‫الجمهـــوريــة الجزائريــــة الديمقراطيــــة الشعبيـــــة‬

République algérienne démocratique et populaire

E. N. S. T. ‫وزارة التعليــــم العالــــي والبحــــث العلمـــــي‬
Ecole Nationale Supérieure de Technologie
Ministère de l’Enseignement supérieur et de la recherche scientifique
‫الـمـدرســة الوطـنــيــة العـليــا للتــكنـولـوجـيــا‬
Ecole Nationale Supérieure de Technologie

‫قســـــم الهندسة الصناعـية والصيانة‬

Département de Génie Industriel  Maintenance

Mémoire pour l’obtention du diplôme de :

Master
Management et Ingénierie de la Maintenance Industrielle

Domaine : SCIENCE ET TECHNOLOGIE

Filière : GENIE INDUSTRIEL ET MAINTENANCE
Spécialité : MANAGEMENT ET INGENIERIE DE LA MAINTENANCE INDUSTRIELLE

- Thème -
Pronostic automatique par ANFIS de la durée de vie résiduelle des
roulements ’RUL’ basé sur l’indicateur de dégradation de Weibull

Présentée par :

LANDJERIT Sadek

JURY :

Président N. GHAZI MAA – ENST

Examinateur H. HACHEMI MCB – ENST

Encadreur I. MEDDOUR MCA – ENST

2018-2019
Dédicaces

Dédicaces
Avec l’aide de Dieu le tout puissant et sa bienveillance que les chemins du savoir
me sont éclairé pour réaliser ce modeste travail que je dédie :
A Mes chers parents :
Grâce à leurs vifs encouragements et leurs grands sacrifices, ils ont pu créer le
climat affectueux et propice à la poursuite de mes études.
Aucune dédicace ne pourrait exprimer mon respect, ma considération et mes
profonds sentiments envers eux.
Je prie le bon Dieu de les bénir, de veiller sur eux, en espérant qu’ils seront
toujours fiers de moi.
A ma famille.
A Mon encadreur Monsieur I. MEDDOUR
A tous mes professeurs :
Leur générosité et leur soutien m’oblige de leur témoigner mon profond respect et
ma loyale considération.
A Mon binôme Oussama et sa famille.

A tous mes amis et mes collègues.

Landjerit Sadek

Page i
Remerciements

Remerciements

Tout d’abord, je remercie ALLAH, le clément de m’avoir donné la foi, la volonté et la patience
pour réaliser ce travail.

Je tiens à remercier très chaleureusement mon Professeur Monsieur I. MEDDOUR pour son
aide, ses conseils, sa disponibilité et son encouragement qu’il n’a cessé de me prodiguer, tout
au long de la réalisation de ce mémoire.

Mes remerciements s’adressent aussi, à mon compagnon de chambre Mr HADJAZE Hocine

pour son soutient tout au long de la rédaction de ce mémoire.

Je ne saurais pas terminer cette page sans remercier ma famille pour m’avoir constamment
soutenu et pour avoir cru en moi pour mener ce travail à sa fin. Qu’ils trouvent ici, l’expression
de mes profondes gratitudes.

Un merci particulier à mes parents pour tout l’amour et les valeurs qu’ils nous ont transmis.

Que tous ceux qui m’ont aidé de près ou de loin, trouvent ici l’expression de ma gratitude.

Page ii
Liste des abréviations

Liste des abréviations

RUL Reamaining Useful Life

PHM Pronostic and Health Management

ANOVA Analysis Of Variance

ANFIS Adaptive Neuro Fuzzy Inference System

RNA Réseaux de Neurones Artificiels

NF Norme Française

AFNOR Association Française de Normalisation

CEN Commuté Européen de Normalisation

ISO International Standards Organisation

Page iii
Liste des figures

Liste des figures

Figure 1.1: principe neuro-flou .............................................................................................. 12

Figure 1.2: structure générale de modèle ANFIS.................................................................... 13

