulement de l'historique pour initier une boucle de contrôle par rétroaction afin de rectifier le25 processus (voir Box, G. et al., Statistic for Experimenters,

John Wiley & Sons, New York, NY, USA, 1978).

Lambda (X) détermine la "mémoire" de la statistique EWMA. En d'autres termes, X détermine le taux de dégénéresoence

des valeurs de pondération et de ce fait la quantité d'informa-

tion retenue à partir des données historiques. Le choix de X est quelque peu arbitraire et on l'a choisi expérimentalement de

façon à fournir une valeur de 0,7 pour la variance prédite (erreur) la plus petite.

L'équation (13) montre que l'on utilise une échelle logarithmique. Il est nécessaire de réaliser une présentation

significative des donrnes vibratoires pour permettre A un diagnosticien de déterminer le véritable état de la machine avec 5 précision. En utilisant une échelle logarithmique, on peut obtenir une représentation plus proche du rtemnt vibra-

toire des machines (voir Archambault, R., "Getting MOre Out of Vibration Signals: using the Logarithmic scale", Prooeedings of the lst International Machinery Monitoring and Diagnostics10 Conference, Las Vegas, Nevada, USA, 1989, pp. 567-571). On recommande d'utiliser le logarithme des variances d''échantillons lorsqu'on fait des déductions au sujet des variances de données normalement distribuées (voir Box, G. et al., Statistic for Experimenters, John Wiley & Sans, New York, NY, USA, 1978). On15 justifie ceci, pour une part, par le fait que la distribution des logarithmes des variances d 'échantillons sera plus proche de la distribution normale que oelle des variances d'échantillons elles-mêmes. Par ailleurs, la variance de ln(pfb) est indépen- dante de s2 et ne dépend que de la taille d'échantillon n.20 Une augmentation de s2 correspond à une augmentation du paramètre de localisation de la distribution log-gamma (la

distribution de ln(çlfb). Ainsi, une augmentation de la dévia- tion standard du processus sous-j acent devrait causer une aug- mentation du niveau moyen des valeurs tracées de la moyenne25 mobile exponentiellement pondérée. Du fait de sa simplicité et des propriétés énumérées ci-dessus, on considère que la trans-

formation logarithmique est appropriée. Etant donné que les signaux de vibration recueillis sur une machine tournante peu- vent être très complexes, camme le signal de vibration mesuré en30 un point donné de la machine est la somme de toutes les forces internes appliquées à la machine modifiées par leur chemin de transmission respectif, 1 'échelle logarithmique fournit une gamme étendue dans laquelle on peut répartir toutes les dornées utiles (voir Archambault, R. "Getting More Out of Vibration Signals: using the Logarithmic Scale", Proceedings of the lst International Machinery Monitoring and Diagnostics Conference,

Las Vegas, Nevada, USA, 1989, pp. 567-571).

B. Description détaillée du fonctionnement

La figure 19 représente un organigramme détaillé de la méthodologie utilisée dans le calcul de la moyenne mobile expo-

nentiellement pondérée selon la présente invention. En d'autres 5 termes, elle présente les grarnes lignes d'une méthodologie pour la surveillance et le diagnostic de l'état d'une machine. Pour

ccmmeoier, on recueille des séries temporelies de données (par exemple des signaux de vibration) en provenance d'une madhine physique (dans un montage de laboratoire) dans un état normal de10 la machine, conmme le montre le bloc 1910. Dans un mode de réali-

sation particulier, chacun des ensembles de données consiste en 1000 points. On peut remarquer que la présente invention n'est pas limitée à des états de machine et pourrait également s'appliquer à des prooessus, oomme un hczme de l'art peut s'en

rendre compte.

Le rassemblement de données est effectué en utilisant le montage suivant: un moteur à courant continu relié à un arbre par une courroie d'entrainement, deux blocs support de palier cylindriques montés à chaque extrémité de l'arbre et fixés à une plaque d'acier, un oscilloscope pour afficher des signaux de vibration bruts recueillis, un amplificateur pour agrandir le signal, et une carte d'acquisition de données

DT2821-G-8DI. On a recueilli les signaux de vibration en prove-

nanoe du palier en utilisant des accélérométres 328C04 PCB

montés sur l'habitacle du palier.

Les accéléramètres sont des transducteurs dont la sortie de tension est proportionnelle à l'accélération au, pour

en donner une description plus utile, aux forces internes de la

machine. Si le niveau d 'accélération est élevé, alors les forces

internes le sont aussi. Les forces sont à l'origine d'une oscil-

lation qui s'ajoute à une usure excessive et à une défaillanee

prématurée. La réponse en sensibilité (amplitude) d'un accolér-

mètre en fonction de la fréquence est représentée en figure 20.

Les aocélércmètres sont des transducteurs qui convien- nent bien à la surveillance de l'état d'une machine pour les raisons suivantes: très grande robustesse, forte réponse en fréquence, grand domaine dynamique les accélém tres peuvent 5 détecter de très faibles vibrations sans être endags par de fortes vibrations, leur sortie est proportionnelle aux forces qui provoquent des endommagements internes, et ils possèdent une sensibilité à haute fréquence pour la détection des défauts de palier. Ensuite, on choisit un modèle autorégressif approprié (c'est-à-dire le modèle qui décrit de façon adéquate les dornnées vibratoires rassemblées) en utilisant le critère défini aux équations (6), (7) et (8). Canomme le montre le bloc 1920, on choisit ensuite un ordre d'autorégression convenable. Apres

avoir choisi un ordre d'autorégression convenable pour l'état normal, un modèle autorégressif est produit pour chacun des en-

sembles de données rassemblées pour l'état normal de la machine, c'està-dire des paramètres du premier ordre (fil), des para- mètres du deuxième ordre ($i2), jusqu'à des paramètres d'ordre20 p (Sip) pour i = 1, 2,..., n ensembles de donnéaes, comme le montrent les blocs 1930 et 1935.

Canomme le montrent les blocs 1950 et 1955, une valeur moyenne est calculée pour le paramètre d'autorégression du pre-

mier ordre par 1' intermédiaire du paramètre d'autorégression du25 p- ième ordre à partir des modèles d'autorégression produits dans les blocs 1930 et 1935. Ce calcul est réalisé de façon à définir un modèle qui soit représentatif d'un état normal de machine

dans les conditions définies par le montage du laboratoire.

Une fois que le modèle de l'état normal de machine est établi, de nouvelles données sont rassemblées pour un état anor- mal de machine. Ensuite, les signaux de vibrations anormaux sont

ajustés au modèle "normal" obtenu aux blocs 1950 et 1955 pour jouer le rôle d'un indicateur montrant dans quelle mesure le modèle normal s'ajuste à l'ensemble de données recueillies dans35 l'état courant. Cette étape est représentée au bloc 1960.

Afin de mesurer la façon dont s'ajustent l'information et le modèle normal, on calcule des erreurs de prédiction pro-

gressive et régressive pour déterminer la valeur de ofmb is des données, comme le montrent les blocs 1970 et 1975. Ce pro- 5 cessus se trouve décrit ci-dessus dans la section 2(A) (f)

(c'est-à-dire le procédé de covariance modifié). La normalisa-

tion est basée sur l'état normal de la machine étant donné que 1 'objet de la présente invention est de permettre la détection de toute déviation par rapport à l'état normal de machine. La normalisation est utilisée pour découvrir tous les groupes ou ensembles possibles contenant les mnêmes données et permettre aux

données présentes et antérieures concernant une machine d'être superposes, quelle que soit la vitesse de fonctionnrient. De plus, la normalisation permet la création d'un fichier de15 données moyen pour chaque type de machine particulier.

Les signatures vibratoires de nombreuses machines

identiques prises à différents moments à des vitesses de fonc-

tionnement légèrement différentes peuvent être accuulées statistiquement et représentées par un seul ensemble de spectres moyennés à bande étroite (voir Watts, W. et al., "A Portable, Autcmated Machine Condition Diagnostics Program Using Order Normalized Vibration Data", Proceedings of the lst International Machinery Monitoring and Diagnostics Conference, Las Vegas, Nevada, USA, 1989, pp. 637-643). Pour déterminer si la signature25 vibratoire d'une machine est significative, on compare l'état présent à l'état normal par 1l'intermédiaire des valeurs de fb

Etant donné la valeur de pfb obtenue aux blocs 1970 et 1975, on calcule une statistique de moyenne mobile exponen-

tiellement pondérée (EWMA), avec X - 0,7, comne le montre le bloc 1980. La statistique EWMA calculée est un indicateur de 1 'état général de la machine et on la compare à la limite de contrôle supérieure (UCL) (décrite ci-dessus dans la section 2(G) (iii)) pour déterminer si la machine se trouve dans un état de contrôle ou si elle se trouve hors de contrôle. Cette étape

est représentée aux blocs 1990 et 1995. Si la valeur de la moyenne mobile exponentiellement pondérée dépasse la limite de 5 contrôle supérieure, c'est le signe que la machine se trouve dans un état anormal et qu'il faut prendre des mesures.

C. Analyse des données

La description suivante résulte de l'application de

l'invention décrite ci-dessus à une machine réelle dans un montage de laboratoire. Bien que des ensembles de données diffé- rents produisent des résultats légreent différents, les principes et la méthodologie que l'on décrit ici demeurent les mêmes. Apres avoir rassemblé des données en provenance de la machine, on utilise le procédé de covariance modifié et les15 trois procédés décrits ci-dessus pour déterminer le modèle autorégressif approprié pour décrire l'état normal de la machine de

façon adéquate. Dans un mode de réalisation particulier, l'ordre le plus approprié du modèle autorégressif est 33, ce qui donne un rapport de 1 'ordre d'autorégression à la longueur de séquence20 (1000) de 0,033. On préfère que cette valeur soit petite étant donné que 1 'erreur systématique sur la fréquence et le dédouble-

ment de lignes augmente avec le rapport de l'ordre d'autorégres- sion à la longueur de séquence. Dans un mode de réalisation particulier, une fois que le modèle normal est établi pour l'état normal, les données vibratoires sont recueillies dans trois états de fonctionnement anormaux, à savoir un arbre mal aligné, un palier mal serré, et un palier contaminé. Pour chaque ensemble de données rassemblé dans un de ces quatre états, les variances minimum et maximum ont été déterminées, commne le montre le tableau 1. Ces variances ont été normalisées en divisant la variance par la variance moyenne dans l'état normal (0,0000048582) et en prenant le logarithme népé- rien de la variance pour les deux variances minimum et maximum pour chaque état de la machine. On a utilisé les valeurs des variances pour déterminer les bornes supérieure et inférieure de la moyenne mobile exponentiellement pcndéErée, comme le montre le tableau 2. 5 Les nombres dans la partie supérieure de chaque case du tableau 2 représentent les statistiques EWMA minimum et maximum observées basées sur des données réelles recueillies en laboratoire. Les nombres dans la partie inférieure des cellules sont basés sur les statistiques des données recueillies et ont10 été calculés en utilisant pi9fb-4oçfb pour la borne inférieu- re et pçfb-4ofb pour la borne supérieure, o p9fb est la valeur moyenne pour la statistique EWMA pour chaque état de la machine, c'est-à-dire n ! fb

j fb =-

i=!

o n est le nombre d'échantillons recueillis.

