Vous êtes sur la page 1sur 27

Compte rendu TP 1, TP 2 Data Mining

Signal Vibratoire

Master 1 T3I

Réalisé par : Chargé du TP :


Mr: Yacine MEBAREK Mr: Abdenour SOUALHI

Promotion 2016/2017
Introduction :
Afin de mettre en œuvre une maintenance préventive conditionnelle en passe par
7 modules
Premièrement on doit d’abord acquérir les données, dans notre cas c’est des
vibrations.

Apres l’acquisition des données on doit traiter ces signaux à l’aide d’un module du
traitement de signal qui reçoit des signaux et des données du module d'acquisition de données.
La sortie de ce module comprend des données filtrées, des données spectrales, des signaux
virtuels et d'autres signatures.

Puis le signal qui sort de module de traitement du signal entre dans le module de
surveillance. Son principal objectif est de comparer les données avec des valeurs de référence
dans le but de générer des alertes basées sur les limites de fonctionnement prédéfinies

Le signal qui sort du module surveillance entre dans le module diagnostic qui
détermine si l’état du système surveillé et identifie le défaut responsable des dégradations.

Le module pronostic prendre en compte les informations provenant de couches


antérieures son objectif est de projeter l'état de santé actuel du système dans le futur.

Le module d’aide à la décision a la rôle de recommander des actions de maintenance et


des alternatives liées à la gestion du système.

L'interface homme-machine permis d’afficher l'état de santé du système ainsi que les
alertes avec la possibilité d'accéder aux couches antérieures en fonction des besoins en
information de l'utilisateur.
Objectif du TP :

L'objectif de ce TP est de montrer comment mettre en place une maintenance


préventive conditionnelle (MPC) en utilisant le logiciel MATLAB. Après une description de
la plateforme expérimentale, nous allons extraire des paramètres (indicateurs) de dégradation
d'un système donné (roulement dans notre cas). Pour ce faire, nous allons mettre en place un
plan d'expérience mettant en avant les étapes à suivre pour une MCP en commençant par le
choix des capteurs, acquisition des mesures et traitement de ces mesures, jusqu'à
programmation.

A- Description de la plateforme expérimentale


PRONOSTIA est une plateforme expérimentale (voir figure 1) dédiée au test ainsi qu'à
la validation des méthodes d'extraction des indicateurs de dégradation, des méthodes de
détection, diagnostic et pronostic. Cette plateforme a été dessinée et réalisée au département
AS2M (Département Automatique et Systèmes Micro-Mécatroniques) à l'institut FEMTO-st.

Figure 1. Composition de la plateforme expérimentale PRONOSTIA

PRONOSTIA est une plateforme expérimentale dédiée au test ainsi qu'à la validation des
méthodes d'extraction des indicateurs de dégradation, des méthodes de détection, diagnostic et
pronostic.

Le principal objectif de PRONOSTIA est de fournir des données expérimentales réelles qui
caractérisent la dégradation de roulements à billes le long de leur durée de vie entière, les
défauts ne sont pas créés artificiellement et que chaque roulement dégradé contient presque
tous les types de défauts (billes, bague interne et externe).
La plateforme PRONOSTIA est composée de trois parties : une partie dite
entrainement du roulement test, une partie dite générateur de dégradation (avec un effort
radial appliqué sur le roulement testé) et une partie dite de mesure des signaux capteurs.

Entrainement du roulement test illustration d'un générateur de dégradation

Emplacement des capteurs de mesure

A-3 Mesure des données


La dégradation d'un roulement est déterminée en mesurant deux types de signaux
capteurs : des signaux provenant d'un capteur de vibration et des signaux provenant d'un
capteur de température.

Capteur de vibration Capteur de température

Dans cette expérimentation, deux capteurs de vibrations (accéléromètres) sont utilisés


pour mesurer les signaux vibratoires. Ces accéléromètres sont placés sur l'anneau de serrage et
disposés à 90 ° l'un de l'autre; le premier est placé sur l'axe vertical et le second est placé sur
l'axe horizontal.