Figure 1.3: Fréquence fondamentale d’un simple sinus.......................................................... 17

Figure 1.4: constituants d’un roulement.................................................................................. 19

Figure 1.5: les paramètres de calculs des défauts de roulements ............................................ 20

Figure 2.1: éléments de l'éolienne ........................................................................................... 22

Figure 2.2: variation de rotation de l’arbre sur 6 secondes ..................................................... 24

Figure 3.1: le spectre d’amplitude la bague intérieure du roulement ...................................... 27

Figure 3.2: l’évolution du spectre d’amplitude durant les 50 jours de surveillance ............... 28

Figure 3.3: le lissage de la courbe d'évolution des indicateurs SKmean et kurtosis ............... 30

Figure 3.4: évolution des facteurs sélectionnés....................................................................... 26

Figure 3.5: l’évolution de la moyenne des indicateurs ........................................................... 26

Figure 3.6: Evolution du taux d’avarie durant les 50 jours de surveillance ............................ 28

Figure 3.7: illustration des trois processus de dégradation ..................................................... 29

Figure 3.8: architecture du réseau de neurones flous .............................................................. 30

Figure 3.9: règle d'inférence flou ............................................................................................ 30

Figure 3.10: Organigramme de la prédiction du RUL d'un nouvel échantillon ...................... 31

Figure 3.11: différence entre le RUL réel et RUL prédit par ANFIS ..................................... 32

Page iv
Liste des tableaux

Liste des tableaux

Table 1.1: indicateur temporelle et leurs formules mathématique .......................................... 16

Table 2.1: caractéristiques de l'éolienne et de son système de surveillance............................ 23

Table 2.2: fréquences de manifestation des défauts du roulement .......................................... 23

Table 2.3: variation de la fréquence de manifestation des défauts .......................................... 24

Table 3.1: Fréquences de manifestation des défauts de roulement ......................................... 26

Table 3.2: résultats des mesures vibratoires des indicateurs temporels .................................. 29

Table 3.3: Analyse ANOVA des indicateurs temporels.......................................................... 31

Table 3.4: calcul du f(t), F(t) et D(t) des 50 jours de surveillance .......................................... 27

Page v
Table des matières

Table des matières

Dédicaces ....................................................................................................................................... i

Remerciements ........................................................................................................................... ii

Liste des abréviations ................................................................................................................ iii

Liste des figures ........................................................................................................................ iv

Liste des tableaux ....................................................................................................................... v

Table des matières ..................................................................................................................... vi

Introduction générale.................................................................................................................. 1

1. Introduction ............................................................................................................................ 3

2. Maintenance ........................................................................................................................... 3

2.1. Types de maintenance ..................................................................................................... 3

2.1.1. Maintenance corrective ............................................................................................ 3
2.1.2. Maintenance préventive ........................................................................................... 4

2.2. Techniques de maintenance conditionnelle et prévisionnelle ......................................... 4

2.2.1. Thermographie infrarouge........................................................................................ 5
2.2.2. Analyse des huiles .................................................................................................... 5
2.2.3. Analyse vibratoire .................................................................................................... 5

2.3. Choix de la politique de maintenance ............................................................................. 5

3. Surveillance et diagnostic....................................................................................................... 6

3.1. Définitions ....................................................................................................................... 6

3.1.1. Défaillance ............................................................................................................... 6
3.1.2. Panne ........................................................................................................................ 6
3.1.3. Défaut ....................................................................................................................... 6
3.1.4. Surveillance .............................................................................................................. 6
3.1.5. Détection .................................................................................................................. 7

3.2. Diagnostic........................................................................................................................ 7
3.2.1. Les étapes du diagnostic ........................................................................................... 7

Page vi
Table des matières

4. Le pronostic ............................................................................................................................ 8

4.1. Définition ........................................................................................................................ 8

