Articles techniques

La perspective de MathWorks

Maintenance prédictive à l'aide d'un jumeau numérique


Auteur:

  • Steve Miller, MathWorks

10 minutes de lecture

Résumé

  • La maintenance prédictive utilise les données des capteurs et le Machine Learning pour détecter les défauts et prédire les pannes, permettant ainsi d'effectuer la maintenance uniquement lorsque cela est nécessaire.
  • L'un des principaux défis réside dans l'accès limité aux données de défaillance réelles, ce qui restreint l’entraînement des modèles.
  • Les jumeaux numériques, des simulations haute fidélité d'actifs physiques, permettent de résoudre ce problème en générant des données synthétiques pour différentes conditions et degrés de défaillance.
  • La combinaison de la modélisation physique, de la simulation et du Machine Learning permet de développer et de déployer des algorithmes prédictifs pour la surveillance en service.

Lorsqu'un équipement industriel tombe en panne, le problème qui en résulte n'est souvent pas le coût de remplacement de cet équipement, mais le temps d'arrêt forcé. Une chaîne de production à l'arrêt peut représenter des milliers de dollars de pertes chaque minute. Une maintenance régulière peut contribuer à éviter les temps d'arrêt imprévus, mais elle ne garantit pas que l'équipement ne tombera pas en panne.

Et si la machine pouvait signaler la défaillance imminente d'une de ses pièces ? Et si la machine pouvait même vous indiquer quelle pièce devait être remplacée ? Les temps d'arrêt imprévus seraient considérablement réduits. La maintenance planifiée ne serait effectuée qu'en cas de besoin et non plus à intervalles fixes. C'est l'objectif de la maintenance prédictive : éviter les temps d'arrêt en utilisant les données des capteurs pour prédire quand la maintenance est nécessaire.

Au cœur du développement de tout algorithme de maintenance prédictive se trouvent les données des capteurs, qui peuvent être utilisées afin d'entraîner un algorithme de classification destiné à la détection des défauts. Des caractéristiques pertinentes sont extraites de ces données lors d'une étape de prétraitement et utilisées pour entraîner un algorithme de Machine Learning pour la maintenance prédictive. Cet algorithme est exporté vers des logiciels de simulation tels que Simulink® pour vérification, puis déployé sous forme de code dans l'unité de contrôle de la machine.

Il n'est pas toujours possible d'acquérir des données à partir d'équipements physiques sur le terrain dans des conditions de défaut typiques. Laisser des défauts se produire sur le terrain peut entraîner une défaillance catastrophique et la destruction du matériel. Générer intentionnellement des défauts dans des circonstances plus contrôlées peut s'avérer long, coûteux, voire impossible.

Une solution à ce problème consiste à créer un jumeau numérique de l'équipement et à générer des données de capteurs pour diverses conditions de défaut par simulation. Cette approche permet aux ingénieurs de générer toutes les données de capteurs nécessaires à un workflow de maintenance prédictive, y compris des tests avec toutes les combinaisons de défauts possibles et des défauts de gravité variable.

Cet article présente le design d'un algorithme de maintenance prédictive pour une pompe triplex à l'aide de MATLAB®, Simulink et Simscape™ (Figure 1). Un jumeau numérique de la pompe réelle est créé dans Simscape et ajusté pour correspondre aux données mesurées, et le Machine Learning est utilisé pour créer l'algorithme de maintenance prédictive. L'algorithme n'a besoin que de la pression de sortie de la pompe pour identifier les composants ou combinaisons de composants sur le point de tomber en panne.

Figure 1. Workflow de maintenance prédictive.

Figure 1. Workflow de maintenance prédictive.

Création du jumeau numérique

Une pompe triplex comporte trois pistons entraînés par un vilebrequin (Figure 2). Les pistons sont disposés de manière à ce qu'une chambre soit toujours en décharge, ce qui rend le débit plus régulier, réduit les variations de pression et diminue ainsi la contrainte sur le matériau par rapport à une pompe à piston unique. Les causes typiques de défaillance d'une telle pompe sont l'usure des paliers de vilebrequin, les fuites des joints de piston et l'obstruction des entrées.

Figure 2. Schéma et graphique d'une pompe triplex montrant le débit volumétrique.

