FR2900746A1 - Procede et dispositif de diagnostic d'un mecanisme. - Google Patents

Abstract

La présente invention est relative à un procédé d'analyse des variations d'un indicateur (i) du comportement d'un mécanisme qui comporte les opérations suivantes :(OP1, OP2) extraire le bruit (w) et d'éventuelles discontinuités (b, s) de l'indicateur (i) pour obtenir une tendance (c) ;(OP8) comparer les variations de la tendance (c) à une ou plusieurs valeur(s) de référence;(OP10) signaler un défaut du mécanisme en fonction des résultats de la (des) comparaison(s) (OP8).

Description

Procédé et dispositif de diagnostic d'un mécanisme. La présente invention

est relative à un procédé de diagnostic d'un mécanisme, à un programme de diagnostic d'un mécanisme et à un dispositif susceptible d'exécuter ce programme pour mettre en oeuvre ce procédé. Le domaine technique de l'invention est celui des systèmes de surveillance de l'état de giravions. L'invention s'applique notamment au diagnostic d'un mécanisme de transmission inséré entre au moins un moteur et au moins un rotor d'un giravion. Un tel mécanisme comporte habituellement plusieurs arbres équipés d'engrenage (s) et permet de transmettre le couple du(cles) moteur(s) au(x) rotor(s) et accessoire(s) du giravion. La surveillance ou détection de l'apparition d'un défaut au sein d'un mécanisme a fait l'objet de nombreuses recherches ; on peut citer le brevet EP-0 838 048 relatif à la détection d'une défaillance d'un capteur. Certains aspects de la surveillance de l'état de moteurs ou turbine ont notamment été décrits dans les brevets US-6,301,572, US-2004/0176902 et US-2005/0096873.

L'analyse de données de tendance de moteurs d'avion à des fins diagnostiques a été décrite dans le brevet EP-0 843 244. Le brevet EP-0 407 179 et le document Helicopter HUM/FDR benefits and developments , Brian D. Larder, American Helicopter Society 55th Annual Forum, Montréal, Quebec, 1999, donnent des informations concernant la surveillance de l'état d'un hélicoptère. Le document Vibration monitoring techniques investigated for the monitoring of a ch-47d swashplate bearing , Paul Grabill et al., American Helicopter Society 59th Annual Forum, Phoenix, AZ, 2003, décrit des techniques utilisées pour détecter des défauts de roulements à partir de données vibratoires. Le document Helicopter transmission diagnostics using constrained adaptive lifting , Paul Samuel et al., American Helicopter Society 59th Annual Forum, Phoenix, AZ, 2003, décrit l'utilisation d'un algorithme de diagnostic d'un mécanisme de transmission d'hélicoptère à l'aide d'ondelettes ; les ondelettes sont utilisées pour adapter l'algorithme pour un mécanisme défini ; elles sont déterminées à partir de données vibratoires d'une transmission en bon état et permettent de construire un modèle prédictif de la forme d'onde des signaux vibratoires. L'algorithme détermine une erreur de prédiction lors du fonctionnement de la transmission, dont l'amplitude donne une indication de l'existence de certains types de défauts d'un engrenage.

La présente invention s'applique notamment au diagnostic d'un mécanisme de transmission de puissance d'un hélicoptère, par analyse des variations ù au cours du temps ù d'indicateurs déterminés à partir de mesures vibratoires effectuées sur l'hélicoptère, et/ou par analyse de ces mesures vibratoires.

Pour pratiquer ces mesures, on équipe l'hélicoptère d'accéléromètres qui sont placés (fixés) sur le(s) moteur(s), sur le(s) carter(s) de boîte(s) de transmission, sur des paliers d'arbres, et/ou en d'autres points de la structure de l'hélicoptère. Pendant un vol, les signaux délivrés par ces capteurs sont convertis en données et le cas échéant synchronisés (grâce à des signaux délivrés par un capteur de rotation) et/ou moyennés , puis enregistrés à bord de l'hélicoptère. De retour au sol, les données enregistrées sont collationnées et analysées.

L'interprétation de ces données est complexe : elle nécessite une intervention longue d'un expert. Les outils connus d'analyse automatique de ces données aux fins de diagnostiquer un défaut mécanique dans le mécanisme de transmission sont incomplets et imparfaits ; des défauts existants ne sont pas détectés, tandis que des indications injustifiées de défaut sont parfois générées par ces outils d'analyse. Un objectif de l'invention est de proposer un procédé d'analyse de telles données, un programme d'analyse et un dispositif incluant ce programme, qui permettent d'établir un diagnostic fiable, i.e. maximisant le pourcentage de défauts effectifs détectés et minimisant le pourcentage de défaut non avérés. Un objectif de l'invention est de proposer de tels procédés, programmes, et dispositifs, qui ne nécessitent pas un apprentissage préalable par un opérateur. Un objectif de l'invention est de proposer de tels procédés, programmes, et dispositifs, qui soient améliorés et/ou qui remédient, en partie au moins, aux lacunes ou inconvénients des procédés, programmes, et dispositifs connus.

Selon un aspect de l'invention, il est proposé un procédé de diagnostic d'un mécanisme par analyse des mesures vibratoires pratiquées sur le mécanisme et/ou par analyse des variations d'un signal indicateur (i) du comportement du mécanisme, qui comporte les opérations successives suivantes : - normalisation (correction) des variations de l'indicateur par référence à des variations simultanées d'un paramètre (PA) de fonctionnement du mécanisme, en particulier par référence à des variations simultanées de la vitesse (ias) du giravion par rapport à l'air; -détermination de seuils ou valeurs de référence pour la vitesse de variation de l'indicateur (i) ou d'au moins une de ses composantes (w, b, s, c), à partir des variations de l'indicateur pendant une période de fonctionnement sans défaut du mécanisme ; puis - comparaison de la vitesse de variation de l'indicateur (i) ou d'au moins une de ses composantes (w, b, s, c,) avec les seuils ou valeurs de référence. L'opération de normalisation peut comporter un filtrage de données de variation de l'indicateur. Cette opération peut comporter une modélisation paramétrique de l'indicateur ou de mesures dont est extrait l'indicateur. Le mécanisme peut être un mécanisme de transmission d'un giravion, l'indicateur peut être dérivé de l'analyse synchrone de mesures vibratoires sur le giravion en vol, et le paramètre de fonctionnement (PA) peut être la vitesse (ias) du giravion par rapport à l'air. Selon un autre aspect de l'invention, il est proposé un procédé d'analyse des variations d'un indicateur (i) du comportement d'un mécanisme, qui comporte les opérations suivantes : (OP1, OP2) extraire le bruit (w) et d'éventuelles discontinuités (b, 20 s) de l'indicateur (i) pour obtenir une tendance (c) ; (OP8) comparer les variations de la tendance (c) à une ou plusieurs valeur(s) de référence; (OP10) signaler un défaut du mécanisme en fonction des résultats de la (des) comparaison(s) (OP8). 2.5 Selon des modes préférés de réalisation de l'invention : - pour extraire les éventuelles discontinuités, (OP1) on recherche et on soustrait les éventuelles données aberrantes (s) dans les données d'indicateur (i); et (OP2) on extrait d'éventuelles données de saut (b) des données (i-s) obtenues à l'issue de l'opération (OP1) ; pour rechercher la date des données aberrantes (s), on soustrait aux données d'indicateur (i) une valeur médiane mobile (mm(i)) des données d'indicateur, pour obtenir des données bruitées (i'); et on identifie la ou les date(s) pour laquelle (ou lesquelles) le rapport de l'amplitude des données bruitées (i') au niveau (wrms(i)) des données d'indicateur, est supérieur à un seuil (ts) ; -pour identifier la présence d'un saut (b) dans les données (i-s), on 10 analyse les variations de coefficients (d') d'échelle correspondants à une transformée en ondelettes des variations des données (i-s) ; - on identifie un possible saut (b) dans les données (i-s) lorsque le rapport bp d'une moyenne (abs(mean(d'))) des coefficients d'échelle à l'écart type (std(d')) des variations de ces coefficients (d'), dépasse une 15 première valeur déterminée tp , et lorsque le rapport b,,, de cette moyenne (abs(mean(d'))) des coefficients d'échelle au niveau (wrms(i-s)) des données (i,=i-s), dépasse une seconde valeur déterminée t,,, ; - pour comparer les variations de tendance à des valeurs de référence, (OP5) on calcule des données de variation d'échelles d'une 20 transformée en ondelettes des données de tendance (c) ; et (OP8) on compare les données de variation d'échelles de la transformée en ondelettes des données de tendance aux valeurs de référence ; - on effectue en outre les opérations suivantes (OP3) on calcule un niveau (wrms(w)) du bruit (w) ; (OP7) on compare les variations 25 du niveau (wrms(w)) du bruit à une ou plusieurs valeur(s) de référence; et (OP9) on signale un défaut du mécanisme en fonction des résultats de la (des) comparaison(s) (OP7) ; - pour comparer les variations du niveau (wrms) du bruit à des valeurs de référence, (OP4) on calcule des données de variation d'échelles

