An Integrated IoT-Based Predictive Maintenance Framework for Industrial Electrical Assets: A Hybrid Deep Learning Approach

Résumé Technique : Un cadre intégré de maintenance prédictive basé sur l'IoT pour les actifs électriques industriels

Énoncé du problème
La continuité de la production industrielle et l'efficacité énergétique dépendent fortement de la fiabilité opérationnelle des actifs électriques, particulièrement des moteurs à induction et des transformateurs de distribution. Malgré les progrès de la maintenance prédictive (PdM), les approches existantes souffrent souvent de processus de décision fragmentés et d'une dépendance à des modalités de détection isolées. Les méthodes conventionnelles reposent fréquemment sur la surveillance des vibrations et de la température, ce qui nécessite des installations de capteurs intrusives et fait face à des défis d'évolutivité. De plus, de nombreuses études actuelles traitent la détection de fautes, l'identification d'anomalies et la prévision de maintenance comme des tâches distinctes, échouant ainsi à intégrer la détection précoce d'anomalies avec des recommandations de maintenance exploitables et l'optimisation de la performance énergétique au sein d'un cadre unique. Il existe également une lacune dans l'utilisation de signatures électriques et harmoniques multivariées à haute résolution comme principales modalités de détection pour identifier à la fois les fautes électriques et électromécaniques naissantes.

Méthodologie
L'article propose un assistant de PdM intégré basé sur l'IoT, conçu pour combler le fossé entre l'analyse de la signature électrique et les stratégies de maintenance exploitables. La méthodologie est structurée autour de quatre composantes fondamentales :

1. Architecture matérielle et de détection : Le système utilise une plateforme de détection IoT de qualité analyseur basée sur le circuit intégré ADE9000 et un microcontrôleur ESP32. Cette configuration permet une surveillance électrique à haute résolution avec un taux d'échantillonnage de 8 kHz, ciblant une précision de mesure de classe S selon la norme IEC 61000-4-30. Le matériel capture la tension, le courant, la puissance et les métriques harmoniques de manière non intrusive à partir des panneaux existants. Les données sont transmises via une pile de télémétrie résiliente et à faible latence basée sur MQTT vers une infrastructure cloud.
2. Ingénierie des caractéristiques : Un cadre d'ingénierie des caractéristiques multicouche étend environ 67 mesures électriques primaires (incluant les valeurs RMS, les composantes de puissance et les amplitudes harmoniques) en un espace de caractéristiques dérivées de 328 dimensions. Cette expansion capture le comportement harmonique, le déséquilibre de phase, les indicateurs d'efficacité et la dynamique temporelle afin d'améliorer la séparabilité diagnostique pour les schémas de fautes complexes.
3. Pipeline hybride de détection d'anomalies : Le moteur prédictif central emploie une approche de modélisation de séries temporelles hybride en deux étapes :
   • Prophet : Utilisé comme première étape pour décomposer les données de séries temporelles en composantes de tendance, de saisonnalité et d'événements. Cela établit une ligne de base de « comportement normal », isolant les modèles macroscopiques tels que les changements de production et les cycles de charge.
   • LSTM (Long Short-Term Memory) : La seconde étape utilise un réseau LSTM pour analyser les séquences de résidus générées par Prophet. Le LSTM apprend les dépendances temporelles à court et moyen terme de ces résidus pour quantifier l'intensité de l'anomalie.
   • Fusion et décision : Le système combine le score séquentiel basé sur l'erreur de l'LSTM avec des scores de déviation multivariés (par exemple, la distance de Mahalanobis) pour générer une métrique d'anomalie unifiée. Cette métrique est mappée vers des actions de maintenance prioritaires (Immédiate, Planifiée ou Surveillance) et liée à des dégradations spécifiques de la qualité de l'énergie.
4. Explicabilité : Le cadre comprend une couche de décision qui traduit les indicateurs d'anomalie en rapports explicables, identifiant quelles caractéristiques (par exemple, des bandes harmoniques spécifiques ou des indicateurs de déséquilibre) ont le plus contribué aux déviations détectées.

Contributions clés
L'étude apporte quatre contributions primaires au domaine de la PdM industrielle :

• Détection à haute résolution : Déploiement d'une plateforme IoT capable d'un échantillonnage à 8 kHz et d'une précision de classe S, permettant la détection d'anomalies électriques et électromécaniques subtiles.
• Espace de caractéristiques avancé : Création d'un espace de caractéristiques de 328 dimensions dérivé de 67 mesures primaires, spécifiquement conçu pour capturer la dynamique harmonique et de l'efficacité.
• Modélisation hybride : Introduction d'un pipeline hybride Prophet-LSTM qui combine l'interprétabilité de la prévision par décomposition avec la puissance prédictive de l'apprentissage profond pour l'analyse des résidus.
• Support de décision intégré : Développement d'une couche explicable qui non seulement prédit les fautes, mais quantifie également les inefficacités énergétiques et les émissions de carbone, liant les anomalies techniques aux impacts économiques et environnementaux.

Résultats expérimentaux
Le cadre a été validé par un déploiement de quatre mois sur des moteurs critiques de groupes de refroidissement dans une installation industrielle. Les principales conclusions incluent :

• Détection de fautes : Le système a réussi à corréler les tendances élevées des 5ème et 11ème harmoniques (harmoniques de séquence négative) avec la dégradation des roulements mécaniques et le glissement de la portée. Il a également identifié des connexions lâches et des problèmes de résistance d'enroulement par l'analyse du déséquilibre de phase, les distinguant des problèmes induits par le réseau.
• Métriques de performance : Le modèle hybride Prophet-LSTM a nettement surpassé les alarmes basées sur des règles traditionnelles. En termes de détection d'anomalies, le modèle hybride a atteint une précision de 0,94, une précision (precision) de 0,92, un rappel (recall) de 0,90 et un score F1 de 0,91, contre respectivement 0,78, 0,69, 0,65 et 0,67 pour le système basé sur des règles.
• Impact énergétique et environnemental : Le système a quantifié les pertes d'énergie, estimant que la distorsion harmonique élevée dans un moteur entraînait des émissions annuelles de CO2 équivalentes à 27–28 tonnes. Un autre moteur présentant des déséquilibres de phase a contribué à environ 12 tonnes de CO2 par an. L'analyse a suggéré que l'application de filtres passifs ou la révision des connexions pourrait récupérer plus de 5 % et environ 3,5 % d'efficacité, respectivement.
• Étude d'ablation : Les comparaisons ont confirmé que l'approche hybride surpasse les modèles autonomes Prophet et LSTM, validant la synergie de l'utilisation de Prophet pour le dé-trending et de l'LSTM pour la détection d'anomalies résiduelles.

Signification et affirmations
L'article affirme que le cadre proposé offre une solution complète, évolutive et explicable pour la PdM industrielle. En exploitant les signatures électriques à haute résolution, le système réduit la dépendance aux capteurs de vibration supplémentaires tout en détectant simultanément les fautes électriques et mécaniques. L'intégration de l'analyse de l'efficacité énergétique directement dans la boucle de décision de maintenance répond à une lacune critique dans la littérature existante, où l'optimisation de l'énergie est souvent traitée comme un objectif secondaire. Les auteurs soutiennent que cette approche fournit des informations exploitables pour l'optimisation de la maintenance et contribue à la décarbonation industrielle en quantifiant l'empreinte carbone des inefficacités électriques. L'étude conclut que l'approche hybride d'apprentissage profond comble efficacement le fossé entre les données électriques complexes et les stratégies de maintenance pratiques, offrant une alternative robuste aux systèmes experts statiques basés sur des règles.