Operating-Condition-Decoupled Sparse Order-Domain Gear Fault Monitoring for Range-Extended Hybrid Agricultural Machinery in Hilly and Mountainous Areas

Dans le terrain accidenté et irrégulier des collines et des montagnes, les machines lourdes sont confrontées à un défi unique : le sol n'est jamais plat et le travail n'est jamais régulier. Lorsqu'un tracteur ou une moissonneuse grimpe une pente ou laboure un sol épais, son moteur et sa transmission doivent constamment s'ajuster, ce qui provoque des fluctuations sauvages de la vitesse de ses pièces rotatives. Pour les ingénieurs qui doivent écouter ces machines afin de détecter les signes précoces d'usure ou de dommage, cette variabilité est un obstacle majeur. Les méthodes traditionnelles d'écoute pour identifier les problèmes reposent sur la recherche de sons spécifiques et constants qui indiquent un engrenage cassé ou un roulement usé. Cependant, lorsque la vitesse de la machine change, ces sons changent de hauteur et se brouillent, ce qui rend difficile de déterminer si un bruit étrange est le signe d'un défaut grave ou simplement une réaction normale à une pente raide. Cette incertitude mène à de fausses alertes, où une machine saine est signalée comme défectueuse, ou à des détections manquées, où un problème réel passe inaperçu jusqu'à ce qu'il provoque une panne sur le terrain.

Pour résoudre cela, des chercheurs de l'Université de technologie de Henan et du Laboratoire Longmen ont développé une nouvelle façon de surveiller la santé des engrenages des machines agricoles hybrides conçues pour ces paysages difficiles. Au lieu d'essayer d'écouter les sons de la machine en temps réel, ils ont créé une méthode qui traduit les données de vibration en un format qui reste stable, même lorsque la machine accélère ou ralentit. En simulant des milliers d'heures de fonctionnement sur des collines virtuelles, ils ont entraîné un système à ignorer le bruit causé par les changements de pentes et de charges, en se concentrant uniquement sur les motifs spécifiques qui indiquent qu'un engrenage est endommagé. Leur approche a réussi à distinguer les engrenages sains des engrenages défectueux, même lorsque la machine fonctionnait dans des conditions qu'elle n'avait jamais rencontrées auparavant, offrant une voie prometteuse pour maintenir les équipements agricoles hybrides en fonctionnement de manière sûre et efficace dans les champs les plus exigeants du monde.

Le cœur de ce travail s'adresse à un type spécifique de véhicule : la machine agricole hybride à extension de portée. Ce sont des tracteurs et des moissonneuses puissants qui utilisent un petit moteur pour générer de l'électricité, qui charge ensuite une batterie ou alimente directement un moteur électrique pour faire tourner les roues. Cette conception permet de fonctionner avec une puissance élevée et de faibles émissions, mais elle introduit également des vibrations complexes. Le moteur démarre et s'arrête, la batterie se charge et se décharge, et le moteur électrique change de mode, tout cela pendant que la machine grimpe des pentes et tire des charges lourdes. Dans un tracteur diesel traditionnel, les modèles de vibration sont relativement prévisibles. Dans ces machines hybrides, la vibration est un mélange chaotique du rythme du moteur, du bourdonnement du moteur électrique, du broyage des engrenages et des secousses du terrain accidenté. Lorsqu'un engrenage à l'intérieur de la transmission commence à faillir, ses signes d'avertissement sont souvent enfouis sous ce bruit de fond chaotique.

Les chercheurs ont commencé par construire une simulation informatique détaillée du comportement de ces machines en terrain vallonné. Ils ne se sont pas appuyés uniquement sur des données du monde réel, car collecter suffisamment d'exemples de véritables engrenages cassés sur des équipements agricoles coûteux est difficile et dangereux. Au lieu de cela, ils ont créé un environnement virtuel qui imite le monde réel avec une grande précision. Ils ont programmé la simulation pour générer de longs cycles de conduite incluant le labourage, le transport de marchandises et la navigation sur des itinéraires vallonnés mixtes. La simulation tenait compte de chaque facteur qui modifie la vibration de la machine : la déclivité de la pente, la résistance du sol, la vitesse du véhicule, le niveau de charge de la batterie et l'état du moteur d'extension de portée. Crucialement, ils ont utilisé une stratégie de « paire ». Pour chaque cycle de conduite simulé, ils ont généré deux versions des données de vibration : l'une représentant une machine parfaitement saine et l'autre représentant la même machine avec un défaut d'engrenage spécifique. Les deux versions ont subi exactement la même colline, la même charge et les mêmes changements de vitesse. La seule différence était la présence du défaut. Cela a permis de s'assurer que lorsque l'ordinateur apprenait à les distinguer, il apprenait à reconnaître le défaut lui-même, et non simplement la différence entre une colline escarpée et une route plate.