d'une transformée en ondelette des variations du niveau (wrms(w)) du bruit; et (OP7) on compare les données de variation d'échelles de la transformée en ondelettes du niveau (wrms(w)) du bruit aux valeurs de référence ; -on utilise rondelette de Haar et la fonction d'échelle associée à rondelette de Haar ; - lorsqu'un saut est détecté, on compare la date du saut à des données d'historique de maintenance du mécanisme ; -on compare (OP9) l'amplitude des données (i-s) à au moins une troisième valeur de référence ; - on diagnostique un défaut du mécanisme en fonction des résultats des comparaisons. Selon encore un autre aspect de l'invention, il est proposé un dispositif de diagnostic d'un mécanisme en fonction de données (i) élaborées à partir de mesures vibratoires pratiquées sur le mécanisme, qui est programmé pour effectuer les opérations d'un procédé selon l'invention. Selon encore un autre aspect de l'invention, il est proposé un programme de diagnostic d'un mécanisme en fonction de données (i) élaborées à partir de mesures vibratoires pratiquées sur le mécanisme, caractérisé en ce qu'il est arrangé (structuré et organisé) pour effectuer les opérations d'un procédé selon l'invention. Le programme peut est arrangé pour effectuer les opérations suivantes (OP1) rechercher et séparer les éventuelles données aberrantes (s) dans les données (i); (0P2) extraire des données de bruit (w) et d'éventuelles données de saut (b) des données (i, = i-s) obtenues à l'issue de l'opération (-)P1), pour obtenir des données de tendance (c) ; (OP3) calculer des données de niveau de bruit (wrms(w)) à partir 5 des données de bruit ; (OP4) calculer des données de vitesse de variation temporelle des données de niveau de bruit ; (OP5) calculer des données de vitesse de variation temporelle des données de tendance ; 10 (OP6) élaborer une donnée de détection de saut, et le cas échéant calculer une date de saut à partir des données de saut, et comparer la date de saut à des données d'historique de maintenance du mécanisme; (OP7) comparer les données de vitesse de variation temporelle des données de niveau de bruit à des premières valeurs de référence; 15 (OP8) comparer les données de vitesse de variation temporelle des données de tendance à des secondes valeurs de référence; (OP9) comparer l'amplitude des données (i-s) obtenues à l'issue de l'opération (OP1) à au moins une troisième valeur de référence; (OP10) élaborer une donnée de détection de défaut du mécanisme 20 en fonction des résultats des comparaisons (0P6, OP7, OP8, OP9). Les données (i) élaborées à partir de mesures vibratoires pratiquées sur le mécanisme peuvent notamment correspondre aux variations, pendant une période d'utilisation du mécanisme du niveau (énergie) d'accélérations mesurées sur le 25 mécanisme à une fréquence de synchronisation (i.e. de rotation d'un élément du mécanisme), ou à un multiple de cette fréquence, ou - du niveau d'accélérations mesurées sur le mécanisme dans une bande de fréquence, ou - d'un indicateur du degré d'aplatissement d'un spectre des mesures vibratoires, tel qu'un kurtosis.

D'autres aspects, caractéristiques, et avantages de l'invention apparaissent dans la description suivante, qui se réfère aux dessins annexés et qui illustre, sans aucun caractère limitatif, des modes préférés de réalisation de l'invention. La figure 1A est un graphe illustrant les variations d'un indicateur S2-71 d'un pignon d'une transmission de giravion, en fonction du temps. La figure 1B est un graphe illustrant d'une part les variations du même indicateur en fonction de la vitesse du giravion, et d'autre part un modèle polynomial de l'influence de la vitesse sur cet indicateur.

La figure 2 est un graphe illustrant les variations en fonction du temps de l'indicateur des figures 1A et 1B, avant (courbe du haut) et après (courbe du bas) correction de l'influence de la vitesse sur cet indicateur, toujours en fonction de la vitesse (ias) du giravion. La figure 3 est un graphe illustrant des variations du niveau (DSP) d'un signal en fonction de la fréquence de rotation d'un arbre d'une transmission de giravion, et en fonction de la vitesse anémométrique du giravion (signal ou indicateur brut ). La figure 4 est un graphe illustrant les variations correspondantes d'un modèle H('" )(w) paramétrique des variations du signal illustré figure 3 en fonction de la fréquence de rotation co ; on applique ce modèle de simplification en fréquence pour obtenir une approximation permettant d'éliminer des dispersions ou irrégularités dues au bruit en fréquence.

La figure 5 est un graphe illustrant les variations correspondantes d'un modèle H- (''''(w) en fréquence et en vitesse (ias) obtenu à partir du modèle H('a')(w), pour le signal de la figure 3. La figure 6 est un graphe illustrant les variations correspondantes du même signal filtré. La figure 7 est un graphe illustrant les variations de quatre facteurs d'échelle, d1 à d4, associés à une transformée en ondelettes d'un indicateur. La figure 8 est un graphe illustrant les variations d'un premier indicateur et les figures 9A à 9D sont quatre graphes illustrant respectivement, de gauche à droite et de haut en bas, les variations des quatre composantes (s), (w), (b), et (c) extraites de cet indicateur. La figure 10 est un graphe illustrant les variations d'un second indicateur et les figures 11A à 11D sont quatre graphes illustrant respectivement, de gauche à droite et de haut en bas, les variations des quatre composantes (s), (w), (b), et (c) extraites de cet indicateur. La figure 12 est un graphe illustrant à échelle agrandie les variations au cours du temps de la composante de tendance (c) du premier indicateur de la figure 9D, et la figure 13 est un graphe illustrant les variations respectives pendant la même période de quatre facteurs d'échelle, d3 à d6, associés à la composante de tendance (c) de cet indicateur et représentatifs de la vitesse de variation de cette composante. La figure 14 est un graphe illustrant les variations temporelles d'un indicateur d'un signal sans défaut.

La figure 15 est un graphe illustrant les variations temporelles d'un indicateur d'un signal pendant une période comportant un acte de maintenance ayant provoqué un saut de l'indicateur.

La figure 16 est un graphe illustrant les variations temporelles d'un indicateur d'un signal représentatif de l'apparition d'un défaut mécanique. La figure 17 est un schéma illustrant l'organisation des principaux modules d'un dispositif programmé pour réaliser les opérations d'un 5 procédé selon l'invention. La figure 18 est un schéma illustrant l'organisation d'un module de séparation de quatre composantes d'un indicateur à analyser, faisant partie du dispositif selon l'invention illustré figure 17. Par référence à la figure 17, le dispositif selon l'invention comporte 10 un module 20 de lecture de données dont la sortie est reliée à l'entrée d'un module 21 de correction des variations contextuelles auquel sont ainsi délivrées les données à analyser. Le signal ou indicateur corrigé (i) fourni en sortie du module 21 est dirigé vers un module 22 de séparation des composantes parasites (s), de 15 bruit (w), de saut (b), et de tendance (c), ainsi que vers un additionneur 23 qui soustrait les parasites (s) de l'indicateur. Les données de chacune des composantes (b) et (c) sont respectivement analysées par deux modules 26 et 27 de calcul de vitesse des variations des valeurs de ces composantes fournissant leurs résultats à 20 un module 30 d'analyse. Les niveaux respectifs de chacune des composantes (w) et (s) sont respectivement calculés par deux modules 24 et 25 de calcul de niveau, qui fournissent respectivement leurs résultats à un module de calcul 28 de vitesse de variation du niveau de bruit, ainsi qu'à un module 29 de calcul 25 de fréquence d'apparition des parasites ; selon un mode de réalisation simplifié, les modules 25 et 29 de traitement des parasites peuvent être omis. Ainsi, le module 22 réalise les opérations OP1 et OP2 détaillées figure 18, tandis que les modules 24, 27, et 28 réalisent respectivement les opérations OP3, OP5, et OP4. Le module 30 d'analyse compare û opérations OP6 à OP9 - les données fournies par les modules 26 à 29, à des seuils ; les résultats de ces comparaisons peuvent être délivrés à un humain par un dispositif 31 de visualisation et/ou d'alarme.

