Adaptive Wavelet Threshold Attention and Explainable Lightweight CNN for Strongly Time-Varying Fault Diagnosis and Feature Extraction Mechanism of Rotating Machinery

Dans le monde industriel, le bourdonnement d'une usine est souvent le son de la santé, mais c'est aussi le langage de la défaillance. À l'intérieur des engrenages massifs et des moteurs en rotation, de minuscules fissures et des dents usées commencent à chuchoter bien avant de hurler. Pour les ingénieurs, le défi a toujours été d'entendre ces chuchotements par-dessus le rugissement de la machine elle-même. Lorsqu'une machine tourne à une vitesse constante, le son d'un défaut est prévisible, comme un battement de tambour régulier. Mais dans le monde réel, les machines ne restent que rarement immobiles. Elles accélèrent, ralentissent et changent constamment de charge. Ce changement constant brouille le son d'un défaut, le faisant dériver et s'estomper dans le bruit de fond. Les outils traditionnels pour écouter ces machines ont souvent du mal ici ; ils sont conçus pour des conditions stables et se sentent confus lorsque le rythme change, ou ils sont si lourds et complexes qu'ils ne peuvent pas être installés sur les machines elles-mêmes pour une écoute en temps réel.

Les chercheurs Tengji Xia et Pengfei Pang ont développé une nouvelle façon d'écouter qui est à la fois précise et simple. Ils ont créé un système numérique conçu pour agir comme une oreille hautement réglée capable de s'ajuster à la vitesse changeante d'une machine tout en filtrant l'électricité statique du sol de l'usine. Leur approche, décrite dans leurs récents travaux, se concentre sur un type spécifique d'intelligence artificielle qui est assez légère pour fonctionner sur de petits ordinateurs embarqués, mais assez puissante pour trouver des défauts cachés dans les roulements et les engrenages. En combinant une méthode qui comprend comment les ondes sonores s'étirent et se compriment avec un système de filtrage intelligent qui sait exactement quand ignorer le bruit, leur système peut repérer des problèmes que d'autres méthodes manquent, même lorsque la machine fonctionne dans des conditions difficiles et changeantes.

Le cœur de leur travail traite d'un problème qui a longtemps tourmenté le diagnostic de défaillance : la façon dont les défauts changent lorsque la machine accélère ou ralentit. Lorsqu'un roulement ou un engrenage est endommagé, il crée un motif de vibration spécifique. Cependant, si la vitesse de la machine n'est pas constante, la fréquence de cette vibration change, tout comme le ton d'une sirène change lorsqu'une ambulance passe à côté. Les modèles informatiques plus anciens utilisent souvent des paramètres fixes pour rechercher ces sons, ce qui signifie qu'ils pourraient manquer un défaut simplement parce que la vitesse de la machine a dérivé légèrement de ce que le modèle attendait. Pour résoudre cela, les chercheurs ont construit un système qui ne repose pas sur des paramètres fixes. Au lieu de cela, il utilise un outil mathématique appelé ondelette, qui est excellent pour décomposer des signaux complexes en leurs composants, mais ils l'ont rendu « adaptatif ». Cela signifie que le système peut apprendre et ajuster ses propres paramètres internes en temps réel pour suivre la variation de la hauteur du ton d'un défaut, garantissant ainsi qu'il ne perd jamais le signal, même lorsque la vitesse de la machine fluctue sauvagement.

Pour rendre ce système pratique pour le monde réel, l'équipe a dû surmonter un autre obstacle : la complexité. De nombreux outils de diagnostic avancés sont comme de massifs superordinateurs ; ils sont puissants mais nécessitent trop d'énergie et d'espace pour être placés directement sur une machine d'usine. Les chercheurs ont conçu leur solution pour qu'elle soit « légère », ce qui signifie qu'elle utilise très peu de ressources informatiques. Ils y sont parvenus en simplifiant le système à une seule couche de traitement. Au lieu d'empiler de nombreuses couches de calculs complexes les unes sur les autres, ce qui peut parfois brouiller les détails délicats d'un défaut, leur modèle utilise un chemin direct et rationalisé. Cette conception permet au système de traiter les données rapidement et efficacement, ce qui le rend adapté à l'installation sur les dispositifs de bord (edge devices) qui contrôlent les machines industrielles, plutôt que de nécessiter un serveur distant pour faire le travail.