La déviation standard, de même que jafb, a été déterminée pour chaque état de palier. On calcule les déviations standard par la formule suivante: fb = I 1 (pifb - f Ppb) (18) n i=l Dans le tableau 2, on calcule les bornes supérieure et inférieure des valeurs de la moyenne mobile exponentiellement

pondérée pour les états anormaux (défaut d'alignement, contami-

nation, et défaut de serrage) en se basant sur les statistiques EWMA minimum et maximum calculées pour l'état normal et les

variances des états anormaux dans le tableau 1. Par exemple, dans l'état normal, les valeurs de la moyenne mobile expionen-

tiellement pondérées minimum et maximum pour les huit ensembles de données recueillis étaient 0,000000 et 0,126535, de façon conisécutive. D'après 1' équation (13), on calcule la statistique30 EWMA par EWMAt = max[(1-X)EWMAt 1 + Xlnofbrmlis] TABLEAU 1 VARIANCE "NoRMALISEE" CALCULEE POUR UN ETAT NORMAL DE MACHINE ET

TROIS ETATS ANORMAUX DE MACHINE

STATISTIQUE VALEUR DEVIATION

MOYENNE STANDARD

ETAT IJ 9fb opfb Normal 0, 100081 0,124959 Défaut d'alignement 2,561171 0, 116305 Contamination 5,002439 O, 302079 Défaut de serrage 3,449739 0,125359 Dans un état de défaut d'alignement, par exemple, la statistique EWMA minimum qui pourrait se produire est calculée en utilisant la variance minimum trouvée dans un état de défaut d'alignement et la statistique EWMA minimum pour l'état normal.15 De façon similaire, la statistique EWMA maximum qui pourrait se produire est calculée en utilisant la variance maxiuum obtenue

dans un état de défaut d'alignement et la statistique EWMA maximum pour l'état normal.

TABLEAU 2

STATISTIQUE EMA CALCULEE POUR UN ETAT NORM4AL DE MACHINE ET

TROIS ETATS ANCRMAUX DE MACHINE

STATISTIQUE EWMA: BNE BORNE

ETAT INFERIEURE SUPERIEURE

Normal 0,000000 0,134323

(0,000000) (0,496657)

Défaut d'alignement 1,165905 1,315764

(1,072859) (1,501256)

Contamination 2,283083 2,487441

(2,201966) (2,709934)

Défaut de serrage 1,835429 1,975226

(1,740603) (2,162600)

TABLEAU 3

STATISTIQUE CALCULEE DES VAIEURS DE LA MOYENNE MOBILE

EXPNENTIELTLEMENT PONDEREE (EWMA) POUR UN ETAT NOIMAL DE

MACHINE ET TROIS ETATS ANORMAUX DE MACHINE

STATISTIQUE EWMA MINIMUM EWMA MAXIMUM

ETAT Normal 0,0000 0,4967 Défaut d'alignement 1, 0729 0,5013 Contamination 2,2020 2,7099 Défaut de serrage 1,7406 2,1626 On peut trouver dans la thèse de Spoerre, J.K., "Machine Performance Monitoring and Fault Classification Using an Exponentially Moving Average Scheme", Université de l'Iowa, USA, mai 1993, les calculs particuliers réalisés pour obtenir

les valeurs des tableaux 1 à 3.

Les gamines de valeurs pour chaque état de fonctionne- ment donné cidessus ont été bien définies, sans recouvrement entre les différents états de machine. La figure 21 illustre une procédure de diagnostic et de surveillance utilisant la techno-20 logie EWMA. Au départ, la statistique EWMA est réglée à 0,0, caome le montre le bloc 2105. Ensuite, en utilisant la procédure

décrite ci-dessus dans ses grandes lignes, on calcule la statis-

tique EWMA, commne le montre le bloc 2110. Puis, on vérifie la statistique EWMA en la comparant à une limite supérieure d' "état

normal", qui vaut 0,4967 dans l'exemple donné ci-dessus.

Si la statistique EWMA tombe sous cette limite supé-

rieure, alors la machine fonctionne normalement, ooaue le montre le bloc 2120. Dans ce cas de figure, la procédure retourne au bloc 2110. Si, en revanche, la statistique EVMA tombe au-dessus de la limite supérieure, on se trouve face à un état anormal potentiel, comme le montre le bloc 2130. En se basant sur le tableau 2, les blocs 2140, 2150 et 2160 indiquent chacun un état anormal différent. En d'autres termes, si la statistique Et4A tombe entre 1,1 et 1,5, alors l'état anormal consiste en un défaut d'alignement; si la statistique EWMA tonbe entre 1,7 et 2, 2, alors 1'état anormal consiste en un défaut de serrage de palier; et si la statistique EHMA tombe entre 2,2 et 2,7, alors l'état anormal consiste en une contamination. Bien sûr, on peut détecter d'autres états anormaux en suivant la procédure ci- dessus et en déterminant la statistique EWMA appropriée. Une fois l'état anormal détecté, la procédure 2100 inscrit le défaut détecté sur l'interface d'utilisation 150, ccmne le montrent les blocs 2170, 2180 et 2190. A ce momnent, un

opérateur corrige le problème sur la machine, conne le montre le bloc 2195, et remet le statistique EW4A à 0,0 (c'est-à-dire à 1 'état normal).

La figure 22 illustre un diagramme EWMA. On peut divi-

ser le diagramme EWMA en bandes 2210-2240 qui représentent la localisation des états particuliers de machine. La bande 2240 représente un état normal, tandis que les bandes 2210-2230

représentent des états anormaux de machine.

En développant un modèle paramétrique d'autorégression pour caractériser l'état normal de la machine, la statistique de contrôle EWMA peut identifier si la machine se trouve dans un état normal ("sous contrôle") ou dans un état anormal ("hors de contrôle"). A mesure qu'un état anormal de palier cexe et s'aggrave, le tracé sur le diagramme de contrôle EV4A se trouve près de la limite de contrôle et présente une tendance à se diriger vers cette limite; finalement, la statistique de contrôle EWMA s'étend bien au-delà de la limite de contrôle si l'état anormal n'est pas corrigé.30 On a également déterminé qu'il existe une corrélation positive entre l'amplitude moyenne du signal et la statistique moyenne EWMA pour un état donné de machine. A mesure que l'amplitude moyenne augmente, la valeur de la moyenne mobile exponentiellement pondérée (EIMA) augmente. Ceci implique que la35 statistique EWMA est sensible aux changements d'amplitude. Conmme une augmentation de l'amplitude se produit quand un palier ou une autre pièce de la machine traverse les premières phases d'une défaillance, la technique EWMA est capable de détecter de petits changements d'amplitude une fois qu'un défaut apparaît. 5 De plus, on a montré que la déviation de la variance au temps t par rapport à la variance établie dans un état normal

est un indicateur de l'état présent du palier. Si cette dévia- tion est proche de zéro, le palier fonctionne dans un état normal. Au contraire, si cette valeur diffère de façon signifi-10 cative de zéro, on se trouve dans un état de défaut d'axialité et une action corrective s'impose.

3. Mdélisation Daramétrique et approche ART 2 La figure 3 représente la structure de la présente invention. Elle comprend trois modules: un modèle paramétrique 310, un processus de normalisation 320 et un réseau neuronique ART2 225. Dans un mode de réalisation particulier, on utilise un

modèle paramétrique autorégressif (AR) en combinaison avec le réseau neuronique ART2 225. Cependant, on peut aussi utiliser un modèle de moyenne mobile autorégressive (ARMA). Les deux modèles20 AR et ARMA sont connus de l'homme de l'art.

On utilise le modèle paramétrique 310 pour ajuster (c'est-à-dire décrire mathématiquement) un signal de vibration brut en provenance d'une machine physique ou d'un processus faisant l'objet d'une étude. L'ajustement du modèle paramétrique 310 au signal de vibration permet d'obtenir un ensemble de paramètres 315. A ce stade, cependant, on ne peut introduire les paramètres 315 dans le réseau ART2 225 sans prétraitement, car ils contiennent des valeurs négatives significatives que le

réseau ART2 225 n'est pas capable de reconnaître. Par consé-

quent, un traitement de normalisation 320 doit être appliqué de façon à assurer un fonctionnement correct du réseau ART2 225

avec des entrées pertinentes.

Le processus de normalisation 320 a lieu en deux étapes. En premier lieu, on divise chaque paramètre 315 en deux parties: une partie positive et une partie négative. Si un paramètre 315 a une valeur positive, alors on attribue la valeur zéro à la partie négative, et vice-versa. En second lieu, on met les paramètres 315 à l'échelle en divisant chaque paramètre 315 par la valeur de paramètre maximum. La variance résiduelle ne contiendra que la partie positive, car sa valeur est toujours positive. Cependant, la variance doit être divisée par la variance résiduelle maximum. C'est ainsi qu'un modèle ARMA ou AR à n paramètres demandera 2n+1 noeuds d'entrée dans la couche d'entrée ART 2. Par exemple, un réseau ART2 225 pour un modèle ARMA (3, 2) (n=5) demandera 11 noeuds d'entrée. Le vecteur d'entrée du réseau ART2 225 pour le modèle ARMA (3, 2) avec les paramètres et la variance résiduelle suivants sont représentés en figure 16. 4>1 = 1,7592 el - -1,0300

42 = 1,7289 02 - -0,7562

3 0,8364 oE = 0,3838 Supposons que la valeur de paramètre maximum pour les parties positive et négative est égale à 2 et que la variance

maximum des résidus est égale à 1. Pour 1>1, par exemple, la par-

tie négative est fixée à 0 car sa valeur est positive. La partie positive est divisée par la valeur de paramètre maximum, 2, ce qui donne une valeur de 0,8796. Pour la varianoe résiduelle, la valeur demeure la même car la variance résiduelle maximum vaut 1. Pendant l'apprentissage du réseau, on présente au réseau ART2 225 un motif d'entrée, c'est-à-dire les paramètres

normalisés 325. En résultat, le réseau auto-organise une classi-

fication des défauts jusqu'à ce qu'il ne dispose plus de motifs d'entrée. Enfin, on garde en réserve les valeurs de pondération descendantes (Tji) et ascendantes (Bij) pour les utiliser ultérieurement en vue du diagnostic. Lors d'un diagnostic de

défaut, chaque motif d'entrée est présenté au réseau ART2 225.