Ces opérations sont détaillées ci après. Notations Conformément à un mode de réalisation de l'invention, des médianes mobiles sont utilisées pour éliminer ou extraire d'un signal, i.e. des données de variation temporelle d'un indicateur, par filtrage, une partie ou composante correspondant essentiellement aux données parasites ou aberrantes ( outlier ) . Le calcul de la médiane mobile s'apparente à un filtrage. On note mm(x, n, K) la médiane de K valeurs successives de la donnée x jusqu'à celle d'indice n : mm(x, n, K) = mediank'=n_K [x(k)] {équation 11 Une moyenne quadratique en fenêtre ( windowed RMS ) est employée pour estimer l'énergie d'une portion d'un signal correspondant à une suite ou fenêtre de données consécutives. Une moyenne quadratique en fenêtre de longueur K d'un signal de longueur N donne un

:20 résultat de longueur M=N ù K. On note wrms (x, n, K) la moyenne quadratique de K valeurs successives de la donnée x jusqu'à celle d'indice n :

n wrms(x, n, K) =-- 1(x(k) ù x)2 , x étant la moyenne de x {équation 2} K k=n-K Quelques principes et notations des transformées en ondelettes 25 sont brièvement rappelés ci après. Selon la théorie des ondelettes, un signal f(t) peut être représenté comme une somme pondérée de fonctions yl~k(t) (cf. équation 3). Les indices (entiers) j et k sont représentatifs de la mise à l'échelle (i.e. dilatation ou expansion) et de la translation d'une fonction yl~k(t) de base d'ondelette, ou ondelette de base (cf. équation 4). Le choix de yllk(t) dépend de l'application. Pour l'élimination du bruit et la compression, on peut choisir une ondelette qui confine le bruit et la partie significative du signal analysé dans différentes parties de la matrice des coefficients d i k (cf. équation 5). Pour la détection d'un événement, on peut choisir une ondelette qui donne à l'événement une signature facilement reconnaissable. ]0 f(t)=kyl~k(t) {équation 3} i,k

v,k(t)=22yi(2't-k) {équation 4}

d;,k = Kf (t), )) {équation 5} Pour un signal de longueur finie, on obtient une matrice de longueur finie dans la dimension de translation (k). Le nombre d'échelles 15 possibles (j) étant infini, la reconstruction du signal nécessiterait de calculer des coefficients pour un nombre infini d'échelles. La transformée en ondelette discrète DWT ( Discrete Wavelet Transform ) surmonte cette difficulté en dilatant avec seulement un nombre limité de fonctions/coefficients d'échelle, la partie restante du 20 signal f(t) formant un vecteur d'approximation ak . De cette façon, la matrice des coefficients di k et le vecteur d'approximation ak contiennent ensemble toute l'information nécessaire pour reconstruire le signal d'origine (cf. {équation 6}). Le nombre d'échelles doit être choisi de sorte qu'une séparation appropriée des caractéristiques du signal analysé 25 soit obtenue entre le vecteur d'approximation et les vecteurs d'échelle de la matrice des coefficients. f(t) = I akçb(t -- k) + I d k ), k{équation 6} La fonction d'ondelette y(t) et la fonction d'échelle (kt) associée doivent être orthogonales (cf. {équation 7}) : (W(t), t)) = o {équation 7} En conséquence, la transformée DWT peut seulement être calculée en utilisant des fonctions d'ondelette mère pour lesquelles une fonction d'échelle orthogonale existe. On peut utiliser en pratique une batterie de filtres (h, h,) dyadiques dérivés des fonctions d'ondelette et d'échelle (cf. équation 8 et équation 9) : O(t)=lh(n)h (21ùn) {équation 8} n yr(t) _ I h, (n) hh(2t ù n) {équation 9}

Ceci forme un système d'équations récursives où le vecteur d'approximation initial est la fonction à transformer : a,ä=f(t) (cf. équation 10 et équation 11). L'entrée à une échelle quelconque a, est le résultat d'approximation précédent. {équation 10} a/k {équation 11}

La reconstruction (équation 12) du signal commence par l'emploi d'un vecteur d'approximation et de la matrice de coefficients d1 k de plus bas niveau, pour reconstruire l'approximation de niveau supérieur. Un algorithme récursif permet d'obtenir les coefficients originaux agi,,. En conséquence, seuls le vecteur d'approximation de plus bas niveau ainsi que la matrice entière de coefficients sont nécessaires pour la reconstruction de l'entrée (signal) original(e). a,+I,k=h(kû2n)a1ä+>h,(kû2n)d,ä {équation 12} Le facteur de translation de 2k des filtres provient du facteur deux reliant les échelles (cf. {équation 4}). Ainsi, chaque fonction d'échelle a deux fois moins de coefficients que la précédente. En conséquence, le nombre total de coefficients sera égal au nombre d'échantillons d'entrée, indépendamment du nombre d'itérations. En conservant uniquement les coefficients de valeur élevée, une reconstruction de précision raisonnable peut être obtenue en utilisant seulement une partie des coefficients de départ. En ramenant les coefficients représentant le bruit à zéro, la reconstruction permet d'obtenir un signal (une entrée) débruité(e). Pour éliminer le bruit d'un signal (entrée), de meilleurs résultats sont souvent obtenus en utilisant une transformée en ondelettes stationnaire SWT ( Stationary Wavelet Transform ). Une transformée SWT diffère d'une transformée DWT par le fait que les coefficients de rang pair (2k) et les coefficients de rang impair (2k + 1) sont extraits et traités séparément. Ceci crée une redondance puisque chaque couche (j) û ou niveau de détail de la matrice des coefficients d. k - produit le même nombre de coefficients que le signal d'entrée. Il en résulte une meilleure précision temporelle (k) pour les coefficients d'échelle élevée correspondants aux valeurs élevées de l'indice j. Pendant la reconstruction, les contributions de chaque ensemble de coefficients redondants sont simplement ramenées à une moyenne.

Afin de conserver une longueur (ou nombre de prises de mesure i) du signal en sortie de filtre qui soit identique à la longueur en entrée de filtre, et pour minimiser les transitoires, les prises de mesure des signaux peuvent être complétées au début et à la fin. Le complément peut se composer d'échantillons ayant la valeur moyenne d'un nombre déterminé des premiers/derniers échantillons du signal. Ceci peut fournir de meilleurs résultats que le remplissage périodique (convolution circulaire), notamment lorsque le début et la fin des signaux présentent des amplitudes différentes. Normalisation/correction des signaux ou données d'analyse Les acquisitions enregistrées pendant le fonctionnement d'un mécanisme, en particulier pendant le fonctionnement en vol d'un mécanisme de transrnission de puissance d'un hélicoptère, sont affectées par un certain nombre de facteurs de contribution (paramètres de fonctionnement et/ou d'environnement). D'une façon générale, un signal observé x de longueur finie enregistré pendant une période de temps allant de t à t+d peut être considéré comme le produit de modèles Mk dépendant chacun d'une combinaison (linéaire ou non) de paramètres p(Nk) (cf. équation 13). Lorsque les paramètres varient au cours de la période d d'enregistrement, certaines composantes au moins du signal peuvent varier en raison de la répercussion, en sortie de ces modèles, de variations de ces paramètres (de fonctionnement et/ou d'environnement). x(t) = {JMk(Pik),...,PN k {équation 13} Pour simplifier, on peut considérer que les paramètres ne changent pas de manière significative tout au long d'une période û unique - d'enregistrement. Cette hypothèse est valable dans la plupart des cas, pour des enregistrements de courte durée comme les acquisitions de niveaux vibratoires sur des roulements ou paliers. Pour les mesures de surveillance d'engrenage et d'arbre, qui sont ramenées à une moyenne sur au moins deux cents rotations d'arbre, la durée de la période d est longue et les paramètres peuvent dériver. Les acquisitions de surveillance d'engrenages et d'arbres peuvent faire l'objet d'une moyenne synchrone pour réduire le bruit aléatoire tout au long de la période d'acquisition. Ceci signifie que les signaux sont découpés selon des fenêtres représentant chacune une rotation d'arbre, échantillonnés à nouveau pour donner à chaque fenêtre la même longueur, puis ramenés à une moyenne.