4.2. Classification des modèles en pronostic.......................................................................... 9

4.2.1. Modèles basés sur la connaissance........................................................................... 9
4.2.2. Les systèmes experts ................................................................................................ 9
4.2.3. Les systèmes flous .................................................................................................... 9
4.2.4. Les modèles d’espérance de vie ............................................................................. 10
4.2.5. Les modèles stochastiques ..................................................................................... 10
4.2.6. Les modèles statistiques ......................................................................................... 10
4.2.7. Les réseaux de neurones artificiels......................................................................... 11

5. Neuro-flou ............................................................................................................................ 11

5.1. Principe et définition ..................................................................................................... 11

5.2. Les différentes combinaisons neuro-flou ...................................................................... 12

5.3. Système neuronal/flou simultanément .......................................................................... 12

5.4. Modèles neuro-flou coopératifs..................................................................................... 12

5.5. Les réseaux de neurone flou -le Model ANFIS............................................................. 12

5.5.1. Structure de la méthode ANFIS ............................................................................. 12
5.5.2. Apprentissage de l’ANFIS ..................................................................................... 14
5.5.3. Les avantages de l’ANFIS...................................................................................... 15

6. Analyse vibratoire ................................................................................................................ 15

6.1. Surveillance par analyse vibratoire ............................................................................... 15

6.2. Méthodes d’analyse vibratoire ...................................................................................... 15

6.2.1. Méthodes temporelles ............................................................................................ 16
6.2.2. Méthode fréquentielle : .......................................................................................... 16

7. Les roulements et leurs défauts ............................................................................................ 19

7.1. Définition ...................................................................................................................... 19

7.2. Constitution des roulements .......................................................................................... 19

7.3. Défauts de roulement et leurs manifestations................................................................ 20

Page vii
Table des matières

7.3.1. Défaut sur la bague intérieure ................................................................................ 20

7.3.2. Défaut sur la bague extérieure ................................................................................ 21
7.3.3. Défaut sur la cage ................................................................................................... 21
7.3.4. Défaut sur l’élément roulant................................................................................... 21

8. Conclusion ............................................................................................................................ 21

1. Introduction .......................................................................................................................... 22

2. Description d’une éolienne................................................................................................... 22

3. Caractéristique de l’éolienne étudiée ................................................................................... 23

4. Défauts du roulement et ces manifestations ......................................................................... 23

5. Variation de la fréquence de manifestation des défauts ....................................................... 24

6. Localisation visuelle du défaut ............................................................................................. 24

7. La base de données ............................................................................................................... 25

8. Conclusion ............................................................................................................................ 25

1. Introduction .......................................................................................................................... 26

2. Analyse fréquentielle............................................................................................................ 26

2.1. Localisation du défaut ................................................................................................... 26

2.2. Evolution du spectre d’amplitude ................................................................................. 28

3. Analyse temporelle ............................................................................................................... 28

3.1. Le calcul des indicateurs temporels............................................................................... 28

3.1.1. Lissage des indicateurs temporels : ........................................................................ 30

4. La sélection des indicateurs.................................................................................................. 30

4.1. La normalisation des indicateurs ................................................................................... 30

4.2. Analyse de la variance................................................................................................... 31

5. La moyenne des indicateurs sélectionnée et le taux d’avarie............................................... 26

5.1. La moyenne des facteurs ............................................................................................... 26

5.2. Le taux d’avarie ............................................................................................................. 26

Page viii
Table des matières

6. Pronostic de la durée de la durée de vie résiduelle par ANFIS ............................................ 28

6.1. Définition des éléments d’entrées et leurs sorties ......................................................... 28

6.2. La base de données ........................................................................................................ 28

6.3. Apprentissage d’ANFIS ................................................................................................ 29

6.4. Pronostic du RUL d’un nouvel échantillon ................................................................... 30

6.5. Comparaison entre le RUL réel et prédit par ANFIS .................................................... 31

7. Conclusion ............................................................................................................................ 32

Conclusion générale ................................................................................................................. 33

Bibliographie .............................................................................................................................. x

Annexes ................................................................................................................................... xiii

Page ix
Introduction générale

Introduction générale

Le secteur de production, transport et distribution de l’énergie électrique est un secteur très

important dans n’importe quel pays en raison de ces enjeux stratégique, économique et social.
Ces dernières années les regards ont tourné vers les énergies renouvelables dites « vertes » pour
remplacés les énergies fossile et nucléaire. Parmi les alternatives qui ont connu un succès, les
éoliennes qui transforment l’énergie cinétique des vents propre et gratuite à une énergie
électrique à travers des alternateurs montés sur eux.