Chaque noeud de la couche F2 240 représente une classe de défauts particulière. Le noeud de la couche F2 240 qui passe le test de surveillance 250 avec succès représentera la sortie 335

du réseau ART2 225.

Comme on l'a mentionné ci-dessus, pendant l'apprentis- sage du réseau ARTMAP modifié 200, le motif d'entrée 210 et le motif de sortie souhaité 220 doivent tous deux être présentés au réseau ARTMAP modifié 200. Chaque ensemble de motifs d'entrée 5 210 et de motifs de sortie souhaités 220 est utilisé indépendam- ment pour l'apprentissage du réseau ARTMAP modifié, ce qui

signifie que le réseau ARTMAP 200 peut subir un apprentissage incrémentiel. Dans un mode de réalisation particulier, un motif d'entrée 210 consiste en 200 points du spectre de vibration. Le10 motif de sortie souhaité 220 est un vecteur binaire, dont chaque noeud correspond à un état particulier de la machine.

4. Diagnostics de défauts: méthodologie et mise en oeuvre Cette partie décrit le système de diagnostic de défaut 400 élaboré selon la présente invention. On traitera dans cette partie des méthodologies employées dans oe système. La partie 4.1 présente 1' application de la technique de modélisation auto- régressive pour le prétraitement de données. La partie 4.2 décrit l'élaboration du réseau de diagnostic de défaut. Dans la partie 4.3, on présente des modèles de paliers physiques et une20 procédure d'hypothèse et de test sur des motifs inconnus basée

sur la logique floue.

4.1 Modèle autorégressif (AR) Une technique autorégressive (AR) est un procédé de transfert de signaux d'un domaine temporel, correspondant à la façon dont ils ont été recueillis par un ensemble de capteurs reliés à une machine physique ou à un processus, à un domaine

fréquentiel. Traditionnellement, on effectue cette opération par des transformations de Fourier. L'utilisation d'un modèle paramétrique pour le traite-

ment du signal présente 1 'avantage de réduire de façon considé-

rable la quantité de données tout en préservant les caractéris-

tiques importantes du signal. Un résultat de la réduction des données est une réduction importante du temps de diagnostic et d'apprentissage d'un réseau neuronique. Etant donné que le temps d'apprentissage augmente d'environ 10 fois et que le temps de diagnostic augmente d'environ 6 fois quand la quantité de don- nées d'entrée passe de 200 à 2400, la réduction des données est critique, en particulier quand on utilise des capteurs multiples 5 dans un mode en temps réel, car la quantité de données impliquées s'y trouve accrue. La présente invention met en oeuvre un

modèle autorégressif pour un traitement du signal en ligne. La forme mathématique d'un modèle autorégressif est donnée par l'équation (19). 10 t = lXt-_l + 2Xt-2 + pt + OpXt-p + Et (19) o Xt = série temporelle, (i = les paramètres d'autorégres-

sion, p = l'ordre du modèle autorégressif, Et = résidus avec NID (0, oE2). On détermine l'ordre du modèle autorégressif selon une approche décrite dans la thèse de Lin, C.C., "Classification of Autoregressive Spectral Estimated Signal Patterns Using an Adaptive Resonance Theory (ART) ", Département d ' ingéniérie industrielle, Université de l'Iowa, Iowa City, Iowa, USA, 1992. Cette approche pratique une sélection de 1' ordre avec le plus20 haut niveau d'erreur de prédiction finale (FPE) et de critère d'informaticon d'Akaike (AIC). Les équations de 1 'erreur de prédiction finale et du critère d'information d'Akaike sont les suivantes: FPE[p] = N (p+l] (20) AIC[p] = Nln(ôp) + pln(N) (21) p o N est le nombred'échantillons de données, p est l'ordre d'auto-régression, et ô2p est la variance estimée de l'erreur

de prédiction linéaire à l'ordre p. Une fois l'ordre d'auto-

régression déterminé, on le fixe et on peut alors ajuster le modèle autorégressif aux données sensorielles pour produire un paramètre autorégressif 315. Une fois normalisé (comme décrit ci-dessus), le paramètre d'autorégression 315 peut être utilisé

comme entrée du réseau ARTMAP modifié 200.

4.2. Réseau de diagnostic de défaut L'objet de l'utilisation d'un réseau de diagnostic de défaut (c'est-à-dire un réseau ARTMAP modifié) est de fournir un diagnostic rapide et précis de défauts de machine. Le réseau 5 ARTMAP modifié 200 est un paradigme efficace et robuste qui pré- sente la propriété spécifique de l'apprentissage incrémentiel. A

la différence d'autres réseaux neuroniques courants, tels que la rétropropagation, le réseau ARTMAP modifié 200 n'a pas besoin d'apprendre tous les motifs, anciens et nouveaux, à chaque fois10 que l'on découvre un nouveau motif. Le mécanisme du réseau ARTMAP modifié 200 est décrit dans la partie qui suit.

4.2.1. réseau ARTMAP modifié Le réseau neuronique ARTMAP modifié 200 est une extension du réseau ART (théorie de la résonance adaptative) qui apprend de façon autonome à classer des vecteurs ordonnés de manière arbitraire en catégories de reconnaissance en se basant

sur le succès prédictif. Caomme on l'a décrit ci-dessus à l'aide de la figure 1, le réseau neuronique ARTMAP 100 est un système d'apprentissage non supervisé construit à partir de deux modules20 ART 110, 120, dont chacun produit une catégorie de reconnais-

sance, et un champ de mappage 130 qui commande le mappage entre

les deux catégories de reconnaissance.

Dans un mode de réalisation particulier, le réseau neuronique ARTMAP n'utilise qu'un seul motif d'entrée (c'est-à-

dire des paramètres d'autorégression). Dans ce mode de réali-

sation, on modifie, le réseau ARTMAP présenté en figure 1 pour

pouvoir réaliser un apprentissage supervisé. La figure 2 repré-

sente un réseau ARTMAP modifié 200, dans lequel le second module ART est remplacé par une sortie cible 220. La sortie cible 220 est fournie par un utilisateur. On choisit une architecture de réseau neuronique ART2 225 en tant que module ART sous-jacent pour manipuler des motifs d'entrée analogiques (par exemple, des

paramètres d'autorégression).

Plus particulièrement, on utilise l'architecture de réseau neuronique ART2 dans un mode de réalisation particulier, car des signaux vibratoires ou sonores y jouent le rôle d'entrée du réseau neuronique ARTMAP modifié 200 et le niveau d'énergie d'un signal vibratoire ou sonore est un signal analogique continu. Cependant, cannmme l'homme de l'art peut s'en rendre compte, d'autres signaux que des signaux sonores peuvent être 5 appliqués au réseau neuronique ARTMAP modifié 200. De plus, on peut également utiliser la présente invention avec une architecture de réseau neuronique ART1 si l'on utilise des séquences arbitraires de motifs d'entrée binaires comme entrée du réseau neuronique ARTMAP modifié 200.10 Dans le réseau ARTMAP modifié 200, le réseau ART2 120 présente deux couches: F1 230 et F2 240. Camme le montre la figure 2, la couche F1 230 du réseau ART2 comprend trois niveaux de traitement et plusieurs systèmes de contrôle de gain qui permettent au réseau de séparer les signaux du bruit et15 d'accentuer le contraste des signaux d'activation. En général, chaque niveau effectue deux calculs: l'intégration des entrées

internes aux champs (intra) et entre champs (inter) au niveau qui produit un signal d'activation intégré et la normalisation du signal d'activation intégré. Les oercles pleins représentent20 les systèmes de contrôle de gain qui normalisent les signaux d 'activation intégrés.

On décrit ci-dessous, en relation avec les figures 4 et 5, l'apprentissage du réseau modifié. La figure 5 illustre un organigramme de la procédure d'apprentissage du réseau ARTMAP

modifié 200.

Cannmme le représente le bloc 505, on initialise les paramètres suivants avant de commencer 1' apprentissage du réseau

neuronique modifié ARTMAP 200.

Tii = 0 (22) Bi = (23) s J=0,2JN 0 < i4 N-l, o N est la dimension du vecteur d'entrée 210; 0 < j1 M-1, o M est le nombre de noeuds F2 wi = xi = vi = ui = qi = Pi = 0; et mise à 1 de a, b, c, d, e, e, et p. Ccmme le représente le bloc 510, on présente un motif d'entrée à apprendre au réseau ARTMAP modifié 200. Ensuite, les signaux d'activation entre les différents noeuds de la couche F1 230 sont produits, comme le montre le bloc 515. Au niveau 5 inférieur de la oouche F1 230, le vecteur wi est le résultat de l'intégration d'un vecteur d'entrée intra Ii et du signal

inter de réinjection aui, c'est-à-dire, wi - I + aui (24) o i est le i-ème noeud de la couche F1 230 et a est une ons-

tante. Une fois le vecteur wi obtenu, on peut le normaliser pour obtenir xi par 1 'équation suivante: Xi e+ wI (25) e-+ I lwll1 o e est une Constante proche de zéro et |w désigne la norme

L2 d'un vecteur w.

Le reste des activités dans la couche F1 230 peut être calculé selon les équations suivantes: vi = f(xi) + bf(qi) (26) vi Ui = (27) e + Ilvl (2) Pi qi = (28) e+ [{uP (8 Pi M=ui + g(j) Tji (29) o b est une constante, g(J) est l'activation du j-ième noeud de la ocuche F2 240, et Tji est la valeur de paédration descen- dante entre le j-ième noeud de la couche F2 240 et le i-ième noeud de la couche F1 230. La fonction de signal linéaire f dans25 l'équation (26) est: O si O < x < e (30) f(x) = (30)

x si x > e o e est une valeur de seuil.

Comnme le montre le bloc 520, une fois que les noeuds de la couche F2 240 reçoivent un signal d'entrée de la couche F1 230 (par l'intermédiaire de la valeur de poendération ascen- dante Bij), le résultat de correspondance pour les noeuds de 5 la couche F2 240 est calculé selon l'équation suivante: P = PiBij (31)

i o les Bij sont les valeurs de pondération ascendantes.

Ensuite, canne le montre le bloc 530, le noeud de la couche F2 240 avec le plus grand résultat de correspondance est activé. Le mécanisme d'activation de la couche F2 240 est le suivant: d si le j ième noeud de F2 est actif g() = [ (32) 0 sinon

o d est une constante entre 0 et 1.