Acquisition des données :


les signaux vibratoires des roulements sont enregistrées dans des fichiers ASCII
nommés "acc_XXXXX.csv". Les données enregistrées dans ce fichier ASCII sont organisées
comme suit:

Colonne 1 2 3 4 5 6
Type de Heure Minute Seconde μ seconde Signal Signal
données vibratoire vibratoire
horizontal vertical

Les colonnes 1 à 4 donnent une indication sur l'instant (Heure, min, s et μs) de
l'enregistrement du signal vibratoire et les colonnes 4 et 6 donnent respectivement les signaux
vibratoires sur l'axe horizontal et l'axe vertical.

Les paramètres d'acquisition des signaux vibratoires :

 Fréquence d'échantillonnage : 25.6 kHz.


 Enregistrement : 2560 échantillons / 0.1 seconde sont enregistrés chaque 10 secondes.
Illustration d'une acquisition d'un signal vibratoire

Travail demandé :

À partir des signaux vibratoires enregistrés dans le fichier ascii, on utilise les formules
données dans le tableau ci-dessous pour extraire les paramètres (indicateurs) de dégradation
du roulement test.

Paramètres statistiques caractéristiques d’un signal vibratoire


Partie pratique
Extraction de la Matrice données "X" :
À partir des signaux vibratoires enregistrés dans le fichier ascii et en utilisant
MATLAB on va extraire les différents paramètres.

Visualisation du signal vibratoire sur l'axe horizontal et vertical :

En utilisent le fichier acc_0001.csv


On utilise la 5éme colonne pour le signal vibratoire horizontal et la 6éme colonne pour le
signal vibratoire verticale

 Vibh : signal vibratoire sur l’axe horizontal


 Vibv : signal vibratoire sur l’axe vertical.

Programme principale :
L’allure de vibh vibv :

L’allure de vibh L’allure de vibv


En utilisent le fichier acc_02803.csv :
On utilise la 5éme colonne pour le signal vibratoire horizontal et la 6éme colonne pour le
signal vibratoire verticale

 Vibh : signal vibratoire sur l’axe horizontal


 Vibv : signal vibratoire sur l’axe vertical.
Programme principale :
L’allure de vibh vibv :

L’allure de vibh L’allure de vibv


Renseignement des indicateurs de dégradation du signal vibratoire horizontal et
vertical des fichiers "acc_00001" et "acc_02803" :

Acc horizontale Acc verticale


Sensibilité
ACC_00001 ACC_02803 ACC_00001 ACC_02803
sen h sens v
énergie 807,829 8,05E+04 486,2026 6,71E+04 100,648564 139,006255
puissance 0,3156 31,4448 0,1899 26,2105 100,634981 139,022643
amp crête 2,01 39,654 1,591 47,849 20,7283582 31,0747957
Moyenne 0,0035 -0,1578 -0,0019 -0,5075 -44,0857143 268,105263
valeur eff 0,5617 5,6053 0,4358 5,0944 10,9791704 12,6897659
kurtosis 2,8685 11,0208 2,9649 19,6366 4,84200802 7,6230227
facteur crête 3,5782 7,0743 3,6508 9,3925 2,9770555 3,57272379
facteur K 1,1291 222,2742 0,6934 243,762 197,859623 352,546005

400
350
300
250
200
sen h
150
sens v
100
50
0
-50
-100

Comparaison entre les résultats des deux fichiers :


On constate que les valeurs d’indicateurs des fichiers acc_02803 sont plus grandes que
les valeurs du fichier acc_00001.

Remarque :
On remarque que le rapport entre les 2 fichiers sur l’axe VERTICAL est plus grand
que celui sur l’axe HORIZONTAL.