En effet, le coût de maintenance corrective des champs offshore dû aux pannes imprévues coute
près de 25 %, un pourcentage important du cout d’exploitation des champs [2]. Pour cette raison
il est incontournable de mettre en place une politique de maintenance préventive et c’est très
efficace qu’il soit prédictive dans le but de prédire la durée de vie résiduelle des éléments de
l’éolienne afin d’anticiper la panne au lieu de la subir et planifier les moyens humaines,
matérielle et logistique de l’intervention.

Parmi les éléments qui sont souvent la cause des pannes des éoliennes figurent les roulements
qui ont un fort impact sur la fiabilité des éoliennes et provoque plus de 50% des pannes de la
boite de vitesse, une partie critique des éoliennes [3-5]

L’analyse vibratoire est l’une des méthodes largement utilisée pour la surveillance des
roulements [6], car le signal vibratoire contient des informations précieuses sur l’état de
roulement qui peuvent être la base du pronostic de la durée de vie résiduelle du roulement ou
« Reamaining Useful Life ‘RUL’ » en anglais.

C’est dans ce contexte et dans le cadre de la réalisation du projet de fin d’étude, nous avons
proposé une démarche pour la prédiction de la durée de vie résiduelle des roulements des
éoliennes par la méthode hybride ANFIS « Adaptive neuro fuzzy inference system ». Le
mémoire est réparti en trois chapitres comme suit :
 Un premier chapitre, divisé en trois grandes parties la première aborde les concepts de
maintenance, surveillance, diagnostic. La deuxième partie concerne l’analyse vibratoire
et les défauts de roulements, tandis que la troisième partie décrit des outils d’intelligence
artificielle souvent utilisés dans le pronostic.

Page 1
Introduction générale

 Un deuxième chapitre, dédié à la présentation technique de l’éolienne et du roulement

sur lesquels l’étude sera faite.
 Un troisième chapitre, qui présente les étapes de la mise en œuvre d’un système
intelligent de la prédiction de la durée de vie résiduelle de roulement. Et ce, depuis le
calcul des indicateurs vibratoires, la sélection des meilleures entre eux par l’analyse de
variance « ANOVA », la construction d’un model probabiliste basé sur la loi de
dégradation de Weibull, et enfin le développement d’un système intelligent (ANFIS) de
prédiction.

Ce mémoire se termine par une conclusion générale et des perspectives.

Page 2
 Chapitre I
Généralités sur le pronostic du RUL
des roulements par analyse vibratoire
Chapitre I : Généralités sur le pronostic du RUL des roulements par analyse vibratoire

1. Introduction
Dans un grand nombre d'applications industrielles, une demande croissante est apparue en
matière de remplacement des politiques de maintenance curative par des stratégies de
maintenance préventive. Cette mutation d’une situation où on « subit les pannes » à une
situation où on « maîtrise les pannes », nécessite quelques moyens technologiques ainsi que la
connaissance de techniques d’analyse appropriées.

La fonction de diagnostic et de surveillance en continu de l'évolution de l’équipement à travers

des données quantifiables et qualifiables permet ainsi de prévenir un dysfonctionnement avant
qu'il n'arrive et d'écarter les fausses alarmes qui peuvent entraver la production. Dans ce chapitre
nous définissons quelques concepts relatifs à la maintenance, diagnostic industriel analyse
vibratoire et la nouvelle discipline « Pronostic and Health Management ‘PHM’ » qui d’intéresse
de prédiction de durée de vie résiduelle RUL.