A ce stade, 1 'activation de la couche F2 240 se rétro-propage vers la couche F1 230. Ensuite, camme le montre le bloc 535, le test de surveillance 250 est mené pour déterminer si le signal descendant correspond au motif d'entrée 210. Le20 test de surveillance 250 est le suivant: ui + Cpi ri = (33) i e + Ilull + IlcpIl

> 1 ? (34)

e + Irl o c est une constante et 0 < p < 1. Si la correspondance échoue au test de surveillance 250, alors un signal de remise à l'état initial 260 est envoyé à F2 240 pour désactiver le noeud sélectionné de la couche F2 et rechercher la deuxième meilleure correspondance, canne le montre le bloc 545. Sinon, on adapte les valeurs de pondération ascendantes (Bij) et descendantes (Tij) à partir des équations suivantes: Bij*(t+l) = d[Pi-Bij*(t)] (35) Tj*i(t+l) = d[pi-Tj*i(t)] (36) o J* est le noeud sélectionné dans la couche F2 240. L'étape de mise A jour des valeurs de pondération ascendantes et desoendan- tes si le test de surveillance est réussi est représentée au bloc 550. 5 Une fois que le vecteur d'entrée 210 est mis en présence du module ART 120, ce dernier sélectionne un noeud qui passe avec sucès le test de surveillance 250 dans la couche F2 240. Ensuite, les activations de la couche F2 240 sont propagées vers le champ de mappage 130 par l'intermédiaire des connexions pondérées (wjk) entre la couche F2 240 et le champ de mappage , comme le montre le bloc 555. Les signaux reçus de la couche F2 240 sont calculés par 1'équation suivante: X = w* (37) Au niveau du champ de mappage 130, un second test de

surveillance 140 est réalisé pour déterminer le niveau de cor-

respondance entre la sortie prédite de la couche F2 240 (X) et

le motif de sortie cible 220 (Y), ccmme le montre le bloc 560.

Une mauvaise correspondance entre X et Y déclenchera une remise aux valeurs initiales 270 du champ de mappage vers le module ART sous- jacent 120. Ceci se produit chaque fois que la condition suivante est vérifiée: 1lxll < p' (38) IIYII

o p' désigne le paramètre de surveillance de mémoire associati-

ve 240. Si la remise aux valeurs initiales 270 du champ de

mappage se produit, la surveillance 250 du module ART sous-

jacent 120 est augmentée pour empêcher le système 200 de faire des erreurs répétées, camme le montre le bloc 570. A ce stade, un signal de remise aux valeurs initiales 260 est envoyé à la

couche F2 240 et contraint la couche F2 240 à trouver la deu-

xième meilleure correspondance, cornmme le montre le bloc 545. Ce

prooessus continuera jusqu'au succès du second test de surveil-

lance 140. Une fois le second test de surveillance 140 passé avec succès, les valeurs de pondération descendantes (Tiji) et ascendantes (Bij) entre la couche F1 230 et la couche F2 240 sant adaptées selon les équations (35) et (36), et les valeurs de pondération entre la couche F2 240 et le champ de mappage 130 sonat mises à jour par l'équation suivante: CJj*k = Yk(39) L'étape de mise à jour des valeurs de pondération descendantes

(Tji) et asoendantes (Bij) est montrée au bloc 580.

Pour les valeurs de pondération ascendantes et descen- dantes, le processus d'adaptation de la pondération est réalisé de façon itérative pour chaque motif d'apprentissage. En effet,10 le vecteur d'entrée normalisé 210, représenté par p, est égale- ment mis à Jour après chaque itération de mise à jour. Ensuite,

le nouveau vecteur p de la couche F1 230 est utilisé dans l'itération suivante de mise à jour de la pondération (cf. les équations (35) et (36)).

Pendant la phase d'apprentissage, le vecteur d'entrée 210 (paramètres d'autorégression) et le vecteur de sortie cible

220 (classe de défauts) sont présentés au réseau. Ensuite, le réseau commence à apprendre 1 'association entre le vecteur d'en-

trée 210 et le vecteur de sortie cible 220 selon la procédure20 décrite ci-dessus. Pendant la phase de diagnostic, seul un vecteur d'entrée 210 est fourni au réseau. Le noeud de la couche F2 240 qui passe le test de surveillance 250 de F1 avec succès représente la sortie du réseau (la classe de défaut prédite). Une autre fonction spécifique du réseau ARTMAP modifié

200 est sa capacité de "désapprendre". Contrastant avec la capa- cité d'apprentissage du réseau, la procédure de "désapprentis-

sage" enlève les connaissances "indésirables" qui ont été préalablement acquises par le réseau. Ceci se revèle très utile quand un motif préalablement appris se révèle être faux. Dans30 une telle situation, une façon de corriger cette erreur pourrait être d'apprendre à nouveau tous les motifs sauf le motif indési- rable, ce qui n'est pas très réalisable. Une façon plus efficace

pour désapprendre un motif consiste en une remise aux valeurs initiales des valeurs de pondération du réseau sans s'occuper du35 motif incorrect.

En général, la procédure "désapprentissage" est la même que la procédure d'apprentissage décrite ci-dessus. Une fois qu'un noeud F2 a passé avec suocès les tests de surveillan- ce 240, 140, les valeurs de pondération du réseau sont adaptées 5 selon les équations suivantes: Bij* = (1-d)N (40) Tj*k = 0 (41) o N est le nombre de noeuds dans la couche F1 230 et d est une constante entre 0 et 1.10 Les valeurs de pondération du champ de mappage 230 sont mises à jour à partir de l'équation suivante: Wj*k = 0 (42) 4.2.2. Diagnostic par le réseau ARTMAP modifié La procédure de diagnostic du réseau est illustrée en

figure 6. Le diagnostic a lieu après que l'apprentissage du réseau ARTMAP modifié 200 a été réalisé selon la procédure ci-

dessus. Conmme le montre le bloc 610, le réseau ARTMAP modifié 200 acquiert initialement des données d'entrée fournies par un utilisateur ou directement à partir d'une machine physique ou d'un processus. Apres avoir reçu une entrée, le réseau ART2 225

fait l'hypothèse d'un diagnostic, camme le montre le bloc 620.

Si le diagnostic dont l'hypothèse a été faite passe avec succès le premier test de suiveillanoe 250, le résultat du diagnostic est rapporté à l'utilisateur, comme le montre le bloc 630. Dans

le bloc 640, on demande à l'utilisateur de confirmer le diagnos-

tic du réseau. Si ce diagnostic est correct, l'utilisateur peut choisir de faire apprendre le motif d'entrée présent au réseau,

c'est-à-dire demander au réseau d'adapter ses valeurs de pondé-

ration, ou de quitter le processus de diagnostic, conme le montrent les blocs 690 et 680, respectivement. Si le diagnostic se revèle incorrect, deux options sont possibles. L'utilisateur peut spécifier, canme le montre le bloc 660, la classe de défauts correcte et la faire apprendre au réseau s'il connaît la

classe de défauts correcte, ou il peut demander au réseau d'é-

mettre un autre diagnostic (c'est-à-dire retourner au bloc 620).

* Afin de tester le système, on a utilisé et divisé en deux parties un total de 48 ensembles de données et de trois états de machine différents (normal, défaillance de palier et défaut d'alignement). La répartition s'effectue en 15 ensembles de données pour l'apprentissage et le reste pour les tests. Les effets de la valeur de surveillance et de la taille de l'ensem-

ble d'apprentissage ont également été étudiés. Le réseau s'est comporté de la même façon pour une surveillance réglée à 0,3, 0,5, 0,7, 0,8, ou 0,9. En revanche, quand la taille de l'ensm-

ble d'apprentissage a été fixée à 3 (un pour chaque catégorie), le réseau a atteint une précision d'environ 97 %. Quand on a augmenté la taille de l'ensemble d'apprentissage à 6, (deux pour chaque catégorie), le réseau a été capable d'identifier correc- tement toutes les données de test.15 4.3. Hypothèse et test pour des motifs inconnus COmme on l'a décrit ci-dessus, la technique de base utilisée pour le diagnostic de défaut de machine consiste en un réseau ARTMAP modifié 200 (ou FDN). Caonmoe on l'a mentionné anté- rieurement, on soumet d'abord un réseau à 1' apprentissage20 d'exemples pour que le réseau puisse reconnaître un motif quand celui-ci présente des caractéristiques similaires à celles des exemples. Cependant, il se présente des cas o un motif entié- rement nouveau se forme et le réseau ARTMAP modifié 200 n'a pas antérieurement "fait l'expérienoe" d'un tel motif. Dans de tel-25 les circonstances, le réseau ARTMAP modifié 200 sera contraint de diagnostiquer un "motif inconnu". De façon à surmonter ce problème, on combine des modèles de paliers physiques et une logique floue dans un mode de réalisation particulier pour réaliser une procédure d'hypothèse et de test pour l'analyse et

le repérage de situations de défaut inconnu.

Les modèles de paliers physiques peuvent être utilisés

comme moyens pour fournir des données d'apprentissage prélimi-

naires sur les défauts courants des paliers pour le réseau de diagnostic de défaut quand la machine est entièrement nouvelle

ou qu'il n'y a pas de données sensorielles historiques dispo-

nibles. On trouve une liste des équations théoriques pour le calcul des fréqueinces de signal de vibration de défaut de palier dans l'annexe A. Remarquons que l'on n'utilise les modèles de5 paliers physiques qu'à titre d'illustrationi. On peut utiliser d'autres modèles physiques selon les enseignements de la présen-

te invention, coane l'homme de l'art peut s'en rerndre compte. On peut également utiliser des modèles de paliers physiques en tant que mécanisme d'hypothèse et de test pour des états de défauts complexes ou multiples. Normalement, le processus de raisonnement sur défaut dans un problème ccmplexe implique des inoertitudes et des ambiguités. L'un des outils les plus efficaces pour prendre en compte ce flou est la méthodolo- gie de la logique floue (Li, J. et al., "Fuzzy Cluster Analysis15 and Fuzzy Pattern Recognition Methods for Formation of Part Families (NAMIC)", Society of Manufacturing Engineers, 1988, pp. 558-300). En conséquente, on met en oeuvre le mécanisme d'hypothèse et de test de la présente invention en se basant sur la méthodologie de la logique floue.20 La figure 9 illustre la procédure d'hypothèse et de

test basée sur la logique floue réalisée selon un mode de réali-

sation particulier de la présente invention. On invoque cette procédure quand le réseau ARTMAP modifié 200 rencontre un signal

inxonnu. Elle commence par la récupération des paramètres géomé-

triques du palier et de la vitesse de l'arbre, pour calculer les fréquenoes de défaut de palier correspondantes en utilisant des équations qui se trouvent dans 1'annexe A, comme le montre le bloc 910. Chaque signal de défaut est combiné avec des signaux de vibration normaux pour produire un ensemble de signatures de défaut, cannmme le montre le bloc 920. Ces signatures sont ensuite ajustées par un modèle autorégressif pour créer un ensemble de paramètres d'autorégression, comme le montre le bloc 930. Un motif de référence (virtuel) pour chaque défaut de palier est produit en faisant la moyenne d'un ensemble de paramètres

d'autorégression pour ce défaut, comme le montre le bloc 940.