Conclusion :
Mettre le capteur sur l'axe vertical offre une meilleure sensibilité que sur l’axe
horizontal.
Donc pour des meilleurs résultats faut placer le capteur sur l’axe vertical.
Visualisation de la dégradation des roulements :
La dégradation du roulement étant caractérisée par 8 paramètres (8 indicateurs), nous
allons maintenant visualiser 8 courbes de dégradation. Ces 8 courbes représentent l'évolution
de la dégradation depuis l'instant "zéros" qui représente le début d'enregistrement
(fichier "acc_00001") jusqu'à l'instant "final" qui représente la fin de l'enregistrement
(fichier "acc_02803"). Selon l’axe horizontal et vertical.

Programme
L’allure de la figure(1) selon l’axe horizontal

D’après ces critères ci-dessus les indicateurs pertinents sont :


L’énergie, La puissance, La valeur efficace, Le facteur K.
L’allure de la figure(2) selon l’axe vertical

D’après ces critères ci-dessus les indicateurs pertinents sont : L’énergie, La


puissance, La valeur efficace, Le facteur K.
En remarque aussi que sur l’axe vertical en récupère plus d’informations que sur
l’axe horizontal.
CONCLUSION :

A l’issu de ce TP, j’ai appris à extraire des indicateur a partir d’un fichier Excel qui
contient des enregistrements des capteurs en utilisent MATLAB, qui entre dans le cadre de la
Maintenance Préventive Conditionnel et qui va nous permettre de choisir l’emplacement idéal
des capteurs et choisir les indicateur les plus pertinents.
Compte rendu TP 2 Data Mining

Partie Théorique

I-Introduction :
Dans ce TP en va voir la Méthode de SBS qui va nous permettre de récupérer les
indicateurs les plus pertinents avec un temps d’exécution du programme réduit par rapport à
la méthode de comparaison entre les indicateurs des qu’on passe de Q indicateurs
à 3 indicateur ou plus.

II-Sélection des indicateurs de dégradation :

Pour sélectionner les indicateurs il faut comparer les indicateurs entre eux et
sélectionner que les indicateurs pertinents.

Parmi les méthodes d’optimisation la plus utilisé en trouve le SBS (Sequential


Backward Selection).

III-Fonctionnement de la méthode :
La méthode SBS propose, au lieu de comparer toutes les combinaisons possibles
d’indicateurs, de supprimer les indicateurs les moins pertinents. Comme le montre l’exemple
si dessous
III-Suppression d’un indicateur :
Pour Supprimer un indicateur non pertinent consiste à calculer un critère de qualité
noté (J). Ce critère a pour but de d’indiquer la pertinence de l’indicateur supprimé. Plus J est
grand plus le choix de supprimer un indicateur est justifié.

VI- La Méthode de calcul du critère J :


Pour calculer le critère de qualité J on a calculé deux fonctions

 Dispersion inter classes :

gi : centre de gravité de la classe Ωi.

g : centre de gravité de l’ensemble des données.


 Dispersion intra classe :

- xij: jième vecteur donnée de la classe Ωi.

Le critère de qualité J ce calcul comme suit


Partie Pratique

Durant ce TP on va utiliser 3 classes, et Chaque classe (matrice) contient 32 lignes et


47 colonnes. on utilise la méthode d’optimisation SBS on va ce contenter à sélectionné 3
indicateurs pertinents à partir de 47 indicateurs,

Programme MATLAB
Après l’exécution du programme, le programme nous sélection 3 indicateurs les plus
pertinents qui suit : 18 38 48

Pour visualiser les 3 indicateurs en 3D en a utilisé l’instruction plot3 comme suit :

Conclusion :
Après l’extraction des paramètres on doit sélectionnée les indicateurs de défauts les
plus pertinents et pour ça on utilise la méthode SBS qui propose, au lieu de comparer toutes
les combinaisons possibles d’indicateurs, de supprimer les indicateurs les moins pertinents en
calculant le critère de qualité J.

La sélection des indicateurs pertinents permet de faire un diagnostic correct et un


pronostic très proche de la réalité pour éviter les erreurs de maintenance, tout ça conduit à des
bonnes discisions.