2. Maintenance
« Ensemble de toutes les actions techniques, administratives et de management durant le cycle
de vie d’un bien, destinées à le maintenir ou à le rétablir dans un état dans lequel il peut
accomplir la fonction requise » extrait de la norme NF X60-000.

2.1. Types de maintenance

La maintenance se décompose en deux types selon le moment d’intervention, on parle d’une

maintenance préventive si elle exécuter avant la panne dans le but de l’anticiper et on dit que
c’est une maintenance corrective si elle est effectuée après la panne.

2.1.1. Maintenance corrective

« Maintenance exécutée après détection d’une panne et destinée à remettre un bien dans un état
dans lequel il peut accomplir une fonction requise » extrait de la norme NF X60-000.

La reprise de la fonction requise après l’intervention corrective peut être temporaire/partielle

ou fonctionnement normale. Sur ce principe qu’on peut diviser la maintenance corrective en
deux principale types :

i. Maintenance palliative

« Action de maintenance corrective destinée à permettre à un bien d’accomplir provisoirement

tout ou partie d’une fonction requise » extrait de la norme NF X60-000.

Page 3
Chapitre I : Généralités sur le pronostic du RUL des roulements par analyse vibratoire

ii. Maintenance curative

« Action de maintenance corrective ayant pour objet de rétablir un bien dans un état spécifié
pour lui permettre d’accomplir une fonction requise » extrait de la norme NF X60-000.

2.1.2. Maintenance préventive

« Maintenance exécutée à des intervalles prédéterminés ou selon des critères prescrits et

destinés à réduire la probabilité de défaillance ou la dégradation du fonctionnement d’un bien
» extrait de la norme NF X60-000.

Ce type de maintenance a pris de l’importance dans les entreprises modernes, qui cherche à
améliorer la disponibilité leur systèmes industriels en minimisant le plus possible le risque des
pannes imprévu qui peuvent ruiner une planification en cours.

i. Maintenance systématique

« Maintenance préventive exécutée à des intervalles de temps préétablis ou selon un nombre

défini d'unités d'usage mais sans contrôle préalable de l'état du bien » extrait de la norme
NF X60-000.

ii. Maintenance conditionnelle

« Maintenance préventive basée sur une surveillance du fonctionnement du bien et/ou des
paramètres significatifs de ce fonctionnement et intégrant les actions qui en découlent » extrait
de la norme NF X60-000.

iii. Maintenance prévisionnelle

« Maintenance conditionnelle exécutée en suivant les prévisions extrapolées de l’analyse et de

l’évaluation de paramètres significatifs de la dégradation du bien » extrait de la norme
NF X60-000.

2.2. Techniques de maintenance conditionnelle et prévisionnelle

Il existe des indicateurs où des paramètres qui révèlent l’état et la performance d’un bien qui
sont utilisés pour le surveiller. À ce stade, plusieurs techniques ont été développées pour
représenter la grandeur du paramètre surveillé, et parmi les techniques largement utilisés on
trouve :

Page 4
Chapitre I : Généralités sur le pronostic du RUL des roulements par analyse vibratoire

2.2.1. Thermographie infrarouge

Une grande partie des défauts qui manifeste dans les systèmes industriels se traduit par une
élévation de température (frottement, surintensité…) qui ne peuvent pas être détecté par l’ouille
nue. ces défauts sont observés facilement par la thermographie infrarouge en toute sécurité.

2.2.2. Analyse des huiles

L’état du lubrifiant et les débris qu’il contient détermine l’état de santé de l’équipement, à ce
stade plusieurs prélèvements sont effectués et analysé afin de surveiller l’évolution de niveaux
de dégradation et de contamination d’huile.

2.2.3. Analyse vibratoire

La technique la plus connue et largement employé dans le domaine industriel. Les vibrations
sont une caractéristique des machines tournantes largement utilisé dans l’industrie et chaque
changement de niveaux de vibrations et dû à un défaut d’un de ces composants ou leurs
montages tel que défaut d’alignement, roulement usé, une denture cassé….