Figure 2. Schéma et graphique d'une pompe triplex montrant le débit volumétrique.

Les modèles CAO des pompes, souvent disponibles auprès du fabricant, peuvent être importés dans Simulink et utilisés pour construire un modèle mécanique de la pompe pour la simulation multicorps 3D. Pour modéliser le comportement dynamique du système, la pompe doit désormais être complétée par des éléments hydrauliques et électriques.

Certains paramètres nécessaires à la création d'un jumeau numérique, tels que l'alésage, la course et le diamètre de l'arbre, se trouvent dans la fiche technique du fabricant, mais d'autres peuvent être manquants ou ne sont spécifiés qu'en termes de plages de valeurs. Dans cet exemple, nous avons besoin des pressions supérieure et inférieure auxquelles les trois clapets anti-retour alimentant la sortie s'ouvriront et se fermeront. Nous ne disposons pas de valeurs exactes pour ces pressions, car elles dépendent de la température du fluide transporté.

Le graphique de la figure 3 montre que la simulation de la pompe avec des estimations approximatives (ligne bleue) ne correspond pas suffisamment aux données de terrain (ligne noire). La courbe bleue ressemble quelque peu à la courbe mesurée, mais les différences sont manifestement importantes.

Figure 3. Estimation des paramètres à partir de données mesurées.

Figure 3. Estimation des paramètres à partir de données mesurées.

Nous utilisons Simulink Design Optimization™ pour ajuster automatiquement les valeurs des paramètres afin que le modèle génère des résultats correspondant aux données mesurées. Les paramètres sélectionnés pour l'optimisation se trouvent dans le bloc Check Valve Outlet dans Simscape (Figure 4). Simulink Design Optimization sélectionne les valeurs des paramètres, exécute une simulation et calcule la différence entre les courbes simulées et mesurées. Sur la base de ce résultat, de nouvelles valeurs de paramètres sont sélectionnées et une nouvelle simulation est exécutée. Les gradients des valeurs des paramètres sont calculés afin de déterminer la direction dans laquelle le paramètre doit être ajusté. La convergence est rapidement atteinte dans cet exemple, puisque seuls deux paramètres ont été ajustés. Pour les scénarios plus complexes comportant davantage de paramètres, il est important d'utiliser des fonctionnalités permettant d'accélérer le processus d'ajustement.

Figure 4. Ajustement des valeurs des paramètres dans Simscape.

Figure 4. Ajustement des valeurs des paramètres dans Simscape.

Création du modèle prédictif

Maintenant que nous disposons d'un jumeau numérique de notre pompe, la prochaine étape consiste à ajouter au modèle le comportement des composants défaillants.

Il existe différentes manières d'ajouter un comportement de défaut. De nombreux blocs Simulink possèdent des menus déroulants pour les défauts typiques tels que les courts-circuits ou les circuits ouverts. Le simple fait de modifier les valeurs des paramètres permet de modéliser des effets tels que le frottement ou l'atténuation. Dans cet exemple, trois types de défauts seront pris en compte : une augmentation du frottement due à un palier usé, une réduction de la section de passage causée par une entrée obstruée et une fuite d'étanchéité au niveau des pistons. Les deux premiers défauts nécessitent le réglage des paramètres du bloc. Pour modéliser les fuites, nous devons ajouter un chemin au système hydraulique.

Comme le montre la figure 5, les conditions de défaut sélectionnées peuvent être activées et désactivées soit à partir d'une interface utilisateur, soit à partir de la ligne de commande dans MATLAB. Dans le modèle présenté ici, toutes les conditions de défaut sont activées/désactivées à l'aide de commandes MATLAB. De cette manière, l'ensemble du processus peut être automatisé à l'aide de scripts.

Figure 5. Modélisation des fuites dans la pompe triplex.

Figure 5. Modélisation des fuites dans la pompe triplex. Les paramètres peuvent être modifiés à l'aide de la boîte de dialogue du bloc Pump (en haut) ou de la ligne de commande (en bas).

