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.