Résumé Technique : Prédiction du Comportement Fonctionnel et Évaluation de la Fatigue des Matériaux avec Prise en Compte de l'Incertitude pour une Usine Circulaire

1. Énoncé du Problème

La transition vers une économie circulaire exige des systèmes de fabrication capables de réutiliser les produits retournés à travers plusieurs cycles de vie. Cependant, les produits retournés (par exemple, des outils électroportatifs usagés) entrent dans l'« Usine Circulaire » (Circular Factory - CF) avec des états de dégradation, des historiques d'utilisation et des capacités résiduelles hétérogènes. Les évaluations de fiabilité conventionnelles, qui reposent souvent sur des hypothèses de populations homogènes ou des conditions de fonctionnement fixes, sont insuffisantes pour les décisions de redéploiement spécifiques à chaque instance.

Une lacune critique existe dans les approches actuelles de Gestion de la Santé et de la Fiabilité (Prognostics and Health Management - PHM) :

• Séparation Fonctionnelle vs Matérielle : La prédiction du comportement fonctionnel au niveau du système (l'outil fonctionnera-t-il ?) est rarement liée à l'évaluation de la fatigue des matériaux au niveau des composants (une pièce critique va-t-elle casser ?).
• Incertitude et Historique : Les méthodes existantes peinent souvent avec les historiques d'utilisation variables et ne parvèlent pas à fournir des prédictions tenant compte de l'incertitude, nécessaires pour l'évaluation des risques sous des scénarios d'utilisation futurs prescrits.
• Aide à la Décision : Les décisions de redéploiement ne peuvent pas se baser uniquement sur l'inspection actuelle ; elles doivent tenir compte de la manière dont le comportement fonctionnel et l'intégrité des matériaux évolueront sous des conditions de service futures spécifiques.

Cet article traite ces défis en proposant un cadre unifié pour l'évaluation spécifique à l'instance d'une meuleuse d'angle retournée, en liant la prédiction du comportement fonctionnel à l'évaluation de la fatigue des matériaux pour soutenir les décisions de redéploiement.

2. Méthodologie

Le cadre proposé intègre deux pipelines complémentaires — la prédiction du comportement fonctionnel et l'évaluation de la fatigue des matériaux — dans un flux de travail de fiabilité en continu (streaming).

2.1. Prédiction du Comportement Fonctionnel du Système

La branche fonctionnelle modélise l'état futur de l'outil comme un problème d'apprentissage de séquences conditionnelles.

• Entrées : Le modèle accepte un vecteur d'état actuel (variables thermiques, électriques, rotationnelles et géométriques telles que les jeux) et un historique d'utilisation récent (fenêtres de force et de couple).
• Architecture :
  • Encodeurs : Un réseau de neurones convolutifs 1D (CNN) extrait les motifs temporels locaux (pics, transitoires) des fenêtres force-couple. Un perceptron multicouche (MLP) encode le vecteur d'état actuel.
  • Backbone Récurrent : Les représentations fusionnées sont traitées par un réseau de mémoire à long court terme (LSTM). Le LSTM prédit des incréments plutôt que des valeurs absolues afin d'ancrer les prévisions aux conditions initiales connues.
  • Tête de Sortie : Une tête probabiliste produit une moyenne gaussienne et une variance pour neuf variables fonctionnelles (ex. : courant du moteur, vitesse, jeux).
• Entraînement : Le modèle est entraîné à l'aide d'une perte de log-vraisemblance négative (NLL) gaussienne pondérée, permettant l'estimation à la fois des valeurs attendues et de l'incertitude prédictive.
• Conditionnement par Scénario : Le cadre permet une « inférence conditionnée par scénario » en prescrivant des fenêtres d'utilisation futures, permettant l'évaluation de la fiabilité sous des conditions de fonctionnement planifiées ou hypothétiques.

2.2. Évaluation de la Fatigue des Matériaux des Composants

La branche matérielle évalue la capacité de fatigue résiduelle de l'arbre de sortie en utilisant le même historique de charge opérationnelle.

• Reconstruction des Contraintes : L'analyse par éléments finis (FEA) est utilisée pour mapper les charges de force-couple externes vers les contraintes de concentration de contraintes locales. Un modèle d'interpolation traduit les séries temporelles mesurées en séries temporelles de contraintes au niveau de l'entaille critique.
• Modélisation de la Fatigue :
  • Initiation : Une courbe S-N de type Basquin (ajustée aux données de flexion rotative) combinée à la règle de Palmgren-Miner et à l'extension de Haibach (pour les cycles sous la limite) estime les dommages cumulés.
  • Propagation : Un modèle de croissance de fissure de type loi de Paris estime la durée de vie d'une fissure de la taille initiale ($a_0$) jusqu'à une taille critique ($a_c$), bornée par la profondeur de la trempe de surface.
• Intégration : Le modèle matériel produit les dommages cumulés et une estimation de la fiabilité du matériau ($R_{mat}$).

2.3. Consolidation de la Fiabilité en Continu

Un algorithme de relecture séquentielle (Algorithme 3) consolide les deux branches :

• Il traite les fenêtres de données de manière séquentielle, mettant à jour la fiabilité fonctionnelle ($R_{func}$), la fiabilité matérielle ($R_{mat}$) et la fiabilité du système ($R_{sys} = \min(R_{func}, R_{mat})$).
• Il gère les lacunes d'observation en propageant les estimations de dommages sur les cycles manquants.
• Il identifie la « branche gouvernante » (fonctionnelle ou matérielle) à chaque point d'inspection pour déterminer le facteur limitant pour le redéploiement.