Si l'un des modèles dérive de manière significative pendant la période d'enregistrement, le signal x peut ne pas être périodique avec la rotation d'arbre et un calcul de convergence intégré à un algorithme de calcul de moyenne peut provoquer un rejet de l'acquisition.

En conséquence, le signal x peut être considéré, avec une perte mineure de précision, comme le produit des modèles dépendant des paramètres enregistrés au début de l'acquisition. Cette expression peut être encore simplifiée en considérant seulement l'influence par l'état du composant associé Mc du mécanisme, 110 et les facteurs environnementaux Me (cf. équation 14). La détection de défaut consiste à estimer Mc, normalement après une phase d'apprentissage, en utilisant un état normal E, et en comparant au modèle des observations consécutives. x(t) = Mc(E(t))•MC(P,,...,PN ) {équation 14} 15 L'influence environnementale Me résulte de l'environnement au moment de l'acquisition. Chaque acquisition est accompagnée d'un ensemble de paramètres contextuels décrivant cet environnement. Ces paramètres peuvent être des données de vol telles que la vitesse anémométrique de l'hélicoptère, le couple transmis par le mécanisme de 20 transmission, ou la température d'huile de lubrification du mécanisme. Ainsi, Me dépend de ces paramètres contextuels p1 (t) à pN(t). Pour un ensemble de signaux xn(t) de longueur finie, où t représente la date (l'heure) de début d'acquisition et n représente le nombre d'échantillons de chaque acquisition résultant de mesures sur un 25 composant dont l'état E est stable pendant l'acquisition, la sortie du modèle Mc est constante. En conséquence, le seul facteur contribuant aux variations de xn(t) au cours du temps t est Me. La fonction Me peut être estimée à partir du signal xn(t) et des paramètres contextuels dont Me dépend, dès lors que les paramètres contextuels nécessaires ont été 30 enregistrés.

Afin de supprimer l'effet des changements environnementaux, un environnement de référence doit être défini, et on doit corriger chaque observation afin qu'elle semble avoir été faite dans l'environnement de référence. Ainsi, une fonction de correction (cf. équation 15) fournit, pour une observation, le rapport de l'influence Me de l'environnement au moment de l'observation à l'influence Me de l'environnement de référence. En multipliant chaque observation par la fonction Ge de correction, on dé-corrèle ainsi Me et l'observation de sorte que l'observation semble avoir été faite dans l'environnement de référence. Ge(p,(t),...,pN(t))=Me(PI(ref),...,pN(ref)) {équation 15} Me (PI (t),...,

P N (t)) Modélisation d'un indicateur Les indicateurs de type S2-kz sont généralement utilisés comme indicateurs de l'état d'un engrenage. Ce sont des pointeurs d'amplitude spectrale simples, où S2 est la fréquence de rotation de l'arbre portant l'engrenage, z est le nombre de dents de l'engrenage considéré, et k est un nombre entier supérieur à zéro. Le tiret signifie dans cette notation le signe de multiplication. Ces indicateurs représentent l'énergie du signal vibratoire à la fréquence (Qz) d'engrènement ou à des multiples (k) de cette fréquence, et sont corrélés avec l'état E de l'engrenage. De tels indicateurs peuvent être influencés par le couple transmis par l'engrenage, et indirectement par la vitesse anémométrique (ias) du giravion. La vitesse anémométrique est utilisée ci-après pour expliciter des variations de valeurs d'indicateur et de la signature vibratoire. Bien entendu, les méthodes décrites peuvent être employées avec d'autres paramètres de fonctionnement du mécanisme ou combinaisons de plusieurs paramètres de fonctionnement. Plusieurs indicateurs peuvent être calculés à partir d'un ensemble de signaux x de longueur finie. Si l'état E de l'engrenage associé est constant pour l'ensemble de données correspondant aux signaux, alors n'importe quelle variation de la valeur d'un indicateur au cours du temps t doit résulter de Me. La figure 1A illustre à titre d'exemple les variations d'un indicateur S2-71 associé à l'état d'un pignon conique (à 71 dents) d'un mécanisme de transmission d'hélicoptère au cours d'acquisitions successives, tandis que la figure 1B illustre les variations du même indicateur en fonction de la vitesse anémométrique au moment de l'acquisition. N'importe quelle tendance dans un graphe représentatif des variations de l'indicateur S2-71 (i.e. le signal x) en fonction du temps devrait signifier que l'état E du composant mécanique associé à cet indicateur évolue au cours du temps, i.e. que l'état du composant associé se dégrade. Le graphe de la figure 1A ne montre pas de tendance de variation, alors que le graphe de la figure 1B montre clairement une tendance de variation décroissante. Ceci montre qu'il existe une relation entre l'indicateur SZ-71 et la vitesse anémométrique ias, sans qu'il n'y ait de corrélation significative entre la vitesse anémométrique et le temps. La courbe en traits interrompus figure 1B représente une approximation polynôme de l'influence Me(ias) (cf. {équation 16}) de la vitesse ias sur l'indicateur 52-71. Une matrice P est formée à partir d'un vecteur colonne des mesures d'ias, où chaque colonne de P contient la même colonne d'ias à une puissance différente. Un modèle polynomial d'ordre quatre a été employé dans cet exemple P(ias) = [ias"(t), ias'(t), ias2(t), ias3(t), ias4(t)]. Le vecteur â de coefficients du modèle contient le poids de chaque puissance. La variable e est l'erreur du modèle, i.e. la différence entre le résultat donné par le modèle et les valeurs observées.

L'estimation du modèle (cf. équation 16 et 17) est obtenue en inversant la matrice P et en multipliant avec les valeurs (i) de l'indicateur observé. Me (ias) = âP(ias) ù e â=(PP'P'i {équation 16} {équation 17} La fonction de correction d'indicateur est donnée ci- dessous (cf. 30 équation 18), et fournit le facteur de correction pour chaque observation d'indicateur. La multiplication de chaque valeur ou donnée d'indicateur avec le facteur de correction donné par sa vitesse anémométrique correspondante dé--corrèle les valeurs d'indicateur et la vitesse anémométrique, comme si tous les indicateurs résultaient de mesures faites dans l'environnement de référence choisi. G(ias)= M" (ref ) Me (ias) {équation 18} Modélisation d'un signal Certains indicateurs, comme ceux décrits dans le document Helicopter transmission diagnostics using constrained adaptive lifting susmentionné ou clans le document Nearest neighbor-time series analysis classification of faults in rotating machinery , Journal of Vibration, Acoustics, Stress and Reliability in Design, 105 :178-184, 1983, sont plus complexes que les indicateurs spectraux simples discutés ci-dessus. Ces méthodes utilisent une ondelette/filtre de référence en tant qu'approximation du signal, en calculant la distance entre chaque échantillon du signal et la référence. Une fois qu'une caractéristique scalaire est extraite, il n'est plus possible d'exécuter une correction. Dans ce cas, il est nécessaire de corriger le signal brut directement, et/ou de créer un modèle décrivant les incidences de l'environnement sur la forme d'onde du signal. Ceci peut être fait en évaluant la densité spectrale de puissance (DSP) du signal en fonction des facteurs environnementaux significatifs, par exemple en fonction de la vitesse anémométrique (cf. figure 3 sur laquelle la fréquence est rapportée à la vitesse de rotation d'un arbre). Ces données ont été acquises à bord d'un hélicoptère en vol de croisière. A partir des données vibratoires enregistrées, une DSP non paramétrique est obtenue par une transformée de Fourier discrète, les signaux ayant préalablement été ramenés à une moyenne dans le domaine temporel. L'amplitude et la phase de la DSP forment ainsi une représentation du signal dans le domaine temporel, sans perte d'information. Pour modéliser le comportement spectral en fonction de la vitesse anémométrique, il est nécessaire d'établir une approximation de la DSP du signal en utilisant un modèle paramétrique. Comme illustré figure 3, le graphe de la DSP des signaux de vibration d'engrenage comporte une région de niveau/énergie élevé(c) correspondant aux harmoniques d'engrènement et aux bandes latérales de modulation, au-dessus d'un bruit de fond. Une telle forme spectrale peut être valablement approximée par un modèle auto-régressif MAR (cf. équation 19). La fréquence correspondant à un pôle k du modèle MAR est notée wk, tandis que le niveau énergétique correspondant est noté rk, et le niveau global b,,. Tous les pôles complexes doivent avoir un conjugué complexe, sinon la sortie du modèle est complexe. bo H(a) = k=K-I