On mène ensuite les hypothèses et tests, x le montre le bloc 950, avec la méthodologie de logique floue suivante. Celle-ci assigne pour cauioerr une fonction d'appar- tenance floue à des paramètres pour chaque motif de référence.5 Comne on le voit ci-dessous, on utilise une fonction d'apparte- nance linéaire, dans laquelle a et b définissent des domaines appropriés de valeur de paramètre. 1,0 b < x (x-a) ;j(x) = a < x ab (43) (b-a) 0,0 x ( a Ensuite, l'élénent de logique floue 950 émet des hypothèses sur des défauts possibles et vérifie ces hypothèses en étudiant la15 similarité entre les motifs de référence et le signal de vibra- tion inoonnu. La similarité entre les motifs Xi et Xj est définie de la façon suivante P m IPk(Xik)- Pk(Xjk)l !'1 (xix 1 m(Xi,X (44) lm[ Pk(Xik) +Pk(Xjk)] o p est le nombre de paramètres d'autorégression dans le motif et m est un facteur de pondération pour augmenter la distance25 entre motifs de référence échantillon. Un résultat de similarité proche de 1 signifie que deux motifs sont très semblables, et

vice-versa. La procédure d'hypothèse et de test décrite ci- dessus est programmee pour établir la liste de tous les défauts identifiables possibles et leurs similarités sont présentes à30 l'utilisateur pour une confirmation supplémentaire, comrne le montre le bloc 960.

4.4. Système expert de raisonnement sur défaut

Dans un mode de réalisation particulier, le système de diagnostic 400 est réalisé avec un système expert de raisonne-

ment sur défaut (FRES). Tout échantillon de dnnée présentant 5 un état que l'on soupçonne d'être anormal et dont la détection par le réseau ARTMAP modifié 200 ne permet pas d'être sûr est

envoyé au système expert de raisonnment sur défaut pour être analysé. De même, si le réseau ARTMAP modifié 200 soupçonne la présence de plus d'un type de défaut (par exemple, défaut d'ali-10 gnement et contamination), 1' échantillon de données est envoyé au système expert de raisonnement sur défaut.

Le système expert de raisonnement sur défaut vérifie les défauts possibles identifiables en les comparant aux lois

dans sa base de connaissance, à l'histoire des pannes ou répara-15 tions, aux informations sur l'utilisation de la machine pour déterminer les défauts probables. Le résultat de cette vérifica-

tion est affiché par l'interface d'utilisation 450 en même temps que des instructions. On donne ci-dessous une liste de règles d'expertise pour les défaillances générales de machine utilisées par le

système expert de raisonnement sur défaut.

SI une série de fréquences est produite ET la vitesse de fonctionnement possède des sous-harmoniques sous forme de fractions entières (1/2, 1/3, 1/4,..., l/n) ET de hautes fréquences sont excitées ET la forme d'onde est tronquée et aplatie

ALORS l'état de la machine est FROTTEMENT DU ROTOR.

* SI les fréquences de vibration sont significatives à 0,42 -

0,48 X T/MN (vitesse de rotation) ET il existe une vibration dans la direction RADALE ALORS l'état de la machine est INSTABILITE DE TOUJRBILLON

D' HUILE

SI 1 X T/MN dans la direction RADIALE domine le spectre de vibration ET le signal est en phase et stable ET l'amplitude due au déséquilibre augmente par le CARRE DE LA VITESSE (3 X augmentation de la vitesse - 9 X vibration supérieure)

ALORS l'état de la machine est DESEOUILIBRE DE FORCE.

SI 1 X T/MN domine ET 1 'amplitude augmente avec le CARRE DE LA VITESSE ET le signal tend vers un déphasage de 180' ET de fortes vibrations AXIALES et RADIALES se produisent

ALORS l'état de la machine est DESEOUILIBRE DE COUPLE.

* SI 1 X T/MN est élevé à la fois dans la direction AXIALE et

RADIALE

ET les observations AXIALES sont en phase ET les observations RADIALES sont instables

ET les observations RADIALES sont inférieures aux observa-

tions AXIALES

ALORS l'état de la machine est ROTOR EN PORTE-A-FAUX.

* SI on a une forte vibration AXIALE avec des différences de phase AXIALES proches de 180 ET la vibration dominante est 1 X T/MN ou 2 x T/MN

ALORS 1' état de la machine est ARBRE TORDU*.

* SI les vibrations les plus fortes se produisent à 1 X T/MN ET des observations comparatives horizontale et verticale DE PHASE diffèrent de 0 ou 1800 ET les essais d'équilibrage ont pour résultat une réduction de la VIBRATION dans une direction, mais son augmentation dans 1 'autre direction RADIALE

ALORS l'état de la machine est BALOURD DE ROTOR.

* SI on a une forte vibration AXIALE ET la vibration est déphasée de 180' dans le couplage ET la vibration AXIALE est élevée à la fois à i X T/MN et 2 X T/MN mais que ni 1 X, 2 X, ou 3 X ne domine les autres ALORS l'état de la machine est DEFAUT D'ALIGNqEMENT ANGULAIRE * SI la vibration dominante se produit à 2 X T/MN ET on obtient des multiples sous-harmoniques d'exactement 1/2 ou 1/3 X T/MN (0,5 X, 1,5 X, 2,5 X, etc.) ET si la vibration se produit dans la direction RADIALE ALORS l'état de la machine est DEFAUT DE SERRAGE

* SI le spectre de vibration est à une SEULE FREQUENCE, (indi-

quant un mouvement sinusoidal) ET L'AMPLITUDE de la vibration varie PROPORTIONNELLEMENT au CARRE de la vitesse

ALORS l'état de la machine est DESEXJILIBRE**.

* SI les signatures vibratoires dans la direction RADIALE sont SUPERIEURES OU EGALES à 1 1/3 fois les signatures vibratoires dans la direction AXIALE

ALORS l'état de la machine est DEFAUT D'ALIGNEMENT.

* Un arbre tordu n'est reconnaissable que par l'étude de la phase

** Un déséquilibre n'est reconnaissable que dans la direc-

tion radiale Les règles d'expertise pour les défaillances de palier sont données ci-dessous: * SI une série d'harmoniques de vitesse de fonctionnement (Jusqu'à 10 ou 20) apparait dans la direction RADIALE ET les amplitudes verticales sont grandes par rapport aux amplitudes horizontales ET l'amplitude tend à diminuer aux harmoniques élevées

ALORS l'état du palier est USURE DE COUSSINET.

SI l'amplitude à 2 X T/MN est SUPERIEUJRE OU EGALE & 1/3 de l'amplitude à 1 X T/MN

ALORS l'état du palier est DEFAUT DE SERRAGE.

* SI on a une forte vibration axiale ET il en résulte un mouvement de torsion avec un décalage de phase d'environ 1800 vers le bas et/ou latéralement mesuré dans la direction AXIALE ET il se produit une vibration à 1 X T/MN et 2 X T/MN ET 2 X T/MN domine 1 X T/MN

ALORS l'état du palier est PALIER MAL ALIGNE.

SI on a une pulsation aiguë à la FREQUENE DE PASSAGE DE BILLE, évidentes dans le signal de série temporelle ET le spectre de fréquence fait apparaître des très basses amplitudes ALORS l'état de la machine est un ECLAT dans la bague de

roulement du palier.

* SI AUCUN charngement dans les FREQUENCES DE VIBRATIONS n'ac-

compagne un changement dans la VITESSE DE L'ARBRE

ALORS 1 'état de la machine est FROTTEMENT ou RESONANCE.

* SI la transformation de Fourier rapide transforme le signal de vibration en une ONDE CARREE

ALORS l'état du palier est DEFAUT GRAVE DE SERRAGE.

Les règles d'expertise pour les défaillances de pignon sont données cidessous: * SI la forme de l'engrènement est une onde SINUSOIDAE ou une onde SINUSOIDALE MODIFIEE à la FREQUENCE D'ENGRENEMENT ET la fréquence de vibration a lieu a 1 X et 2 X T/MN ET la fréquence d'engrènement est accompagnée de FREQUENCES

LATERALES

ET toutes les crêtes sont de basse amplitude

ALORS l'état du pignon est NORMAL.

SI on a une forte amplitude à 1 X T/MN

ET la fréquence naturelle du pignon est aco mpagne de fré-

quences latérales à la vitesse de fonctionnement ET la forme d'onde temporelle montre un pic prononcé quand la dent s'engrène avec les dents du pignon accouplé

ALORS 1 'état du pignon est DENT CASSEE.

* SI il existe une fréquence de vibration à 1 X T/MN ET il existe des fréquences de somme et de différences de vibration à +/- 1 X T/MN ALORS l'état du pignon est EXCENTRICITE DU PIGNON * SI les fréquences latérales sont de même AMPLITUDE que la

FREQUENCE FONDAMENTALE

ALORS LE PIGN(ON DOIT ETRE REMPLACE

* SI la FREQUENCE NATURELLE DU PIGNON est excitée en même temps que des fréquences latérales espacées à la vitesse de fonctionnement du mauvais pignon ET des fréquences latérales de grande amplitude entourent

la FREQUENCE D' ENGRENEMENT.

ALORS l'état du pignon est USURE DE DENT.