3. Contributions Clés

1. Espace Fonctionnel-Matériel Unifié : L'article établit un cadre qui combine l'état actuel du système, l'historique d'utilisation récent et la dégradation des matériaux dans une représentation commune pour le redéploiement spécifique à l'instance.
2. Prédiction avec Prise en Compte de l'Incertitude : Une architecture LSTM entraînée avec une NLL gaussienne prédit à la fois la réponse fonctionnelle attendue et son incertitude, facilitant l'évaluation de la fiabilité basée sur des seuils.
3. Inférence Conditionnée par Scénario : La capacité de prescrire des fenêtres d'utilisation futures permet d'évaluer le comportement fonctionnel et la fiabilité sous des conditions de fonctionnement explicites et planifiées.
4. Évaluation Intégrée des Matériaux : La fatigue des composants est intégrée via la reconstruction des contraintes, l'évaluation des dommages S-N/Miner et l'analyse de croissance de fissure de la loi de Paris, directement liée à l'historique d'utilisation du système.
5. Flux de Travail en Continu (Streaming) : Un algorithme consolidé met à jour les trajectoires de fiabilité en temps réel, soutenant la prise de décision dynamique pour les produits retournés.

4. Résultats

Le cadre a été validé à l'aide d'une étude de cas sur une meuleuse d'angle avec des données expérimentales provenant d'un banc d'essai (400 heures de fonctionnement) et des tests de matériaux sur les arbres de sortie.

4.1. Performance de la Prédiction Fonctionnelle

• Précision : Le modèle a atteint une précision de 0,9652 avec une tolérance de 2 % sur neuf sorties sur les données de test indépendantes.
• Performance par Variable :
  • Les variables thermiques (température du réducteur et du stator) ont été prédites de manière quasi parfaite ($R^2 \approx 0,9999$).
  • Les variables dynamiques (courant du moteur de commande et vitesse de charge) ont été les plus difficiles mais montrent tout de même une forte capture de la tendance globale ($R^2 = 0,9750$ et $0,9924$, respectivement), bien que la précision de la tolérance locale stricte soit plus faible (0,9174 et 0,8675).
• Comparaison d'Architecture : Le LSTM conventionnel a surpassé le GRU et le xLSTM dans ce contexte de l'historique court, probablement en raison de la stabilité du bloc récurrent simple lorsque les motifs locaux sont pré-extraits par le CNN.
• Sensibilité des Entrées : Les études d'ablation ont confirmé que l'inclusion de l'historique de couple améliore significativement les prédictions du courant moteur et de la vitesse de charge, soulignant la nécessité des données d'historique de charge au-delà de l'inspection statique seule.

4.2. Fiabilité et Incertitude

• Calibration : Pour le courant du moteur de commande (la seule variable présentant suffisamment d'événements de dépassement), les probabilités de dépassement prédites correspondent étroitement aux taux observés (ex. : 0,0600 prédit contre 0,0646 observé). L'erreur de calibration attendue (ECE) est faible (0,0085–0,0086).
• Analyse de Survie : L'analyse de Weibull a produit une vie B10 de 5,22 étapes relatives pour le dépassement du courant moteur.

4.3. Fatigue des Matériaux et Réutilisabilité

• Conditions Nominales : Sous des contraintes de service nominales (environ 2,88 MPa de contrainte de concentration), l'arbre de sortie présentait un dommage de Miner négligeable, indiquant une haute réutilisabilité.
• Sensibilité aux Événements de Haute Charge : L'analyse de la loi de Paris a révélé une extrême sensibilité aux événements de charge élevés et rares.
  • Charge Nominale : ~31 cycles de réutilisation potentiels.
  • Amplification 1,2x (haut des 10 % de contrainte) : ~20 cycles.
  • Amplification 1,6x : ~3 cycles.
  • Amplification 2,0x : ~1 cycle.
• Implication : La réutilisabilité du matériau est régie par la queue supérieure du spectre de charge, et non seulement par l'usage moyen.

4.4. Relecture Intégrée (Integrated Replay)

Une relecture séquentielle sur 18 fichiers d'inspection a démontré que les branches fonctionnelle et matérielle opèrent de manière cohérente. Dans le scénario testé, $R_{func}$ et $R_{mat}$ restaient tous deux à 1,0 (sûr), la branche matérielle n'étant identifiée comme la limite gouvernante qu'en cas d'égalité. Le courant du moteur de commande est resté le principal indicateur de risque fonctionnel.

5. Signification et Revendications

L'article affirme fournir le premier cadre d'évaluation intégré qui lie la charge opérationnelle mesurée à la fois au futur accomplissement fonctionnel et à la vie de fatigue structurelle résiduelle au sein d'un flux de travail de streaming unique.

• Changement de Paradigme de Décision : Ce travail soutient un passage de la classification basée sur l'inspection à la redéploiement basé sur la prédiction. Il soutient que l'adéquation d'un produit retourné dépend de sa fonction future attendue et de l'intégrité de ses composants, et non de son état actuel uniquement.
• Spécificité à l'Instance : Le cadre permet des décisions pour des produits individuels ayant des historiques hétérogènes, s'éloignant des hypothèses de population.
• Limites Modestes : Les auteurs déclarent explicitement que, bien que le cadre démontre une intégration cohérente du flux de travail, l'étude de cas spécifique n'a pas présenté de couplage physique fort entre la dégradation fonctionnelle et la fatigue des matériaux car les charges testées étaient bien en dessous du régime critique de fatigue. Les résultats prouvent principalement la faisabilité de la méthode et du flux de travail, plutôt qu'une trajectoire de dégradation physique forte dans ce jeu de données spécifique.
• Besoins Futurs : L'article conclut qu'une application robuste nécessite une validation sur des produits retournés réels et hétérogènes, des données de dégradation plus riches en événements pour la calibration, et des méthodes de reconstruction charge-contrainte améliorées.