Réseau de Neurones pour le Diagnostic des Moteurs : 99 % de Précision

Augmentation de données guidée par signature : Réseau de neurones pour le diagnostic de pannes dans les moteurs à induction

La méthode d'augmentation de données guidée par signature, développée par des spécialistes de HSE University, permet aux réseaux de neurones de détecter les pannes dans les moteurs à induction triphasés avec une précision de 99 %. La classification des types de pannes atteint 86 %. L'approche génère des données synthétiques basées sur les signaux de courant de moteurs sains, en simulant de vrais défauts sans endommager physiquement l'équipement. Cela résout le manque de jeux de données réels de pannes dans l'industrie.

Les moteurs à induction triphasés sont un composant clé des systèmes de production : des chaînes d'assemblage dans les usines automobiles aux pompes des réseaux d'approvisionnement en eau. Les pannes entraînent des arrêts de production, des pertes et des risques pour la sécurité. L'analyse traditionnelle du spectre de courant nécessite un réglage manuel des filtres, l'extraction de fréquences et des connaissances d'expert, ce qui ralentit le processus.

Défis des méthodes traditionnelles et des approches d'apprentissage automatique

La MCSA classique (Motor Current Signature Analysis, ou Analyse de la signature du courant du moteur) repose sur une inspection visuelle du spectre de courant. Les ingénieurs recherchent des harmoniques caractéristiques associées à des ruptures d'enroulements statoriques, une excentricité du rotor ou des courts-circuits. Le processus est laborieux : il nécessite une calibration pour des moteurs spécifiques, en tenant compte de la charge et des conditions de fonctionnement.

L'apprentissage automatique promet l'automatisation mais se heurte à un manque de données. Les vraies pannes sont rares, et les archives de signaux de pannes ne sont pas entretenues. Les augmentations standard (bruit, décalages) ne tiennent pas compte de la physique des défauts, ce qui réduit la généralisabilité des modèles.

L'équipe de HSE — Artem Ryzhikov, Sara Ali, Alexander Khizhik, Stepan Svirin, Denis Derkach — a introduit l'approche Signature-Guided. L'algorithme extrait les « signatures » de pannes typiques à partir de modèles physiques et les injecte dans des signaux propres.

Fonctionnement de l'augmentation de données guidée par signature

La méthode repose sur des motifs physiques :

• Ruptures de spires statoriques : ajout d'harmoniques de bande latérale autour de la fréquence fondamentale.
• Excentricité du rotor : modulation à la fréquence de rotation avec un coefficient 2f_r.
• Court-circuit : asymétrie de phase avec des courants de séquence zéro accrus.
• Défauts de roulements : pics impulsifs aux fréquences BPFO/BPFI.

Les signaux sont générés en superposant ces signatures sur des spectres normaux. Le réseau de neurones (CNN ou basé sur Transformer) s'entraîne sur un jeu de données mixte : 80 % synthétiques + 20 % réels (si disponibles).

Processus :

• Enregistrer le courant en mode normal (spectre FFT).
• Extraire la signature de base du moteur.
• Générer les pannes : injecter des harmoniques basées sur les modèles.
• Entraîner le classificateur (binaire : sain/panneux ; multiclasse : type de panne).
• Valider sur un ensemble de validation.

Denis Derkach souligne : la méthode ne nécessite ni simulations FEM ni tests de pannes réelles — elle utilise uniquement des formules analytiques issues de la MCSA.

Résultats des expériences

Tests sur des jeux de données de deux moteurs (4 et 6 pôles, 50 Hz) :

| Tâche | Précision | Rappel | F1-score |

|--------|-------------------|----------|--------|----------|

| Binaire (sain/panneux) | 99 % | 98,5 % | 98,7 % |

| Multiclasse (5 types) | 86 % | 84 % | 85 % |

Sara Ali note : le système part de données normales et évolue en détecteur sans historique de pannes. La généralisation à de nouveaux moteurs s'obtient en réenregistrant la signature de base.

Avantages pour les développeurs intermédiaires/seniors :

• Exigences minimales en données : un seul signal sain.
• Interprétabilité physique : traçable aux harmoniques.
• Évolutivité : applicable à n'importe quels paramètres (puissance, pôles).
• Détection précoce : seuil sur le score de confiance.

Points clés

• Précision de 99 % en classification binaire sans données de pannes réelles.
• Génération basée sur les signatures MCSA garantit le réalisme.
• Réduction des temps d'arrêt grâce à la maintenance prédictive.
• Validation prévue sur sites industriels.
• Ouverture : méthode non liée à un matériel spécifique.

L'approche s'intègre dans les systèmes SCADA/IIoT : les dispositifs edge analysent le courant en temps réel et envoient des alertes. Les plans futurs incluent l'extension aux vibrations et à la température.

— Editorial Team