* SI des fréquences latérales de grande amplitude apparaissent autour de la FREQUENCE D'ENGRENEMENT ET la FREQUENCE D'ENGRENEMENT est excitée ET la FREQUENCE NATURELLE DU PIGNCON est excitée ET la FREQUENCE D'ENGRENEMENT et LA FREQUENCE NATURELLE DU PIGNON présentent des fréquences latérales à 1 X T/MN ALORS l'état du pignon est EXCENTRICITE DU PIGNON ET JEU

D 'ENGRENEMENT

* SI les DEUXIEMES harmoniques ou harmoniques SUPERIEURS de la FREQUENCE D'ENGRENEMENT sont excités ET les harmoniques ont des fréquences latérales à la VITESSE

DE FONCTIONNEMENT

ET on a une petite amplitude à 1 X la FREQUENC D'ENGRENE-

MENT ET on a de plus grandes amplitudes à 2 X ou 3 X la FREQUENCE

D' ENGRENEMENT

ALORS l'état du pignon est DEFAUT D'ALIGNEMENT DU PIGNON SI un pic apparait à i X T/MN AWIRS l'état du pignon est PIGNCN DESEDUILIBRE ou DENT

MANQUANTE

* fréquence d'engrenement = nombre de dents x vitesse de l'engrenage Bien sûr, commne l'homme de l'art peut s'en rendre compte, d'autres règles d'expertise peuvent être mises en

oeuvre. En d'autres termes, les règles d'expertise données ci- dessus ne doivent pas être considérées commne une liste exhaus-

tive, mais plutôt commne une illustration des règles d'expertise utilisées dans un mode de réalisation particulier de la présente invention.20 4.5. Diagnostics de défaut Comme le représente la figure 15a, une machine physi- que ou un prooessus sont lanceés et la procédure de diagnostic

peut commencer. Au début, les données (par exemple, les vibra- tions, latempérature, la pression) sont acquises à partir de la25 machine physique ou du processus, comme le montre le bloc 1505. Ces données sont prétraitées en utilisant un modèle autorégres-

sif, conmme le montre le bloc 1510. Ensuite, le paramètre fourni par le modèle autorégres-

sif est utilisé pour détecter des états anormaux de la machine physique ou du processus. Cette détection est réalisée en ligne en utilisant des indices fondés sur une mesure de la valeur efficace et une statistique de covariance du procédé EWMA, conmme le montre le bloc 1515. Cette étape peut être considérée conmme un filtre pour le réseau de diagnostic de défaut 200. Si le bloc 1515 ne détecte pas de défaut, le diagnostic de défaut ne camex.ze pas. Cette caractéristique de la présente invention est

représentée au bloc 1520. Le bloc 1520 surveille la sortie du bloc 1515 et détermine à partir de cette sortie si la machine ou 5 le processus fonctionne de façon normale (état vert), de façon potentiellement problnématique (état orange) ou de façon dange-

reuse (état rouge). Chacune de oes trois conditions est spéci- fique de l'application, et peut être ajustée en fonction des exigences du système ou du processus particulier en fonctionne-10 ment, camme cela est clair pour l'homanme de l'art.

Si la machine ou le processus fonctionne dans un état vert, 1'interface d'utilisation 450 connectée au système de diagnostic 400 affiche un message selon lequel la machine ou le processus fonctionne normalement, comme le représente le bloc15 1525. On arrête la machine ou le processus fonctionnant dans un état rouge, canomme le montre le bloc 1530. Apres avoir arrêté la machine ou le processus, des diagnostics sont effectués. De

mêmne, si la valeur efficace et la moyenne mobile expxnetielle- ment pondérée indiquent la présence d'un état orange, alors des20 diagnostics sont effectués.

Ccanme le montre la figure 15b, si on se trouve en pré-

sence d'un état orange ou rouge, des diagnostics sont effectués, cannmme le représente le bloc 1535. Dans un mode de réalisation particulier, des données sensorielles supplémentaires sont acquises en provenance de la machine ou du processus sous sur- veillance, camme le représente le bloc 1540. On remarquera que ceci constitue une étape supplémentaire qui n'est pas obliga- toire. Les données utilisées à l'origine par le bloc 1515 pour détecter un défaut peuvent être utilisées pour les diagnostics.30 Ensuite, les données sont fournies au réseau de diagnostic de défaut 200 (réseau ARTMAP modifié 200), camme le représente le bloc 1545. Bien sûr, le réseau de diagnostic de défaut 200 a d'abord subi un apprentissage selon la procédure décrite dans ses grarndes lignes ci-dessus. Le bloc de décision 1550 détermine si le réseau de diagnostic de défaut 200 a fourni un diagnostic (c'est-à-dire identifié un défaut de la machine ou du processus). Si le réseau de diagnostic de défaut 200 n'est pas capable de fournir un diagnostic, on applique les modèles de machine physique (ou de processus), commne le miontre le bloc 1555. Commne on l'a décrit ci-dessus, des modèles physiques sont produits à partir de fréquences de défaut produites par des équations théoriques connues que l'on obine avec des signaux normaux issus de la machine ou du processus dans des conditions

de fonctionnement normal. Cette combinaison fournit un ensemble de signatures de défaut.

Ensuite, la méthodologie de logique floue est appli- quée aux signatures de défaut, cannmme le montre le bloc 1560. On remarquera que, même si le réseau de diagnostic de défaut 20015 fournit un diagnostic, la logique floue est quand mime appliquée au diagnostic caone vérification secondaire. La logique floue émet d'abord des hypothèses sur des défauts possibles et vérifie ces hypothèses en étudiant la similarité entre les signatures de

défaut et les signaux inconnus issus de la machine et du pro-

cessus. Par suite, le système de diagnostic 400 affiche tous les

défauts possibles, comme le montre le bloc 1565.

Ces défauts identifiables possibles sont envoyés à un système expert de raisonnement sur défaut, comxme le représente le bloc 1570. Commne on l'a décrit ci-dessus, le système expert

de raisonnement sur défaut vérifie les défauts possibles identi-

fiables en les comparant aux lois de sa base de connaissance, à l'histoire des pannes ou réparations, et aux informations sur

l'utilisation de la machine pour déterminer les défauts pro-

bables. Le résultat de cette vérification est affiché par

l'interface d'utilisation 450 avec des instructions, canne le montre le bloc 1575.

A ce stade, un opérateur peut intervenir, comme le représente le bloc 1585. Pour finir, la base de données 440 est

mise à jour avec les résultats finaux de la procédure de dia-

gnostic dont on a ébauché les grandes lignes ci-dessus.

5. Réseau de transputers Dans un mode de réalisation particulier, la présente invention met en oeuvre le diagnostic et l'apprentissage d'un

réseau ARTMAP modifié 200 (ou réseau de diagnostic de défaut), 5 de même que les procédures d'hypothèse et de test basées sur la logique floue, sur un réseau de transputers. La demande d'ordi-

nateurs plus performants a augmenté de manière significative du fait des avancées technologiques qui permettent aux capteurs de fournir plus de données et rendent les systèmes plus complexes.10 Presque tous les ordinateurs que l'on trouve sur le marché actuellement sont des ordinateurs 'séquentiels' ou "de von

Neumann", o chaque instruction est interprétée et exécutée individuellement avant que la suivante puisse commencer. Par conséquent, la vitesse de ce type de systèmes de calcul est15 déterminée en dernier ressort par la puissance de l'unité centrale (CPU) du système.

Des études récentes ont montré que le calcul en paral-

lèle basé sur des microprocesseurs de la classe des ordinateurs personnels (PC) est bien plus efficace qu'avec les machines vectorielles en termes de performances et de coût. Le calcul en parallèle utilise plusieurs unités centrales pour réaliser

simultanément des tâches multiples. Ces unités centrales peuvent être reliées entre elles de nombreuses façons permettant une grande variété d'architectures de traitement parallèle.

Une machine à chaine d'instructions multiples et à chaine de données multiples (MIMD: Multiple Instruction-stream Multiple Data-stream) (c'est-à-dire que plusieurs unités centrales exécutent simultanément différentes instructions sur différentes données) connue sous le nom de grappe de transputers30 a été élaborée spécifiquement pour le traitement parallèle

pendant ces dernières années. Un transputer est une puce d'ordi-

nateur 32 bits qui constitue un ordinateur complet avec ses propres unité centrale et mémoire locale. Chaque transputer possède quatre liaisons séquentielles pour les coimunications entre processeurs. A travers ces liaisons, un transputer peut être connecté à d'autres unités de transputer pour former un système commun extrêmement performant. De plus, les réseaux de transputers peuvent adopter toute topologie sohaitée, come les 5 structures en pipeline, en arbre et en réseau, ce qui signifie qu'ils ont la flexibilité nécessaire pour convenir à un vaste domanine d'applications. Dans un mode de réalisation particulier, le réseau de diagnostic de défaut a été réalisé sur un ordinateur persooel

486 et un réseau de quatre transputers. Les tâches demandant beaucoup de temps, telles que l'apprentissage du réseau neuro-

nique, le diagnostic et les procédures d'hypothèse et de test basées sur la logique floue sont destinées à être réalisées par le réseau de transputers. Le PC 486 joue le rôle d'ordinateur15 principal pour la répartition du travail, la coordination des activités, l'interface d'utilisation et l'acquisition de données. Un certain nombre de machines ou de pièces peuvent être surveillées en utilisant oe système. On décrit ci-dessous les configurations de matériel et

de logiciel du réseau de transputers utilisé par ce mode de réa-

lisation particulier et les mises en oeuvre des procédures de diagnostic et d'apprentissage du réseau de diagnostic de défaut, et des procédures d'hypothèse et de test basées sur la logique floue, sur le réseau de transputers. On évalue les performances

de ces procédures sur les transputers et on les compare aux performances d'un ordinateur personnel 486 (PC).

On utilise dans un mode de réalisation particulier la carte Quadputer de MicroWay comme matériel de traitement paral-

lèle. Le Quadputer est une carte à une seule fente et à facteur30 de forme autorégressif qui inclut la logique de contrôle de quatre transputers T800-25, chacun ayant quatre mégaoctets de

mémoire externe pour un total de seize mégaoctets sur une carte. La vitesse de chaque transputer est de 25 MHz.

Etant donné que chaque noeud de transputer sur la car- te a sa propre mnémoire locale à laquelle les autres transputers ne peuvent avoir directement accès, il est nécessaire de co"mu- niquer directement en envoyant et en recevant les informations 5 activement à travers les connexions entre transputers. La figure illustre les connexions physiques de quatre transputers

1010-1040 sur la carte Quadputer.

Ce réseau de transputers 1010-1014 peut être configuré de diverses façons, telles que les configurations pipeline et en arbre, car chaque transputer est connecté aux trois autres transputers. Par exemple, dans la configuration en arbre, le transputer 1 1010, que l'on appelle parfois transputer "racine" est connacté au transputer 2 1020, au transputer 3 1030, et au transputer 4 1040 par les liaisons 1, 2 et 3, respectivement.15 On peut également observer sur la figure 10 la présenoe de quatre liaisons libres, TlL0, T2L1, T3L2 et T4L3. Ces liaisons peuvent être utilisées pour la connexion avec d'autres cartes de transputers ou pour réaliser des connexions multiples entre deux transputers sur la mnême carte, sauf pour TlL0 qui est20 consacré à la connexion avec l'ordinateur central (non illustré sur les figures). Par conséquent, le rôle du transputer racine

1010 est très important étant donné qu'il doit réaliser l'inter-

face avec l'ordinateur central pour réaliser des fonctions

d'entrée/sortie des données. En d'autres termes, toute l'infor-

mation contenue dans les autres transputers doit d'abord passer par le transputer racine 1010 pour être répartie dans l'ordi-

nateur central. Dans un mode de réalisation particulier, on utilise un PC 486 fonctionnant à 33 MHz en tant qu'ordinateur central. Bien sûr, on peut utiliser d'autres ordinateurs commne30 cela sera clair pour l'homme de l'art.

