Maintenance & Entreprise n°663

LE CONTRÔLE ET L’ANALYSE NON DESTRUCTIVE
SOLUTIONS
Le modèle résultant décrit la structure du système puis est
paramétré de manière centralisée dans une base de données
(élément « params »). Le modèle de système est ensuite chargé
avec un flux de masse standardisé généré à partir de données
de mesure et représente ainsi un processus de chargement réel
dans le temps.
Exemple de modèle d’erreur générée
©DR
©DR
Comparaison des mesures réelles et mesures simulées
Un des critères les plus importants pour une qualité élevée des
jumeaux digitaux créés est la cohésion des mesures réelles et
des données simulées. Pour valider ce modèle de simulation, les
données d’un système de convoyage en fonctionnement ont été
prises en compte. Une analogie suffisamment importante entre
les deux données est visible. Le critère de qualité est rempli.
Une technologie tout aussi importante, l’analyse ASF. Grâce à
elle, il est possible de voir comment de nouvelles idées peuvent
être développées, testées et évaluées sur le modèle afin que
les idées soient vérifiées avant tout développement. Cela peut
même générer le besoin d’une nouvelle technologie de mesure,
si les avantages sont aussi importants.
Une multitude d’erreurs possibles ont été collectées et prises en
Exemple de l’approche d’une analyse ASF pour l’application du
convoyeur à bande
compte dans la base de données. Les éléments du modèle comportant
des erreurs paramétriques sont marqués d’un «F» rouge et
font partie d’une bibliothèque d’erreurs générées automatiquement.
La vue structurelle du modèle de convoyeur à bande avec les
erreurs paramétriques implémentées est visible. Il s’agit d’erreurs
qui peuvent être attribuées directement (exemple : encrassement
des tambours), mais aussi d’erreurs complexes caractérisées par
une modification du coefficient de frottement. Cela peut être fait
©DR
globalement pour marquer le vieillissement et l’usure générale.
Cela peut également l’être localement afin de localiser les influences
stationnaires ou les effets se déplaçant avec la bande.
En plus des signaux de mesure habituels, la charge totale se mesure
à l’aide de capteurs virtuels ainsi qu’avec les forces de tension des
bandes des sections du modèle du test. Cela aide à détecter et
identifier les effets de défaillance.
Ainsi, la tension maximale, la puissance normalisée et le couple
d’entraînement normalisé par charge actuelle ainsi que les forces
de traction normalisées de la bande en fonction du comportement
nominal sont surveillés en tant que caractéristiques. Cela signifie
qu’un grand nombre de variantes peuvent être calculées.
Les algorithmes de machine learning sont utilisés pour évaluer
les données de calcul des variantes. La qualité des arbres décisionnels,
par exemple, montre à quel point les fonctionnalités
générées dépendent des erreurs considérées et la précision de la
définition des valeurs seuils. Alors que le mottage est détectable à
l’aide du quotient des différents régimes du moteur et du tambour,
l’attribution des effets du vieillissement est plus difficile. En raison
des différentes conditions de charge pendant le fonctionnement,
des valeurs seuils très rigoureuses doivent être sélectionnées. Les
forces de tension standards de la bande des différentes sections
sont ici plus révélatrices.
En conclusion, les services intelligents (smart) et les algorithmes
de machine learning utilisés nécessitent des ressources de quantités
suffisantes de données opérationnelles. Cela s’applique déjà à la
préparation des stratégies de service pour les nouveaux systèmes
qui ne peuvent disposer d’aucune donnée de terrain à ce stade.
Les analyses de systèmes basées sur les données constituent un
moyen efficace de générer de telles quantités de données réalistes.
L’inclusion et l’évaluation des sources d’erreur et de leurs
interactions représentent, d’une part, une opportunité d’intégrer
l’expérience du personnel d’exploitation et de service, et de les
rendre utilisables sur une large base. D’autre part, cela permet de
protéger le système contre la surcharge des capteurs. Le flux de
travail présenté sur SRA favorise l’acquisition de données et le
développement de nouvelles solutions, tant pour augmenter la
disponibilité du système que pour les stratégies de maintenance
prédictive ●
Jörg Arloth & René Noack
MAINTENANCE & ENTREPRISE • N°663 • Août - Septembre - Octobre 2021 I 11