Une partie critique de leur succès réside dans la manière dont le système gère le bruit. Dans une usine bruyante, le signal d'une petite fissure peut être noyé par la vibration du sol ou le bourdonnement des moteurs voisins. Les chercheurs ont ajouté un module spécial à leur système qui agit comme un garde-barrière dynamique. Ce module analyse constamment le son entrant, calculant le niveau de bruit moyen et les variations du signal. Sur la base de ce calcul, il définit un seuil mobile. Si un pic sonore n'est qu'un bruit aléatoire, le garde-barrière l'ignore. Mais si un pic correspond au motif d'un défaut, le système le amplifie, faisant ressortir clairement le faible signal contre le bruit de fond. Ce processus se produit automatiquement et continuellement, permettant au système d'améliorer les véritables signaux de défaut tout en supprimant les interférences, une capacité qui s'est avérée vitale lors de leurs tests.

L'équipe a testé son nouveau système sur deux ensembles de données difficiles qui simulent des environnements industriels réels. Le premier impliquait une plateforme de roulement où la vitesse changeait constamment, et le second impliquait un engrenage soumis à des charges et des vitesses variables. Lors de ces tests, le système a été opposé à plusieurs autres méthodes avancées, y compris des modèles d'apprentissage profond beaucoup plus grands et complexes. Les résultats ont été frappants. Dans des conditions où le bruit était si élevé qu'il aurait typiquement caché un défaut, le nouveau système a maintenu un haut niveau de précision, identifiant correctement le type de défaut dans 93,75 % des cas sur les données de l'engrenage et encore plus sur les données du roulement. En revanche, de nombreuses autres méthodes ont vu leurs performances chuter considérablement à mesure que le bruit augmentait. Le nouveau système s'est également révélé incroyablement rapide, nécessitant beaucoup moins de temps pour analyser les données que ses concurrents, ce qui est essentiel pour détecter les problèmes avant qu'ils ne causent une panne.

Ce qui rend cette découverte particulièrement robuste n'est pas seulement les chiffres de haute précision, mais la preuve statistique que l'amélioration est réelle et non un coup de chance. Les chercheurs ont effectué des tests statistiques rigoureux pour comparer leur système aux autres, et les résultats ont montré que la différence de performance était significative, surtout dans les conditions les plus bruyantes. Ils ont également regardé à l'intérieur de la « boîte noire » de leur modèle pour comprendre comment il fonctionnait. Ils ont découvert que la couche d'ondelette adaptative avait réussi à apprendre à suivre les fréquences changeantes des défauts, et que le module de filtrage du bruit avait efficacement nettoyé le signal, permettant au système de se concentrer sur le véritable problème. Cette clarté interne donne aux ingénieurs la confiance que le système ne fait pas que deviner, mais suit réellement les lois physiques de la vibration de ces machines.

Les chercheurs ont également démontré que leur système pouvait être déployé sur de petits appareils à faible consommation, ce qui constitue une avancée majeure pour les applications industrielles. En gardant le modèle simple et efficace, ils ont veillé à ce qu'il ne nécessite pas de matériel coûteux pour fonctionner. Cela signifie que les usines pourraient potentiellement installer ces outils de diagnostic directement sur leurs machines, offrant un contrôle de santé continu et en temps réel sans avoir besoin d'une infrastructure lourde. La capacité du système à gérer des conditions fortement variables dans le temps — où la vitesse et la charge sont constamment en flux — comble une lacune laissée ouverte par de nombreuses technologies existantes, offrant un moyen fiable de surveiller les équipements dans les environnements opérationnels les plus dynamiques et les plus difficiles.

En fin de compte, ce travail représente un changement dans notre approche de la santé des machines. Il s'éloigne de l'idée selon laquelle nous avons besoin de modèles massifs et complexes pour résoudre des problèmes complexes. Au contraire, il montre qu'un système soigneusement conçu et rationalisé, qui comprend la physique du signal, peut surpasser des modèles plus lourds et plus rigides. En combinant la capacité de suivre les fréquences changeantes avec un filtre de bruit intelligent et adaptatif, les chercheurs ont créé un outil qui est à la fois sensible et résilient. Pour les industries qui dépendent du fonctionnement continu des machines rotatives, cela offre un nouveau niveau d'assurance : un moyen d'entendre les signes d'avertissement les plus ténus de défaillance, même lorsque la machine fonctionne à son régime le plus chaotique, garantissant que la maintenance puisse avoir lieu avant qu'un petit problème ne devienne une défaillance catastrophique.