Une fois ces 2 000 échantillons appariés générés, les chercheurs ont dû extraire l'information utile des signaux de vibration bruts. Dans une analyse standard, les ingénieurs examinent la fréquence des vibrations, ce qui revient à écouter la hauteur d'un son. Cependant, comme la vitesse de la machine changeait constamment, la hauteur du défaut de l'engrenage dérivait vers le haut ou vers le bas, étalant son énergie sur une large gamme et la rendant difficile à repérer. L'équipe a utilisé une technique appelée suivi d'ordre calculé (computed order tracking) pour corriger cela. Au lieu de mesurer la vibration à des intervalles de temps égaux, ils l'ont mesurée à des angles égaux de rotation de l'arbre de transmission. Imaginez une roue qui tourne : si vous prenez une photo chaque fois que la roue tourne d'un certain angle, l'image d'une fissure sur le bord sera toujours au même endroit, même si la roue tourne plus vite ou plus lentement. En appliant cette logique aux données de vibration, les chercheurs ont transformé les signaux changeants et dérivants en une carte stable où le défaut apparaît toujours au même endroit, quelle que soit la vitesse de la machine.

Avec les données désormais organisées en cette carte stable, l'étape suivante consistait à trouver les caractéristiques spécifiques qui importaient. Les chercheurs ont extrait des dizaines de mesures à partir de différentes parties de cette carte, recherchant des pics d'énergie, des changements de niveaux moyens et la force relative des signaux par rapport à leur environnement. Cela a créé une liste massive de indices potentiels, dont beaucoup n'étaient que du bruit ou des détails non pertinents causés par la batterie ou le moteur. Pour éliminer ce désordre, ils ont utilisé un outil mathématique qui sélectionne automatiquement les indices les plus importants et rejette les autres. Ce processus, connu sous le nom de sélection de caractéristiques éparses (sparse feature selection), a agi comme un filtre qui a supprimé le bruit de fond du fonctionnement de la machine, laissant derrière lui un ensemble précis d'indicateurs fortement liés au défaut d'engrenage et totalement sans rapport avec la charge de la batterie ou la pente de la colline.

Enfin, les chercheurs ont testé leur système pour voir s'il pouvait réellement identifier les défauts. Ils ont divisé leurs données simulées en ensembles d'entraînement et d'essai, demandant à l'ordinateur d'apprendre d'un groupe puis de prédire la santé de l'autre. Ils ont comparé leur nouvelle méthode à plusieurs anciennes techniques standards. Les résultats étaient clairs : la nouvelle approche, qui combinait la carte stable basée sur l'angle et le filtre de caractéristiques intelligent, a nettement surpassé les méthodes traditionnelles. Lors de tests répétés, le système a identifié correctement l'état de l'engrenage avec une précision d'environ 94 pour cent. C'était nettement meilleur que les méthodes classiques basées sur la fréquence, qui peinaient à suivre les vitesses variables. Plus important encore, le système a prouvé sa robustesse face à des conditions qu'il n'avait jamais rencontrées auparavant. Lorsque les chercheurs l'ont testé sur des données impliquant des vitesses, des charges ou des pentes en dehors de la plage des données d'entraînement, la nouvelle méthode a maintenu une précision élevée, tandis que les anciennes méthodes ont vu leurs performances chuter brutalement.

L'étude a également révélé que les caractéristiques spécifiques sur lesquelles le système apprenait à compter étaient effectivement liées aux engrenages et non aux autres systèmes de la machine. Les indicateurs sélectionnés étaient concentrés dans des zones spécifiques de la carte de vibration correspondant à la rotation de l'arbre de transmission, et ils ne montraient presque aucun lien avec l'état de charge de la batterie ou les cycles marche/arrêt du moteur. Cela a confirmé que la méthode isolait avec succès le défaut mécanique de la complexe chaîne cinématique hybride. Les chercheurs ont constaté que même un type de classificateur informatique plus simple pouvait atteindre une grande précision une fois les données correctement préparées, suggérant que la véritable percée résidait dans la manière dont les données étaient organisées et nettoyées, plutôt que dans la complexité de l'outil de décision final.

Bien que les résultats soient prometteurs, les auteurs précisent avec prudence que ces conclusions proviennent d'une simulation. L'environnement virtuel, bien que détaillé, ne peut pas reproduire parfaitement la réalité désordonnée d'une véritable ferme, où les capteurs pourraient être montés différemment, ou bien où le chemin de transmission pourrait être affecté par de la rouille ou de la saleté de manières que le modèle informatique n'avait pas anticipées. L'étude sert de preuve de concept, démontant que l'approche est théoriquement solide et capable de gérer la variabilité extrême de l'agriculture en pente. La prochaine étape, comme le soulignent les chercheurs, consiste à construire une machine réelle équipée des capteurs nécessaires et à tester le système sur le terrain. Si la méthode tient bon dans le monde réel, elle pourrait offrir aux agriculteurs un moyen fiable de surveiller leurs coûteux équipements hybrides, prévenant les pannes imprévues et garantissant que ces machines avancées puissent continuer à travailler dans les champs escarpés et difficiles qui définissent l'agriculture moderne.