1 + n rk e K=0 Le niveau de la région du graphe d'énergie élevée varie avec la vitesse anémométrique alors que sa position sur l'axe des fréquences reste {équation 19} constante. Afin d'éviter distorsions sans énergie définit explicitement qu'un pôle ne soit mit à zéro ou H pour des significative à la fréquence d'engrènement, on wk pour chaque composant et on optimise seulement bä et rk. des coefficients de utilisés à cet effet. Des estimateurs paramétriques traditionnels tels que prédiction linéaire ( LPC ) ne peuvent pas être Les paramètres bä et rk du modèle sont alors modélisés par des paramètres contextuels. On définit un modèle MAR modifié (cf. équations 20 et 21) pour lequel chaque pôle a un conjugé complexe. Cette modification est possible, car aucune acquisition ne présente d'harmoniques de la fréquence d'engrènement, ni de bandes latérales de modulation à une fréquence de zéro ou H. bo(ia,) H(,ae(û) = k=Kù1 1+ Jz ias)eùj(Z*(ia%)eù/w k k k=0 ~(n) y (n)~ oe) k _ ù k Le nombre K de pôles complexes conjugés est choisi pour coïncider avec le nombre de régions d'énergie élevée, et les angles de pôle wk sont choisis pour correspondre à la fréquence de ces régions. Les paramètres bä et rk peuvent être estimés en utilisant un algorithme de région de confiance ( trust region ). Cette estimation peut également être effectuée en utilisant un algorithme évolutionnaire, ou d'autres méthodes d'estimation de filtres telles que celles basées sur un gradient.

En estimant chaque signal X0") (w) dans l'ensemble de données, on obtient l'approximation correspondante H('a')(w), donnée par bä('a') et r (tas) 11'1 (cc)) = X(iasl (w) ù E("1')(w) {équation 22} La figure 4 illustre un exemple de l'amplitude du signal modélisé par H('a')(w). Les paramètres bä('a') et rk('a`) définissant un modèle, peuvent être eux-mêmes modélisés par un polynôme. En remplaçant les paramètres bä(ias) rk(ias) et w(ias) par leur approximation polynomialebo('a`), î',,(ia`) et Q)('"), on obtient un modèle H ('a')(w) de l'énergie du signal en fonction de la fréquence et de la vitesse anémométrique, qui est illustré figure 5 et correspond à l'équation 23 suivante : H(iae)(cl)) = k=Kù1 1+ 1jjIa.$)e_/w2;(Ia)e_Jm Afin de corriger les signaux, on choisit une vitesse anémométrique (ref) de référence. Le filtre G('a`)(w) de correction correspond au rapport {équation 20} {équation 21} {équation 23} b(iae) o entre le spectre de puissance de référence et le spectre de puissance correspondant à une vitesse anémométrique quelconque. En raison de la division de deux filtres autorégressifs, le filtre de correction est une moyenne mobile auto-régressive. H(ref )(co) Guas> (a)) H(ia, , (-D) k=K-1 rel)(1+ JJ2(ias)e j' . *(ias)~-far) U0 k k H(ias)(co) _ K=0 l k=K-1 1/a) (1+ [Z(reOe )e-l~a) 0 K=0 Lorsque l'on multiplie le modèle de correction G('")(w) par le modèle de vitesse anémométrique H (tas)(w) on obtient le spectre de puissance de référence pour toutes les valeurs de vitesse ias. Les 10 coefficients bk et ah du filtre dans le domaine temporel pour une vitesse ias donnée sont les coefficients correspondant aux polynômes du numérateur et du dénominateur de G 1'")(w). Le calcul d'un filtre de correction à partir de la vitesse anémométrique associée à chaque portion d'un signal, et le filtrage du signal avant sa transformation ultérieure, 15 permet d'éliminer en grande partie l'influence de la vitesse anémométrique sur le signal (cf. figure 6 illustrant un signal ainsi filtré). Cette méthode de décorrèlation de l'amplitude du spectre de puissance d'un signal et de la vitesse de déplacement de l'hélicoptère, ne prend pas en considération la phase du spectre de puissance : le filtre de 20 correction peut provoquer une déformation significative de la phase. Le cas échéant, les données peuvent être traitées par un égaliseur de phase corrigeant les déphasages causés par le correcteur d'amplitude du signal. Les méthodes de correction/normalisation proposées ci-avant contribuent à corriger l'influence de l'environnement sur des données de 25 vibration, de sorte que ces données acquises dans différentes conditions {équation 24} {équation 25} d'environnement sont plus facilement comparables, ce qui augmente la fiabilité globale du système. Séparation de sources (ou composantes) d'un signal Pour supprimer le bruit d'un ensemble de données, on suppose souvent que les valeurs observées i(n) sont la somme d'un processus déterministe d(n) et un processus aléatoire w(n). Conformément à un aspect de l'invention, un indicateur de surveillance i(n) est décomposé en quatre parties ou composantes : une composante s(n) de discontinuité, une composante w(n) de bruit aléatoire, une composante b(n) de saut/marche, une composante c(n) de tendance : i(n)=s(n)+w(n)+b(n)+c(n) {equation 27} Les valeurs de la composante de discontinuité, qui sont complètement en dehors de la plage de données normale, sont facilement identifiables. De telles discontinuités résultent typiquement de défauts de capteurs ou, dans le contexte de mesures en vol, d'un régime de vol inadapté pendant l'acquisition des signaux vibratoires. Une dégradation mécanique peut aussi causer dans certains cas une augmentation de la fréquence de mesures aberrantes. La composante de bruit aléatoire est une dispersion autour de la tendance générale de l'indicateur. Cette composante de bruit étant à large bande, il est plus difficile de l'isoler et de la supprimer. Une augmentation de l'énergie de bruit aléatoire peut résulter d'une dégradation mécanique. On introduit un saut ùou décalage-dans le signal pour que le point de départ de la composante c(n) dans l'équation 27 soit toujours égal à zéro. La valeur de ce décalage initial est la valeur initiale de l'indicateur, après que les composantes s(n) et w(n) aient été soustraites. Le décalage représente la valeur à l'état normal de l'ensemble de données, de sorte que n'importe quelle valeur non nulle de la composante c(n) corresponde à une déviation par rapport à l'état normal. Quand une opération importante d'entretien est effectuée sur le mécanisme analysé, la valeur de l'état normal de l'indicateur peut varier. 5 A cette variation correspond alors un saut (un échelon) dans l'ensemble des données. Dans ce cas, la valeur de b(n) doit également varier pour refléter le changement du niveau d'état normal. Les opérations OP1 et OP2 de séparation de quatre composantes (b, c, w, s) d'un indicateur (i) sont illustrées schématiquement figure 18 et 10 détaillées ci-après. Opération OPI : Séparation des données aberrantes La tendance du jeu de données (i) est supprimée en éliminant la médiane mobile des données avec une fenêtre de dimension L,s. La médiane mobile supprime la composante (s) et une partie de la 15 composante (w), tout en conservant intacte la majeure partie des composantes (c) et (b). L'ensemble de données modifiées (i') contient par conséquent la composante (s), une partie de la composante (w) et une faible partie des composantes (c) et (b) : i'(n)=iûmm(i,n,L.) {équation 28} 20 Les données modifiées contenant une faible contribution de tendance ou de saut, leur moyenne est sensiblement nulle. Une discontinuité est définie comme une de ces données (i') modifiées dont l'écart type dépasse la moyenne de l'ensemble des données. Une moyenne en fenêtre est employée, car la fluctuation du signal peut varier au cours 2.5 du temps : abs i' (n)] >t s(n = i n)( ) wrms[i, n, L, ] {équation 29} Avant de procéder à la séparation des composantes (w), (b) et (c), la composante discontinue s(n) correspondant aux données aberrantes est soustraite des données d'indicateur : i,(n)=i(n)ûs(n) {équation 30} Opération OP2 : Séparation de saut(s) Afin de détecter des sauts, la série de données d'indicateur i,(n) est dilatée (étendue) par l'ondelette de Haar (cf. équation 31) en utilisant l'équation (5) aux facteurs d'échelle - 1 à -J. v(t)=8(t)û8(tû1) {équation 31} Pour un échantillon de données en entrée de longueur N, dilaté par des facteurs (-1) à (-J), la transformée produit une matrice D de coefficients d ,,j, de dimension j x N. Les informations véhiculées par une matrice de coefficients d'ondelette dépendent du choix de l'ondelette. Pour l'ondelette de Haar, les coefficients correspondent à la dérivée numérique û i.e. la vitesse de variation - de l'ensemble de données à différentes échelles. Ainsi, le vecteur di contient la dérivée moyenne de l'ensemble de données à travers une fenêtre coulissante de 2' points. Les tendances correspondant à des évolutions lentes des phénomènes (signaux), sont isolées dans les couches d'indice j élevé de la matrice D. La présence du bruit aléatoire dans les échelles supérieures est négligeable comparée à l'énergie des tendances. La seule composante ayant un impact significatif à toutes les échelles est le saut. L'effet d'un saut d'amplitude unitaire à une échelle donnée est d; =2'/2. En conséquence, un saut peut être identifié en recherchant la signature de saut à travers les échelles (cf. figure 7). Une matrice modifiée de coefficients d'j n est calculée (cf. équation 32) pour déterminer l'amplitude d'un saut. Un saut d'amplitude A et de position p produit une matrice modifiée dont les coefficients vérifient : d', ,p = A pour toutes les valeurs de j. -1 d j n = 2 1 d I , n {équation32} En utilisant la définition ci-dessus, un saut est une position dans le temps n où d',,,, est égal pour toutes les valeurs de j. En raison de la présence des composantes (w) et (c), les valeurs à travers les échelles ne seront pas complètement identiques, et une métrique de signature de saut doit être définie, par exemple par la formule : abs(mean[d' (n)]) {équation 33} br (n) std [d' (n)] bp(n) représentant le degré de présence d'un saut au point n de l'axe de temps. Les fonctions moyenne mean et écart-type std sont calculées pour toutes les échelles j en chaque point n. Ainsi, un saut peut être défini comme un point (une donnée) correspondant à l'instant n où bn(n) est supérieur à un seuil 4. Ce procédé permet d'identifier / localiser toute transition brusque, même d'amplitude mineure, qui satisfait les critères ci-dessus. Un critère supplémentaire de sélection de saut parmi les transitions peut être utilisés pour ne retenir que les transitions de plus grande amplitude, par exemple en utilisant la formule : abs(mean[d' (n)]) bn, (n) = wrms[il ]

