Surveillance d’étatProduction et robotique

Maintenance prédictive

Un jumeau numérique qui entend un roulement tomber en panne avant que cela n’arrive — vibration synthétique, analyse d’enveloppe, un kurtogramme, un classifieur neuronal, et une estimation de durée de vie utile restante, sur un seul modèle d’actif tournant.

DjiniousLabModélisation et simulation

Un graphique de spectre d’enveloppe avec un pic net à la fréquence de défaut de bague externe du roulement (108 Hz) et ses harmoniques, retrouvé à partir d’un signal vibratoire où le défaut était enfoui

externe · interne · bille · cage: 4 défautsexterne · interne · bille · cage
fréquence de défaut retrouvée (théorie 107,5): 108 Hzfréquence de défaut retrouvée (théorie 107,5)
précision du classifieur en test: 100%précision du classifieur en test
fausse alarme sur état sain: 0%fausse alarme sur état sain
notebooks de conception: 10notebooks de conception
erreur de durée de vie utile restante: 6.9%erreur de durée de vie utile restante

Un jumeau numérique qui entend le roulement tomber en panne.

Les machines tournantes tombent en panne au niveau de leurs roulements, et elles vous préviennent d’abord — dans une vibration que personne ne peut lire à l’œil. Ce programme est la boucle de diagnostic du jumeau numérique : un modèle de chaîne cinématique qui reflète un actif en fonctionnement, un flux d’accéléromètre synthétique, et la chaîne complète de surveillance d’état — analyse d’enveloppe, kurtogramme, classifieur par réseau de neurones, et estimation de durée de vie utile restante — qui transforme un signal bruité en une référence de pièce et une échéance.

Le défaut est là — vous ne pouvez simplement pas le voir.

Un défaut de roulement localisé frappe une fois par révolution des éléments roulants qui passent dessus, à une fréquence fixée par la géométrie du roulement — les fréquences de passage de bille (BPFO/BPFI/BSF) et le taux de cage. Chaque impact est un choc faible qui fait résonner le boîtier du roulement. Dans le spectre vibratoire brut, cette signature est noyée : les harmoniques de l’arbre la dominent et l’énergie d’impact s’étale en une large bosse de résonance. Regardez la FFT brute, et le roulement défaillant est invisible.

Un spectre vibratoire brut d’un défaut de bague externe — l’énergie se loge dans une large bosse de résonance tandis que la fréquence de défaut est perdue sous les harmoniques de l’arbre — Le spectre brut d’un roulement défectueux : l’énergie du défaut se cache dans une large bosse de résonance autour de 3 kHz, et l’extrémité basse fréquence est dominée par les harmoniques de l’arbre. L’information de diagnostic est présente mais illisible — ce qui est exactement pourquoi l’analyse d’enveloppe existe.

L’analyse d’enveloppe extrait la tonalité de la porteuse.

Le défaut fait résonner le boîtier, donc la résonance est la porteuse et le défaut est la modulation. Filtrer en passe-bande autour de la résonance, prendre l’enveloppe de Hilbert pour démoduler, et faire une FFT de cette enveloppe — et la fréquence de défaut se révèle nettement avec une série harmonique propre. Ce programme retrouve le défaut de bague externe à 108 Hz contre une valeur théorique de 107,5 Hz, à un seul bin de FFT près, et montre le cas de bague interne flanqué des bandes latérales au taux de l’arbre que prédit sa modulation d’amplitude. Un kurtogramme trouve automatiquement la meilleure bande de démodulation, pour quand vous ne connaissez pas la résonance à l’avance.

Un spectre d’enveloppe avec un pic dominant à 108 Hz étiqueté 1x BPFO et des harmoniques à 2x et 3x, retrouvant proprement la fréquence de défaut du roulement — Le spectre d’enveloppe du même signal : la fréquence de défaut de bague externe (108 Hz) et ses harmoniques se détachent nettement du bruit de fond. Le défaut enfoui de la figure précédente est maintenant la chose la plus forte de la pièce — c’est la technique la plus enseignée en surveillance d’état, reproduite à partir des principes fondamentaux.