Etant donné que tout transfert d'information doit

traverser le transputer racine 1010, la complexité des communi-

cations dans le réseau est accrue. De ce fait, un programmeur doit bien connaître le détail des communications dans le réseau (corue par exemple quel noeud est relié à quel autre par quelle liaison) lorsqu'il réalise un programme parallèle sur le

réseau. Afin de résoudre ce problème, la présente invention uti-

lise un progiciel de communication appelé Express 1310, ccame le montre la figure 13. Express 1310 est disponible chez ParaSoft Sells Corp., 27415 Trabucco Circle, Mission Viejo, California, 92692, USA. Avec ce progiciel, tout transputer, de mme que l'ordinateur central 1050, peut envoyer/recevoir des messages directement à/de un autre, indépendamment du matériel ou de la10 configuration particulière en jeu. La figure 13 représente la structure matérielle comprenant Express 1310 par laquelle l'ordinateur central PC 1105 et tous les noeuds de transputer sont connectés les uns aux autres. Deux modèles de programmation sont fournis par Express 1310, l'un d'entre eux étant le modèle Cubix, l'autre le modèle "hôte-noeud". Le modèle Cubix est conceptuellement le plus simple. Dans ce modèle, le programme parallèle comprenant les

données et les fichiers d'entrée/sortie, les fonctions gra-

phiques, 1l'interface d'utilisation, etc. doit être chargé et exécuté sur les noeuds des transputers. L'avantage de cette approche est que la correction du programme, son expansion et son entretien sont faciles. Son inconvénient réside dans le fait qu'elle peut nécessiter une mémoire supérieure à la mémoire disponible dans les noeuds des transputers.25 Le modèle "hôte-noeud" entraine l'écriture d'un pro- granmme devant tourner sur l'ordinateur central qui coordonne et

commande les activités de noeuds des transputers. Dans ce modèle, toutes les entrées/sorties doivent être gérées par le programme central et ensuite envoyées sous forme de message aux30 noeuds de transputers. L'avantage de cette approche est que la vitesse d'entrée/sortie est supérieure. De plus, elle peut four-

nir une interface d'utilisation graphique plus complexe. Ces deux qualités sont cruciales si l'on pense à des applications possibles. De plus, adapter les codes d'acquisition de données et d'interfaoe graphique élaborés dans 1 'environnement des

transputers dans le modèle Cubix s'apparente & du gaspillage alors que tout peut être conservé intact dans l 'ordinateur cen- tral. Par conséquent, on utilise le modèle hôte-rnoed" came un 5 modèle de programmation dans un mode de réalisation particulier.

Dans un mode de réalisation particulier, le langage de programmation utilisé pour l'ordinateur central 1105 est Turbo

C++, et les programmes parallèles pour les noeuds des transpu- ters sont décrits et exécutés en utilisant le C pour systèmes10 logiques.

Camoe on l'a décrit ci-dessus, la procédure de dia- gnostic du réseau ARTMAP modifié 200 est congçue pour trouver les deux défauts les plus probables pour chaque motif présenté au réseau 200. La recherche de ces deux défauts probables est réa-15 lisée de façon séquentielle sur le PC 486, oe qui signifie que le réseau ARTMAP modifié 200 rencontre le premier noeud de la

couche F2 qui passe le test de vérification 250 caume le premier défaut possible, puis rencontre le prochain camme le second défaut possible. Dans un mode de réalisation particulier, cette20 procédure est réalisée sur des transputers. La figure 14 repré-

sente une mise en oeuvre par transputers de la procédure de

diagnostic du réseau de diagnostic de défaut.

On a montré qu'un transputer unique T800-25 est beau- coup plus lent qu'un PC 486. Cela n'est pas simplement dû au fait que la vitesse du CPU du transputer T800-25 est inférieure à oelle du PC 486, mais également au fait que la réalisation du transputer augmente le temps de communication. Cependant, 1 'avantage des transputers pour le traitement parallèle devient significatif quand on compare l'efficacité de l'utilisation d'un transputer à celle de l'utilisation de deux transputers. L'effi- cacité du diagnostic augmente d'environ 42 % (de 0,19 seconde à

0,11 seconde). De plus, deux transputers réalisent les mêmes performances qu'un PC 486 pour le diagnostic de cinq motifs.

Par ailleurs, la variation du temps de diagnostic est plus grande pour les transputers. Les transputers ont tendane à

prendre plus de temps au premier essai. Ceci est dû au fait que toute l'information du réseau doit être transférée la première 5 fois alors que seul le vecteur d'entrée doit être transféré par la suite.

La tâche qui prend le plus de tempe dans la procédure d'apprentissage du réseau ARTMAP modifié 200 (illustré par la figure 5) est l'adaptation des valeurs de pondération ascendan-10 tes (Bij) et des valeurs de pondération descendantes (Tji). En effet, l'adaptation des valeurs de pondération est réalisée

de manière itérative pour chaque motif d'apprentissage. Comme on le décrit ci-dessous, la procédure d'adaptation de la pcndé- ration du réseau de diagnostic de défaut est réalisée sur un15 réseau de transputers.

L'utilisation de transputers dans la procédure d'ap- prentissage du réseau ARTMAP modifié 200 est iliustrée par la figure 11. On a étudié divers types d'utilisation: l'utilisa- tion d'un, deux et trois transputers pour reercher un noeud20 dans la couche F2 qui réussisse les tests de surveillance 240 et 250 et réalise la procédure d'adaptation des pondérations. Dans le premier cas, toutes les adaptations des pondérations sont réalisées séquentiellement sur un transputer 1110. Dans le second cas, la mise à jour des pondérations entre la couche F2 240 et le champ de mappage 130 est réalisée sur un premier

transputer 1110, tandis que l'adaptation des valeurs de pondéra-

tion ascendantes et descendantes est réalisée sur un deuxième transputer 1120. Ensuite, les valeurs de pondération ascendantes et descendantes sont séparées pour être utilisées sur deux

transputers 1120, 1130 dans le dernier cas. Canmoe on l'a men-

tionné ci-dessus, le vecteur d'entrée normalisé p dans la couche F1 230 est mis à jour chaque fois que toutes les itérations de mise à jour de la pondération sont effectuées. Par suite, dans le deuxinème transputer 1120, le vecteur p est calculé après la mise & jour des valeurs de pondération descendantes. Ensuite, le nouveau vecteur p mis à jour est envoyé au troisième transputer 1130 pour être utilisé dans l'adaptation des valeurs de pondé- ration ascendantes (voir l'équation (35)). Par conséquent, il existe un lien de communication unidirectionnel 1140 du trans- puter 1120 au transputer 1130. La logique de programmation pour oette procédure sur les transputers est la même que celle du diagnostic. La seule

différence est que le vecteur de sortie cible 220 et les valeurs10 de pondération entre la couche F2 240 et le champ de mappage 130 doivent être envoyés aux transputers.

On a montré qu'un PC 486 est beaucoup plus rapide que

les trois autres configurations mettant en oeuvre des trans-

puters. De plus, l'amélioration de l'efficacité d'apprentissage quand on passe de l'utilisation d'un transputer à celle de deux transputers n'est pas significative (environ 5 %). L'efficacité

d'apprentissage la pire est atteinte quand on utilise trois transputers. Dans ce cas, on met presque trois fois plus de temps qu'avec un PC 486. La raison de cette faible vitesse20 d'apprentissage est qu'un important délai intervient dans la communication entre les noeuds 1 et 2.

Canomme pour la variation du temps d'instruction, le PC 486 présente une variation plus grande. En effet, le iombre de remise aux valeurs initiales du réseau a tendance à s'élever pour des motifs d'apprentissage ultérieurs, ce qui signifie que plus de temps d'apprentissage est nécessaire. Cependant, la variation pour le transputer n'est pas aussi grande que celle du PC 486 étant donné qu'un délai de communication est impliqué dans l'apprentissage. Par conséquent, les tests ultérieurs ont

pris plus de temps.

Une variante de réalisation utilise des processeurs

multiples en faisant fonctionner le PC central et les trans-

puters en parallèle. Quand 1' ordinateur central termine les entrées/sorties de données et de fichier pour le premier motif

d'apprentissage, il continue à recevoir des informations en pro-

venance de l'utilisateur pour le prochain motif d'apprentissage, pendant que les transputers reçoivent les dcnnées de l' ordina- teur central et canmmencent le processus d'apprentissage. La 5 réduction totale du temps d'entrée/sortie et d'apprentissage due à cette approche après cinq essais est d'environ 12,6 % (de

,02 secondes à 39,35 secondes).

On décrit ci-dessous une réalisation par transputers de la procédure d'hypothèse et de test basée sur la logique floue. Commne on l'a décrit ci-dessus, on utilise cette procédure en vue de réaliser un raisonnement poussé sur les défauts pour les motifs que le réseau de diagnostic de défaut ne peut pas reconnaître. La procédure d'hypothèse et de test basée sur la logique floue produit d'abord, par exemple, six motifs de15 référence basés sur les paramètres donnés des paliers, l'état de fonctionnement de la machine, et la signature vibrationnelle de

base, puis compare ces motifs produits avec la signature vibra-

tionnelle donnée inconnue pour déterminer la similarité entre elles.

La figure 12 représente des réalisations par transpu- ters de la procédure d'hypothèse et de test utilisant un trans-

puter et trois transputers. Dans le cas de l'utilisation d'un transputer, la production et la comparaison des six défauts de palier sont réalisées séquentiellement sur un seul transputer25 1110. Dans le cas de l'utilisation de trois transputers 1110-

1130, tous les transputers fonctionnent en parallèle, deux motifs de défaut étant attribués à chacun d'eux. Le transputer

central 1105 est responsable des entrées/sorties et de l'inter-

face d'utilisation, de mêne que de l'envoi des paramètres de

paliers, de l'état de fonctionnement de la machines, etc., aux noeuds des transputers et de la réception des sorties (c'est-à-

dire de la similarité) en provenance des trois transputers 1110-1130.

On a montré que le PC 486 est plus rapide qu'un seul transputer. Cependant, quand la tâche est divisée en trois parties réalisées par trois transputers, la réductiin moyenne de temps est environ de 37 % (de 0,60 à 0,38 seconde). On peut 5 fortement améliorer les performances de la procédure d'hypothèse et de test si on inclut plus de défaut dans le modèle et si, en même temps, on utilise plus de transputers pour réaliser la procédure. 6. Conclusion Actuellement, de plus en plus d'entreprises indus- trielles adoptent la maintenance prédictive dans leur programme

de maintenance. Le système de diagnostic de défaut présenté ici fournit un programme de maintenance prédictive efficace. Avec la capacité de réaliser des diagnostics de défaut robustes et en15 ligne, ce système peut réduire les temps de panne et les coûts de manière considérable.