Un saut est une transition qui dépasse distinctement le bruit de fond. L'équation ci-dessus normalise l'amplitude de saut par l'énergie de l'ensemble des données dans une fenêtre de position n et de taille 2!'a Un saut détecté correspond ainsi à une donnée à l'instant n qui satisfait aux critères de signature de saut et dont l'amplitude bm(n) est supérieure à un seuil tm, ce qui correspond aux deux équations suivantes : b,,,je(n)=(bp(n)>ti,)A(bn,(n)>t,,,) {équation 35} {équation 34} b' (n) = b' (n -1) + mean[d' (n)]b,räe (n) {équation 36} La valeur initiale de b' est nulle. Un ensemble de données modifiées i,(n) est obtenu par soustraction de la composante de saut : i,(n)=ii(n)ùb'(n) {équation 37} Opération OP3 : séparation du bruit aléatoire L'ensemble de données i2(n) est dilaté par rondelette de Haar en utilisant la transformée en ondelettes stationnaire (SWT) aux échelles (-1) à (-Jbruir) . La constante Jbru,, est choisie pour capturer la majeure partie de l'énergie de tendance dans al pour un ensemble de données réaliste. Indépendamment de la distribution de tendance entre D et a_I, le vecteur dl , ne contient pratiquement aucune contribution de (c). En conséquence, l'énergie dans du, est essentiellement le bruit (w). En supposant que (w) est un bruit blanc gaussien, le niveau d'énergie dans d, ,k est représentatif de la contribution de (w) pour toutes les échelles. Une évaluation de l'énergie de (w) en fonction du temps est obtenue par l5 une moyenne quadratique en fenêtre : w,,,(n)=wrms[d,,n,2''] {équation 38} On suppose que la composante (w) est formée par les coefficients dont la valeur absolue est inférieure à un seuil tir, le même seuil étant appliqué pour toutes les échelles : 20 dw J n =d. /,n ( <(w,,,(n)t,,,)) {équation 39} La suppression de bruit consiste habituellement à mettre les plus petits, coefficients de d à zéro avant la reconstruction. Afin d'isoler au contraire le bruit, les plus grands coefficients de d et a sont mis à zéro avant reconstruction (cf. équation 12). 25 La composante de saut est basée sur le calcul estimé b' décrit ci-dessus, mais corrigé de sorte que sa valeur initiale soit la valeur initiale de l'ensemble de données sans (w) et (s) : b(n)=b'(n)+i,(0)ùw(0) {équation 40} La composante de tendance est constituée des données restantes après que (s), (w) et (b) aient été enlevés : c(n) =i(n)ùs(n)ùw(n)ùb(n) {équation 411 D'autres procédés d'isolement de la composante de bruit peuvent être utilisés. Exemple Un essai a été fait en utilisant l'indicateur RMS de vibrations d'un pignon intermédiaire d'une boîte de vitesse auxiliaire gauche d'un hélicoptère Super Puma AS332L2, dont les variations sont illustrées figure 8 et dont les variations respectives des quatre composantes sont illustrées figures 9A à 9D. Pendant la période correspondant à l'ensemble de données analysées, les boulons de fixation du pignon intermédiaire se sont desserrés. Ceci a eu comme conséquence une trajectoire de rotation oscillante endommageant les profils de dent du pignon intermédiaire et des pignons adjacents. Après environ 514 heures de vol, la boîte de transmission principale (BTP) a été démontée pour un entretien programmé. Ceci a nécessité le démontage des deux boîtes de transmission auxiliaires, puis leur remontage sur la nouvelle BTP. Un saut apparaît clairement sur le graphe des variations de l'indicateur RMS, au moment de la révision. L'indicateur RMS d'un composant mécanique adjacent, un pignon de pompe hydraulique, est également analysé (cf. figures 15A et 15B). L'ensemble de données illustré par ce graphe est extrait d'une période postérieure à celle correspondant au graphe de la figure 8, et couvre la fin de la période de propagation d'un défaut. La révision après 514 heures de vol n'est pas incluse dans ces données. L'indicateur montre une tendance nette jusqu'à la rupture de la pièce (à environ 1000 heures de vol). Une transition franche apparaît sur le graphe à environ 735 heures de vol. La transition est cependant continue, illustrant plutôt une tendance qu'un saut ou bond.

Les valeurs des paramètres utilisés pour les calculs de séparation des composantes de l'indicateur sont les suivants : Jsaut ù J bruit t = 10 tm - 2; t =2 t,,=5; Analyse de la tendance Plutôt que de détecter le dépassement d'un seuil par un indicateur, il est possible de détecter le processus de changement graduel de la valeur prévue de l'indicateur. La dégradation des composants d'un mécanisme provoque des fluctuations détectables des valeurs d'indicateur au cours du temps. L'analyse de tendance est une paramétrisation des fluctuations d'indicateur, et constitue une paramétrisation de deuxième niveau des données de mesure acquises.

Pour des données de mesures acquises pendant un vol à intervalles réguliers, l'espacement entre chaque valeur d'indicateur, en temps de vol, est sensiblement uniforme. Lorsque l'espacement n'est pas uniforme, par exemple en raison de données manquantes dues à une panne de capteur, la série de données d'indicateur peut être interpolée avec une fonction de lissage, puis ré-échantillonnée. Séparation des composantes d'un indicateur Comme décrit ci-avant, l'indicateur est décomposé en quatre composantes. Des bonds/sauts sont détectés en tant que discontinuités dans une suite de données d'indicateur, alors que le bruit blanc et les tendances sont séparés en utilisant des ondelettes, et des aberrations sont extraites du bruit. Analyse de tendance non paramétrique (opérations OP4 à OP6) L'analyse de tendance d'un signal x est réalisée par une transformée continue d'ondelettes (CW"1") employant rondelette de Haar. Ceci correspond à une régression linéaire d'une fenêtre glissante. La taille de la fenêtre est donnée par le coefficient j d'échelle, de sorte que la taille de la fenêtre dans laquelle la régression linéaire est exécutée est égale à 2' . En conséquence, une faible valeur de j capture des fluctuations rapides, alors qu'une valeur de j élevée permet de capturer des tendances plus lentes. Afin de détecter les tendances croissantes et décroissantes liées à une dégradation mécanique, il est nécessaire d'employer plusieurs valeurs 110 pour j. Ceci produit une matrice D/d,N(ä) de coefficients d'échelle de dimension N x J : d;x)(n) _ x(n)i(n) 1V(1) = 8(t) -â(' -1) {équation 49} {équation 50} yr(t) = 2 vr(2't) {équation 51 } 15 La figure 7 montre comment les échelles d'ondelettes dl à d4 permettent de détecter et de dater un saut dans les données d'entrée : l'amplitude de ces quatre coefficients est substantiellement supérieure à leur valeurs moyennes respectives pour une date commune (correspondant sensiblement figure 7 à 250 heures de vol). 20 La figure 13 montre comment les échelles d'ondelettes d3 à d6 réagissent à une variation lente ou rapide des données de tendance. Les coefficients dl et d2 ne sont pas utilisés ici, leur valeur étant sensiblement nulle pendant toute la période analysée. Chacune des courbes illustrées sur cette figure correspond à 25 l'évolution, au cours de la période d'analyse, de la vitesse de variation (dérivée) de la composante de tendance : d3 correspond à la variation locale de cette composante, dans une fenêtre de huit points successifs.