Dans la simulation de la pompe représentée en haut de la figure 6, deux défauts ont été activés : une entrée obstruée et une fuite d'étanchéité au niveau du piston 3. Ces défauts sont indiqués par les cercles rouges. Le graphique de la figure 6 présente les résultats de la simulation pour la pression de sortie, à la fois sous la forme d’une courbe continue (en bleu) et sous la forme de données échantillonnées avec du bruit (en jaune). Les données générées par la simulation doivent inclure le bruit dû à l'effet de quantification, car nous devons entraîner notre algorithme de détection de défauts avec des données aussi réalistes que possible.

Figure 6. Schéma de la pompe montrant l'entrée obstruée et la fuite du joint, et graphique de la simulation de la pression de sortie échantillonnée avec du bruit.

Figure 6. En haut : Schéma de la pompe montrant l'entrée obstruée et la fuite du joint. En bas : Graphique de la simulation de la pression de sortie (ligne bleue) et échantillonnée avec du bruit (ligne jaune).

Le cadre vert de la figure 6 indique la plage de valeurs normales pour la pression de sortie. On observe des pics qui sortent clairement de la plage normale, indiquant un défaut. Ce graphique à lui seul indiquerait à un ingénieur ou à un opérateur qu'il y a un problème avec la pompe, mais il reste impossible de déterminer exactement la nature du défaut.

Nous utilisons cette simulation pour générer des données de pression pour la pompe dans toutes les combinaisons possibles de conditions de défaut. Environ 200 scénarios ont été créés pour le jumeau numérique. Chaque scénario doit être simulé de nombreuses fois afin de prendre en compte les effets de quantification du capteur. Cette approche nécessitant plusieurs milliers de simulations, nous souhaitons pouvoir accélérer le processus de génération de données.

Une approche typique consiste à répartir les simulations sur les threads disponibles sur des machines multicœurs ou sur plusieurs machines ou clusters informatiques. En fonction de la complexité du problème, des contraintes de temps et des ressources, cette approche est supportée par Parallel Computing Toolbox™ et MATLAB Parallel Server™.

Une autre approche consiste à utiliser la fonctionnalité Fast Restart de Simulink, qui tire parti du fait que de nombreux systèmes nécessitent un certain temps de stabilisation avant qu'un état stationnaire ne soit atteint. Avec Fast Restart, cette partie du test ne doit être simulée qu'une seule fois. Toutes les simulations suivantes débuteront à partir du point où le système aura atteint un état stationnaire. Dans cet exemple, le temps de stabilisation représenterait environ 70 % du temps de simulation requis pour un seul test (Figure 7). Par conséquent, environ deux tiers du temps de simulation peuvent être économisés grâce à la fonctionnalité Fast Restart. Comme Fast Restart peut être configuré à partir de la ligne de commande MATLAB et de scripts, il est parfaitement adapté à l'automatisation du processus d'apprentissage.

Figure 7. Utilisation de la fonctionnalité Fast Restart de Simulink pour réduire le temps de simulation.

Figure 7. Utilisation de la fonctionnalité Fast Restart de Simulink pour réduire le temps de simulation.

L'étape suivante consiste à utiliser les résultats de la simulation pour extraire des données d'apprentissage pour l'algorithme de Machine Learning. Predictive Maintenance Toolbox™ offre diverses options pour extraire des données d'apprentissage. Étant donné que le signal que nous examinons ici est périodique, une transformée de Fourier rapide (FFT) semble la plus prometteuse. Comme le montre la figure 8, le résultat est un petit nombre de pics clairement séparés de différentes amplitudes pour les défauts individuels ainsi que pour les combinaisons de défauts. C'est le genre de données qu'un algorithme de Machine Learning peut très bien traiter. 

Figure 8. Utilisation d'une transformée de Fourier rapide pour extraire les données d'apprentissage.

Figure 8. Utilisation d'une transformée de Fourier rapide pour extraire les données d'apprentissage.

Les résultats de la FFT pour chaque scénario de défaut sont extraits dans un tableau contenant les défauts insérés ainsi que les fréquences et les amplitudes des signaux observés. De ce fait, le nombre de paramètres à prendre en compte est relativement faible.

Maintenant que toutes les données nécessaires à l’entraînement d'un algorithme de détection de défauts sont disponibles, elles peuvent être importées dans Statistics and Machine Learning Toolbox™. Nous utiliserons un sous-ensemble des données générées pour vérifier l'algorithme entraîné.