Une carte thermique de kurtogramme sur la longueur de fenêtre STFT et la fréquence, la plus brillante à la bande de résonance qui donne l’enveloppe la plus impulsive — Le kurtogramme : la kurtosis spectrale selon le centre et la largeur de bande, la plus brillante là où le signal filtré en bande est le plus impulsif. Il tombe sur la bande de résonance de lui-même — automatisant le seul jugement dont l’analyse d’enveloppe avait besoin d’un humain auparavant.

D’un signal à une pièce et une échéance.

La détection est le début. Le programme boucle ce dont une équipe de maintenance a réellement besoin : quel défaut, quelle gravité, combien de temps.

Jumeau physique

Une chaîne cinématique moteur → rotor → roulement → charge sur le domaine rotationnel acausal, montée en régime jusqu’au taux d’arbre de fonctionnement de 30 Hz qui fixe les fréquences de défaut — le modèle que le diagnostic reflète.

Classifieur neuronal

Un petit réseau Lux sur des caractéristiques informées par la physique (RMS, kurtosis, facteur de crête, pics d’enveloppe à chaque fréquence de défaut) trie sain / externe / interne / bille à 100 % de précision en test — une matrice de confusion nette.

Durée de vie utile restante

Un ajustement exponentiel de l’indicateur de santé projette le temps jusqu’au seuil — une médiane d’environ 19 cycles avec une bande de confiance bootstrap, à 6,9 % près de la vérité terrain.

Calibration du jumeau

L’identification de système ajuste la résonance et l’amortissement du roulement du modèle au spectre mesuré, si bien que le jumeau suit la machine spécifique, pas une machine générique.

Une matrice de confusion 4x4 avec une diagonale brillante parfaite — les défauts sain, externe, interne et bille chacun classés correctement à 100 % de précision — Le classifieur sur des exécutions réservées : une diagonale parfaite entre les défauts sain, bague externe, bague interne et bille. Les caractéristiques qu’il lit — les pics de spectre d’enveloppe à chaque fréquence caractéristique — sont les mêmes que celles qu’un expert désignerait, ce qui explique pourquoi un petit réseau suffit.

Un graphique de durée de vie utile restante : un indicateur de santé montant le long d’un ajustement exponentiel qui croise un seuil de défaillance, avec une bande de confiance — Pronostic de durée de vie utile restante : l’indicateur de santé grimpe le long d’un ajustement de dégradation exponentiel vers un seuil de défaillance, et le croisement — avec sa bande de confiance bootstrap — est l’échéance de maintenance. La détection devient planification.

Chaque affirmation est un chiffre que vous pouvez réexécuter.

Le notebook de validation redérive chaque exigence à partir des mêmes signaux synthétiques que ceux que le programme diagnostique — mesurés en direct dans le worker.

Résultat

Erreur de fréquence de défaut : < 1 bin
Précision du classifieur en test : 100 %
Taux de fausse alarme (sain) : 0 %
Erreur RUL : 6,9 %
Exigences vérifiées : 7 / 7

Cible

Erreur de fréquence de défaut : 108 vs 107,5 Hz
Précision du classifieur en test : 4 classes
Taux de fausse alarme (sain) : ≤ 5 %
Erreur RUL : dans le budget
Exigences vérifiées : RÉUSSI

Signaux synthétiques, techniques réelles.

La vibration est synthétisée à partir d’un modèle de défaut de roulement à vérité terrain connue, et non enregistrée depuis un accéléromètre réel — ce qui est précisément ce qui rend chaque chiffre reproductible et la technique enseignable. Le roulement est une résonance localisée unique plutôt qu’un modèle modal mesuré, la loi de dégradation est une simple exponentielle, et la bande du kurtogramme est une estimation de voisinage. Les méthodes elles-mêmes — démodulation d’enveloppe, kurtosis spectrale, classification par caractéristiques, RUL exponentielle, identification de système spectrale — sont exactement la boîte à outils de production pour la surveillance d’état. Pointez-la vers votre propre CSV d’accéléromètre et la même chaîne s’exécute.