A ce coefficient d3 correspond un filtre h,("=[-1,-1,-1,-1,1,1,1,1] ; d4 à d6 correspondent respectivement aux variations locales calculées avec des fenêtres de seize, trente-deux, et soixante quatre points successifs.

On observe figure 13 une augmentation substantielle - en valeur absolue -des coefficients d4 à d6 en fin de la période analysée, aux environs de 640 heures de vol. Allure des variations temporelles d'un indicateur et de ses composantes Les figures 14 à 16 illustrent respectivement les variations normales d'un saut et d'une tendance (augmentation) d'exemples d'indicateurs. Détection de défaut Pour certaines pièces d'un mécanisme, tels que des moteurs, des arbres principaux, et des rotors, les valeurs (données) globales d'indicateur(s) peuvent directement donner de bons résultats de diagnostic, de préférence après soustraction préalable des données (s) parasites (cf. figure 17). Le résultat de cette soustraction peut alors être transmis directement à un système de classification, qui compare les observations à des seuils, qui peuvent être prédéterminés ou déterminés lors d'une phase d'apprentissage. Pour des composants d'un mécanisme qui ne sont pas adaptés à une comparaison avec des seuils fixes, des mesures de tendance sont employées. Ceci est fait en exécutant une analyse d'une vitesse de variation de la composante (c) de tendance de l'indicateur, comme illustré par la figure 16. Une augmentation ou une diminution progressive de la valeur d'un indicateur sera isolée dans cette composante (c). L'analyse de tendance pour cette composante indiquera ainsi si la valeur attendue pour l'indicateur est stationnaire ou fluctuante.

Les mesures faite en vol ou au sol comportent un certain niveau de bruit aléatoire. Une augmentation régulière du niveau de bruit est cependant une indication d'une dégradation d'un composant mécanique ou de mesure. Pour estimer le niveau de bruit en chaque point d'un échantillon de données successives, on effectue une moyenne quadratique en fenêtre qui calcule (opération OP3) l'énergie d'un indicateur ou signal au point (à l'instant) n en utilisant une fenêtre. Une fois que le niveau d'énergie de bruit a été calculé, la vitesse de variation de ce niveau peut être examinée (opérations OP4 et OP7) de la même manière que pour la composante de tendance (c). Les sauts ou bonds dans les données de mesures ou d'indicateurs représentent typiquement des actions d'entretien. La présence des bonds rend difficile la détection de défaut par comparaison avec des seuils prédéterminés, car un nouvel apprentissage doit généralement être opéré après chaque occurrence d'un bond. Lors de la détection d'un saut, un opérateur/utilisateur du système de surveillance doit être alerté ou un contrôle automatisé de l'historique du mécanisme du giravion doit être effectué pour vérifier qu'une action d'entretien s'est réellement produite à la date (l'heure) du bond (opération OP6). Si aucune opération d'entretien n'a été enregistrée pour cette date, le saut doit être considéré comme révélateur d'une panne mécanique possible. L'analyse de tendance (opérations OP5 et OP8) permet de rapprocher un ensemble observé de fluctuations d'indicateur aux caractéristiques de divers types de défaut. Ceci permet une identification plus précise d'un type de défaut, mais également une prédiction en détectant l'état d'avancement reflété par les observations courantes par rapport à un processus de dégradation connu. Un essai a été effectué en utilisant des données d'apprentissage dérivées de mesures à bord d'hélicoptères AS332. Des historiques de données comportant des défauts constatés ont été collectés et on a isolé les périodes de propagation des défauts documentés. Des séries de données ont été choisies de façon aléatoire en dehors des périodes contenant des défauts connus pour constituer des historiques ûoucas û dénués de défaut ; chacun de ces repères de 1 à 21 dans le tableau ci-après résulte de mesures sur des hélicoptères différents.

Les états défectueux (cas n 1 à 14) correspondent à un desserrage des boulons de fixation d'un pignon intermédiaire. Il est en général difficile de détecter un tel défaut, contrairement par exemple au défaut d'équilibrage d'un arbre, car la détérioration d'un pignon ne cause pas une augmentation significative d'énergie vibratoire.

Les indicateurs préférés pour détecter ce type de défaut sont les bandes latérales de modulation et l'énergie résiduelle de pignon. Quand le pignon tourne d'une façon déséquilibrée, une modulation apparaît entre la fréquence de rotation de l'arbre et la fréquence d'engrènement des dents du pignon : des bandes latérales de modulation apparaissent de chaque côté de la fréquence d'engrènement, à une distance correspondant à la vitesse de rotation du pignon. À mesure que le déséquilibre augmente, l'énergie des bandes latérales de modulation augmente également. Un signal de vibration d'un pignon contient typiquement un niveau élevé aux harmoniques de la fréquence d'engrènement au-dessus d'un bruit de fond. L'indicateur résiduel d'énergie est l'énergie totale du signal, après que tous les harmoniques de la fréquence d'engrènement aient été enlevés, incluant de ce fait le bruit de fond. L'endommagement réparti du pignon provoqué par une rotation déséquilibrée de ce dernier, provoque une augmentation de cette énergie.

Dans le tableau ci-après, la colonne durée contient la durée, en heures de vol de chaque cas analysé. Le cas défectueux numéro 6, présente une durée trop courte pour permettre une détection de tendance, car une durée significative est nécessaire pour permettre l'apprentissage de seuils de variation dynamique pour chaque indicateur.

La colonne HUMS contient les résultats de détection de défaut par un système de surveillance connu utilisant des seuils obtenus par un apprentissage traditionnel. Quatre cas (n 1, 3, 12, 14) contenant un défaut n'ont pas été détectés par le système connu de diagnostic, et ont été découverts par des alarmes ou des inspections. Le cas n 7 a été découvert par l'opérateur contrôlant les indicateurs et les signaux. Les seuils associés aux vitesses de variation de la composante de tendance ont été déterminés à partir des enveloppes de fluctuation pour les cas 17 à 20 : les seuils maximum et minimum pour chaque facteur d'échelle d'indicateur ont été fixés à 120% de la valeur extrême correspondante rencontrée pour les cas 17 à 20. Les facteurs d'échelle d3 à d8 ont été choisis pour analyser ces fluctuations de tendance. La colonne intitulée tendance A donne les résultats de détection employant directement la transformée CWT, ce qui rend des niveaux de fluctuation sensibles à l'amplitude de l'indicateur. La colonne intitulée tendance B donne les résultats d'une détection à l'aide d'une transformée CWT, normalisés par l'énergie du bruit blanc (w) et des aberrations (s). Cette normalisation permet de décorréler la tendance et l'amplitude d'indicateur. Une tendance correspondant à une augmentation de 10% donne alors un résultat identique quelle que soit l'amplitude de l'indicateur, contrairement à la méthode conduisant aux résultats de la colonne tendance A .