Nous visualisons les résultats du processus d'apprentissage dans Statistics and Machine Learning Toolbox. Ces visualisations nous permettent de comparer les points forts et les points faibles des différents algorithmes et de déterminer si des données d'apprentissage supplémentaires sont nécessaires. Nous sélectionnons l'algorithme entraîné qui a atteint la plus grande précision pour déterminer le défaut de la pompe à partir des données mesurées. Nous importons cet algorithme dans le jumeau numérique pour vérification à l'aide de sept cas de test enregistrés à cette fin (Figure 9). Comme le montrent les résultats finaux, l'algorithme de classification est capable de détecter les sept scénarios de manière fiable. Il est maintenant prêt à être déployé sur l'unité de contrôle.

Figure 9. Exportation du modèle le plus précis pour vérification.

Figure 9. Exportation du modèle le plus précis pour vérification.

Une application concrète de ce workflow concerne les équipements industriels qui seront utilisés dans le monde entier dans des conditions environnementales très diverses. Ces équipements peuvent être amenés à évoluer : il est possible de sélectionner un nouveau fournisseur de joints ou de vannes, ou de faire fonctionner la pompe avec différents types de fluides ou dans de nouveaux environnements présentant des plages de températures quotidiennes différentes. Tous ces facteurs influent sur la pression mesurée par le capteur, ce qui peut rendre l'algorithme de détection des défauts peu fiable, voire inutile. La capacité à mettre à jour rapidement l'algorithme pour tenir compte des nouvelles conditions est essentielle pour utiliser cet équipement sur de nouveaux marchés.

Le workflow décrit ici peut être automatisé à l'aide de scripts MATLAB, et la majeure partie du travail peut être réutilisée. La seule étape à répéter est l'acquisition de données dans des conditions comparables à celles auxquelles la pompe sera confrontée sur le terrain.

Grâce aux dernières avancées en matière d'interconnexion intelligente, il sera même possible pour les fabricants de machines de livrer des équipements aux clients avec des paramètres provisoires, de collecter à distance des données dans des conditions réelles sur site, d'entraîner l'algorithme de détection des défauts, puis de le redéployer à distance sur la machine. Cela ouvrira de nouvelles perspectives en matière de support client, notamment un nouvel entraînement de la détection des défauts sur des équipements utilisés depuis un certain temps dans des conditions spécifiques à chaque site. Les informations recueillies sur de nombreuses machines profiteront tant aux clients qu'aux fabricants.

Conclusion

La maintenance prédictive aide les ingénieurs à déterminer précisément quand un équipement nécessite une maintenance. Elle réduit les temps d'arrêt et prévient les pannes d'équipement en permettant de planifier la maintenance en fonction des besoins réels plutôt que selon un calendrier prédéterminé. Il est souvent trop coûteux, voire impossible, de créer les conditions de défaut nécessaires à l’entraînement d'un algorithme de maintenance prédictive sur la machine réelle. Une solution à ce problème consiste à utiliser les données de terrain de la machine en parfait état de fonctionnement pour ajuster un modèle 3D physique et créer un jumeau numérique. Le jumeau numérique peut ensuite être utilisé pour le design d'un algorithme de détection de maintenance prédictive destiné à être déployé sur le contrôleur de l'équipement réel. Le processus peut être automatisé, permettant une adaptation rapide aux différentes conditions, aux matériaux manipulés et aux configurations d'équipement.

Publié en 2019


Produits utilisés : Predictive Maintenance Toolbox

A propos de l'auteur

Steve Miller

Steve Miller est responsable du marketing technique de la gamme de produits Simscape chez MathWorks. Il a rejoint MathWorks en 2005 en tant qu’ingénieur d’applications, avant d’intégrer le groupe Design Automation Product Marketing en 2006. Auparavant, Steve a travaillé chez Delphi Automotive dans le domaine des systèmes de commande de freinage, ainsi que chez MSC Software en tant que consultant, où il a exercé différentes fonctions auprès de Ford, GM, Hyundai, BMW et Audi. Il est titulaire d’une licence en génie mécanique de l’université Cornell et d’un master en génie mécanique de l’université Stanford.

Continuer votre exploration