Bien qu'on ait présenté et décrit la présente inven- tion en se référant à des modes de réalisation particuliers de

celle-ci, l'homme de l'art comprendra que l'on peut réaliser de20 nombreux changements de forme et de détail sans sortir du domaine de la présente invention.

Annexe A Modèle physique de palier On donne ci-après une liste d'équations théoriques pour le calcul de fréquences de signaux de vibration de défaut de palier (cf. Braun, S., Mechanical Signature Analysis: Theory and Applications, Academic Press, Londres, 1986; Sandy, J., "Monitoring and Diagnostics for Rolling Element Bearings", Sound and Vibration, Juin 1988, pp. 16-20): N d f = (n)(1± osa) (A.1) ir 120 D N d f = (n)(1-cosa) (A.2) or 120 D N d f = -(n)(1-cosa) (A.3) c 120 N D d f =-(-) [1-(-cosoe)2] (A.4) rs 120 d D

N N

f =- (n) +2[] (A.5) m 60 60 N f - (A.6) im 60 o N = Vitesse de l'arbre (CPM) n = nombre de pièoes en rotation d = diamètre des éléments roulants D = diamètre de pas du palier (au centre du rouleau) a = angle de contact fir = défaut intérieur de bague de roulement for = défaut extérieur de bague de roulement fc = défaut de cage frs = patinage des rouleaux fm = défaut d'alignement fim = déséquilibre de l'arbre

Claims (27)

REVENDICATIONS

1. Système de diagnostic de défaut (400), caractérisé en ce qu'il comprend: (a) un module d'acquisition de données (410), qui recueille des signaux sensoriels; b) un module de diagnostic (420), relié au module d'acquisition de données (410), qui réalise une détection de défaut en ligne sur une machine physique ou un processus, des diagnostics de défaut, et qui donne des instructions fondées sur la détection de défaut et les diagnostics de défaut; et10 c) un module de modélisation de machine (430), relié au module de diagnostic (420), qui fournit un modèle physique

pour identifier des états de défaut qui ne peuvent être diagnos- tiqués par le module de diagnostic (420).

2. Système de diagnostic de défaut selon la revendi-

cation 1, dans lequel le module d'acquisition de données (410), comprend plusieurs capteurs, chacun étant capable d'acquérir des données en temps réel.

3. Système de diagnostic de défaut selon la revendi- cation 1, dans lequel le module de diagnostic (420), comprend un module de modélisation paramétrique, un réseau neuronique de résonance adaptative prédictif modifié (ARTMAP) (200), un module

de logique floue, et un système expert.

4. Système de diagnostic de défaut selon la revendi- cation 3, dans lequel le module de modélisation de machine (430)

comprend des modèles physiques de paliers et pignons, et fournit des données pour l'apprentissage préliminaire du réseau neuro-

nique ARTMAP modifié.

5. Système de diagnostic de défaut selon la revendication 1, dans lequel le module d'acquisition de données (410)

comprend des moyens de prétraitement des signaux sensoriels utilisant un modèle autorégressif.

6. Système de diagrnostic de défaut selon la revendi- cation 1, dans lequel le module de diagnostic (420) comaprend des moyens de détection pour réaliser une détection de défaut qui inclut la détection d'états anormaux de la machine physique ou 5 du processus en utilisant une mesure de valeur efficaoe globale (HMS) et une statistique de covariance d'un procédé de moyexiie mobile exponentiellement pondérée (EWMA), dans lequel une limite de contrôle est établie pour la valeur efficace et la moyenne

mobile exponentiellement pondérée, et si les conditions senso-

rielles dépassent la limite de contrôle, alors on se trouve en présence d'un état anormal.

7. Système de diagnostic de défaut selon la revendi- cation 1, dans lequel le module de diagnostic (420) comprend des

moyens d'identification pour réaliser une identification de15 défaut à partir d'une approche de raisonement basée sur la modélisation qui inclut une méthodologie de logique floue.

8. Système de diagnostic de défaut selon la revendi- cation 1, dans lequel le module de diagnostic (420) comprend un système expert qui réalise une vérification de défauts et qui20 fournit des instructions au sujet des défauts détectés à un utilisateur.

9. Système de diagnostic de défaut selon la revendica-

tion 1, dans lequel le module de diagnostic (420) et le module de modélisation de machine (430) sont réalisés par un réseau de

transputers.

10. Système de diagnostic de défaut selon la revendi-

cation 1, dans lequel les signaux sensoriels incluent des signaux de vibration, des signaux de pression et/ou des signaux de température en provenance de la machine physique ou du

prooessus.

11. Système de diagnostic de défaut selon la revendi-

cation 1, dans lequel le module de diagnostic (420) comprend un réseau de diagnostic de défaut, dans lequel le réseau de diagnostic de défaut inclut: a) un module de résonance adaptive (ART) qui accepte un motif d'entrée (210), ce module ART ayant une première couche (230) et une seconde couche (240), et étant configuré pour réaliser un premier test de surveillance (250) et produire une catégorie de reconnaissanoe; et b) un champ de mappage (130) connecté au module ART et à un motif de sortie cible, qui réalise un mappage entre la catégorie de reconnaissance et le motif de sortie cible (220), et déclenche la mise en oeuvre d'un second test de surveillance10 (140); dans lequel le second test de surveillance (140) détermine la proximité entre le motif de sortie cible (220) et

la catégorie de reconnaissance.

12. Système de diagnostic de défaut selon la revendi-

cation 11, dans lequel la première couche comprend trois niveaux dont chacun inclut: des moyens d'intégration de dronnées internes aux champs et entre champs pour produire un signal d'activation

intégré; et20 des moyens pour réaliser la normalisation du signal d 'activation intégré.

13. Système de diagnostic de défaut selon la revendi-

cation 11, dans lequel le module ART est un réseau ART2 (225)

qui peut accepter des motifs d'entrée binaires ou analogiques.

14. Système de diagnostic de défaut selon la revendi-

cation 11, dans lequel le motif de sortie cible (220) est un

vecteur binaire, chaque noeud de ce vecteur binaire correspon-

dant à un état particulier de la machine ou du processus.

15. Système de diagnostic de défaut selon la revendi-

cation 11, comprenant en outre des moyens de paramétrisation

(310) pour ajuster un signal de vibration recueilli en prove-

nance d'une machine sous surveillance à un modèle paramétrique prédéterminé, dans lequel le moyen de paramétrisation (310)

produit un paramètre (315).

16. Système de diagnostic de défaut selon la revendi- cation 15, comprenant en outre un module de normalisation (320) relié au moyen de paramétrisation (310), qui enlève les valeurs négatives significatives de ce paramètre (315). 5

17. Système de diagnostic de défaut selon la revendi- cation 16, dans lequel le module de normalisation ccmprend: 1) des moyens pour diviser le paramètre (315) en une partie négative et une partie positive;

2) des moyens pour mettre à l'échelle la partie néga-

tive et la partie positive en divisant le paramètre (315) par une valeur maximum de paramètre.

18. Système de diagnostic de défaut selon la revendi- cation 11, dans lequel chaque noeud de la seconde couche (240), correspond à un état de défaut particulier.15

19. Système de diagnostic de défaut selon la revendi- cation 1, dans lequel le module de modélisation de machine (430) fournit en outre un mécanisme de raisonnement poussé sur défaut pour identifier des états de défaut complexe ou multiple.

20. Procédé pour établir un diagnostic sur une machine physique ou un processus, caractérisé en ce qu'il cmauprend les étapes suivantes:

1) acquérir un premier ensemble de données en prorve-

nance de la machine physique ou du processus (1505); 2) prétraiter ces données acquises en utilisant un modèle autorégressif (1510), ce prétraitement produisant un paramètre autorégressif; et 3) détecter des états anormnnaux à partir du paramètre autorégressif en utilisant une mesure de valeur efficace globale (RMS) et une statistique de covarianoe d'une moyenne mobile exponentiellement pondérée (EWMA) (1515, 1520), dans lequel, si un état anormal est détecté, alors, a) identifier si la machine physique ou le processus présente un défaut, ce qui inclut, i) déterminer une hypothèse à 1' aide d'un réseau de diagnostic de défaut (1545) et, si le réseau de diagnostic de défaut ne peut émettre d'hypothèse, alors ii) déterminer une hypothèse & 1' aide d'une appro- che par un raisonnement basé sur une modélisation, dans laquelle l'approche par un raisonnement basé sur une modélisation utilise la logique floue (1555, 1560); et 5 b) envoyer le défaut identifiable & un système expert de raisonnement sur défaut ayant une base de connaissances avec un ensemble de lois, dans lequel le système expert de raisonne- ment sur défaut vérifie le défaut identifiable en vérifiant sa compatibilité avec ses lois (1570).10

21. Procédé selon la revendication 20, dans lequel 1 'étape (3) comprend 1' étape consistant à avertir l'utilisateur que la machine ou le processus fonctionne de façcon normale

(1525), de façon potentiellement problématique ou de façon dangereuse.

22. Procédé selon la revendication 20, dans lequel le système expert de raisonnement sur défaut vérifie également le défaut identifiable en relation avec l'histoire des endmage- ments et pannes et les informations sur l'utilisation de la machine.20

23. Procédé selon la revendication 22, comprenant en outre 1 'étape consistant à afficher le défaut identifiable accompagné d'instructions par 1'intermédiaire d'une interface d'utilisation (450, 1575).

24. Procédé selon la revendication 20, comprenant en outre l'étape consistant à acquérir un second ensemble de don- nées en provenance de la machine physique ou du processus avant l'étape 3(a) (1540).

25. Procédé selon la revendication 20, comprenant en outre les étapes consistant à prétraiter le second ensemble de données acquises en utilisant un modèle autorégressif, ce prétraitement produisant un paramètre autorégressif, et à normaliser ce paramètre autorégressif.

26. Procédé de diagnostic sur une machine physique ou un processus, caractérisé en ce qu'il comprend les étapes suivantes: 1) acquérir un Jeu de données en provenance de la machine physique ou du processus (1505); et 2) identifier si la machine physique ou le processus présente un défaut, ce qui inclut les étapes suivantes: (i) déterminer une hypothèse à l 'aide d'un réseau de diagnostic de défaut (1545) et, si ce réseau de diagnostic de défaut ne peut produire d'hypothèse, alors (ii) déterminer une hypothèse à l'aide d'une appro- che par un raisonnement basé sur une modélisation, 1l'approche par un raisonnement basé sur une modélisation utilisant la

logique floue (1555, 1560).

27. Procédé selon la revendication 26, coeprenant en outre l'étape consistant à envoyer le défaut identifiable à un système expert de raisonnement sur défaut ayant une base de15 connaissances avec un ensemble de lois, dans lequel le système expert de raisonnement sur défaut vérifie le défaut identifiable

en vérifiant sa compatibilité avec ses lois (1570).