Cas Etat Durée HUMS Tendance Tendance A B 1 défectueux 86.03 Non Oui Oui 2 défectueux 372.80 Oui Oui Oui 3 défectueux 336,92 Non Oui Oui 4 défectueux 78,52 Oui Oui Oui défectueux 267,37 Oui Non Oui 6 défectueux 50,92 Oui Non Non 7 défectueux 194,47 n/a Oui Oui 8 défectueux 251,02 Oui Oui Oui 9 défectueux 336,88 Oui Oui Oui défectueux 232,45 Oui Oui Oui 11 défectueux 77,43 Oui Oui Oui 12 défectueux 49,44 Non Oui Non 13 défectueux 195,99 Oui Oui Oui 14 défectueux 36,53 Non Oui Oui sain 877,78 n/a Non Non 16 sain 2019,85 n/a Non Non 17 sain 1608,58 n/a Non Non 18 sain 1479,90 n/a Non Non 19 sain 1093,09 n/a Non Non 20 sain 218,50 n/a Non Non 21 sain 148,74 n/a Non non La combinaison par un opérateur OU des résultats des méthodes A et B d'analyse de tendance aboutit à la non détection d'un cas seulement : le cas n 6, ce qui peut s'expliquer par le manque de données : l'utilisation des échelles 3 à 8 signifie que des tendances sont évaluées avec des fenêtres comportant de 8 à 256 points, ce qui correspond environ au nombre de points disponibles ; la durée du signal disponible est trop courte dans ce cas pour pouvoir être analysée efficacement. Selon un autre mode de réalisation, les résultats de deux tels procédés d'analyse de tendance peuvent être présentés en entrée d'un classifieur tel qu'un réseau de neurones à fonctions radiales de base, pour améliorer, après apprentissage du réseau de neurones, l'efficacité de la détection de défauts à partir des calculs de transformée en ondelettes appliqués aux composantes des données analysées, en particulier à partir des calculs appliqués à la composante de tendance.

Claims (18)

REVENDICATIONS

1. Procédé d'analyse des variations d'un indicateur (i) du comportement d'un mécanisme, l'indicateur étant dérivé de mesures sur le mécanisme, caractérisé en ce qu'il comporte les opérations suivantes : (OPI) rechercher et soustraire les éventuelles données aberrantes (s) dans les données d'indicateur (i); (OP2) extraire des données de bruit (w) et d'éventuelles données de saut (b) des données (i-s) obtenues à l'issue de l'opération (OPI), pour obtenir des données de tendance (c) ; l0 (OP5) calculer des données de variation d'échelles d'une transformée en ondelette des données de tendance (c) ; (0P8) comparer les données de variation d'échelles de la transformée en ondelettes des données de tendance à une ou plusieurs valeur(s) de référence, pour comparer les variations de la tendance (c) à 15 une ou plusieurs valeur(s) de référence; pH 0) signaler un défaut du mécanisme en fonction des résultats de la (des) comparaison(s) (OP8).

2. Procédé selon la revendication 1 dans lequel, pour rechercher la date des données aberrantes (s) : 20 on soustrait aux données d'indicateur (i) une valeur médiane mobile (mm(i)) des données d'indicateur, pour obtenir des données bruitées (i'); et on identifie la ou les date(s) pour laquelle (ou lesquelles) le rapport de l'amplitude des données bruitées (i') au niveau (wrms(i)) des 25 données d'indicateur, est supérieur à un seuil (ts).

3. Procédé selon la revendication 1 ou 2 dans lequel, pour identifier la présence d'un saut (b) dans les données (i-s), on analyse les variations de coefficients (d') d'échelle correspondants à une transformée en ondelettes des variations des données (i-s).

4. Procédé selon la revendication 3 dans lequel on identifie un possible saut (b) dans les données (i-s) lorsque le rapport bp d'une moyenne (abs(mean(d'))) des coefficients d'échelle à l'écart type (std(d')) des variations de ces coefficients (d'), dépasse une première valeur déterminée tp , et lorsque le rapport b,,, de cette moyenne (abs(mean(d'))) des coefficients d'échelle au niveau (wrms(i-s)) des données (i,=i-s), dépasse une seconde valeur déterminée t,,,.

5. Procédé selon l'une quelconque des revendications 1 à 4 dans lequel, en outre : ()P3) on calcule un niveau (wrms(w)) du bruit (w) ; (OP7) on compare les variations du niveau (wrms(w)) du bruit une ou plusieurs valeur(s) de référence; et (OP9) on signale un défaut du mécanisme en fonction des résultats de la (des) comparaison(s) (OP7).

6. Procédé selon la revendication 5 dans lequel, pour comparer les 20 variations du niveau (wrms) du bruit à des valeurs de référence : (OP4) on calcule des données de variation d'échelles d'une transformée en ondelette des variations du niveau (wrms(w)) du bruit; et (OP7) on compare les données de variation d'échelles de la transformée en ondelettes du niveau (wrms(w)) du bruit aux valeurs de 2:5 référence.

7. Procédé selon l'une quelconque des revendications 1 à 6 dans lequel on utilise l'ondelette de Haar et la fonction d'échelle associée à l'ondelette de Haar.

8. Procédé selon l'une quelconque des revendications 1 à 7 dans lequel, lorsqu'un saut est détecté, on compare la date du saut à des données d'historique de maintenance du mécanisme.

9. Procédé selon l'une quelconque des revendications 1 à 8 dans 5 lequel on compare (0P9) l'amplitude des données (i-s) à au moins une troisième valeur de référence.

10. Procédé selon l'une quelconque des revendications 1 à 9 dans lequel on diagnostique un défaut du mécanisme en fonction des résultats des comparaisons. 10

11. Procédé selon l'une quelconque des revendications 1 à 10, qui comporte en outre les opérations préalables successives suivantes : - normalisation des variations de l'indicateur par référence à des variations simultanées d'un paramètre (PA) de fonctionnement du mécanisme, puis 15 -détermination de seuils ou valeurs de référence pour la vitesse de variation d'au moins une composante (w, b, s, c) de l'indicateur (i), à partir des variations de l'indicateur pendant une période de fonctionnement sans défaut du mécanisme.

12. Procédé selon la revendication 11 dans lequel l'opération de 20 normalisation comporte une modélisation paramétrique de l'indicateur ou de mesures dont est extrait l'indicateur.

13. Procédé selon la revendication 11 ou 12 dans lequel l'opération de normalisation comporte un filtrage de données de variation de l'indicateur. 25

14. Procédé selon l'une quelconque des revendications 1 à 13 dans lequel le mécanisme est un mécanisme de transmission d'un giravion, l'indicateur est dérivé de mesures vibratoires sur le giravion en vol, et leparamètre de fonctionnement (ias) est la vitesse du giravion par rapport à l'air.

15. Dispositif de diagnostic d'un mécanisme en fonction de données (i) élaborées à partir de mesures vibratoires pratiquées sur le mécanisme, caractérisé en ce qu'il est programmé pour effectuer les opérations d'un procédé selon l'une quelconque des revendications 1 à 14.

16. Programme de diagnostic d'un mécanisme en fonction de données (i) élaborées à partir de mesures vibratoires pratiquées sur le mécanisme, caractérisé en ce qu'il est arrangé (structuré et organisé) pour effectuer les opérations d'un procédé selon l'une quelconque des revendications 1 à 14.

17. Programme selon la revendication 16 qui est arrangé pour effectuer les opérations suivantes : (OP1) rechercher et séparer les éventuelles données aberrantes (s) dans les données (i); (OP2) extraire des données de bruit (w) et d'éventuelles données de saut (b) des données (i-s) obtenues à l'issue de l'opération (OP1), pour obtenir des données de tendance (c) ; 2.0 (OP3) calculer des données de niveau de bruit (wrms(w)) à partir des données de bruit ; (OP4) calculer des données de vitesse de variation temporelle des données de niveau de bruit ; (OP5) calculer des données (d3 à d8) de vitesse de variation 25 temporelle des données de tendance ; (OP6) élaborer une donnée de détection de saut, et le cas échéant calculer une date de saut à partir des données de saut, et comparer la date de saut à des données d'historique de maintenance du mécanisme;(OP7) comparer les données de vitesse de variation temporelle des données de niveau de bruit à des premières valeurs de référence; (OP8) comparer les données de vitesse de variation temporelle des données de tendance à des secondes valeurs de référence; (OP9) comparer l'amplitude des données (i-s) obtenues à l'issue de l'opération (OPI) à au moins une troisième valeur de référence; (OP10) élaborer une donnée de détection de défaut du mécanisme en fonction des résultats des comparaisons (OP6, OP7, OP8, OP9).

18. Programme selon la revendication 16 ou 17 dans lequel les données d'indicateur (i) élaborées à partir de mesures vibratoires pratiquées sur le mécanisme correspondent aux variations, pendant une période d'utilisation du mécanisme : - du niveau (énergie) d'accélérations mesurees sur le mécanisme à une fréquence de synchronisation (i.e. de rotation d'un 15 élément du mécanisme), ou à un multiple de cette fréquence, ou - du niveau d'accélérations mesurées sur le mécanisme dans une bande de fréquence, ou - d'un indicateur du degré d'aplatissement d'un spectre des mesures vibratoires, tel qu'un kurtosis. 2.0