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