Le point fort de cette technique est que les mesures sont faciles à prendre. Les défauts peuvent
être détectés et localisés dans un stade précoce.

2.3. Choix de la politique de maintenance

Les paramètres dont il faut tenir compte pour adopter telle ou telle politique de maintenance
sont principalement d‘ordre économique et humain. Avec l‘objectif de trouver une politique
capable de réduire les coûts de maintenance, une méthode de suivi de l‘état de fonctionnement
d‘un organe d‘une machine doit être trouvée pour améliorer la disponibilité et pour estimer de
façon plus précise le risque de panne.

A cet effet, l‘idéal serait de trouver des indicateurs externes facilement accessibles, et réaliser
un système de mesure qui consiste à limiter le nombre de paramètres et de mesures à réaliser.
Pour cela, il faut d‘abord déterminer quelles sont les pannes les plus fréquentes par analyse
statistique et les composants les plus problématiques par analyse technologique.

Turbines, pompes, moteurs, compresseurs, alternateurs, centrifugeuses, ventilateurs… toutes

ces machines que l‘on dit tournantes, ont un point commun ; elles comprennent des organes en
rotation. Ce qui caractérise ces machines, c‘est qu‘elles sont composées d‘organes fragiles
(roulements, engrenages …etc.) soumis à des contraintes mécaniques importantes et à des

Page 5
Chapitre I : Généralités sur le pronostic du RUL des roulements par analyse vibratoire

environnements industriels hostiles ou agressifs. Les sources de défaillances sont donc

multiples :

 Écaillage d‘un roulement ;

 Rupture d‘une dent d‘un engrenage ;
 Désalignement d‘un des axes, etc.…

Pour certaines machines vitaux d‘un processus de production, ces défauts peuvent s‘avérer
lourds de conséquences. Pour éviter des arrêts de production imprévus et les pertes
économiques qui en découlent, il faut surveiller en permanence ces équipements et traquer tous
les signes précurseurs de défauts avant qu‘il ne soit trop tard [9].

3. Surveillance et diagnostic
3.1. Définitions

3.1.1. Défaillance

« Cessation de l’aptitude d’un bien à accomplir une fonction requise » extrait de la norme (CEN
WI 319-003) après la défaillance, le bien désormais en panne. Donc la défaillance est un passage
d’une entité d’un état de fonctionnement normal à l’état de fonctionnement anormal ou de
panne.

3.1.2. Panne

« État d’un bien inapte à accomplir une fonction requise, excluant l’inaptitude due à la
maintenance préventive ou à d’autres actions programmées ou à un manque de ressources
extérieures » extrait de la norme (CEN WI 319-003).

3.1.3. Défaut

Écart entre une caractéristique réelle d’une entité et la caractéristique voulue, cet écart dépassant
des limites d'acceptabilité.

3.1.4. Surveillance

Actions réalisées manuellement ou automatiquement, destinées à observer l'état d'un bien ou

d'un service et à détecter l’apparition d’une éventuelle défaillance. Les informations nécessaires
à ces actions peuvent provenir de grandeurs physiques directement prélevées sur le système ou
reconstituées à partir de mesures indirectes.

Page 6
Chapitre I : Généralités sur le pronostic du RUL des roulements par analyse vibratoire

La surveillance consiste en la mise en œuvre de techniques reposant sur l'analyse des variations
de paramètres ou de grandeurs de fonctionnement de l'entité, visant à évaluer son état de
dégradation, pour décider de la nécessité d'une inspection ou d'une réparation préventive afin
d'éviter sa défaillance. Si la surveillance permet de détecter une défaillance, le diagnostic
consiste d'une part à observer les effets de la défaillance et, d'autre part, à identifier si possible
les causes et l’importance de cette défaillance. Un examen strict des définitions de la
surveillance et du diagnostic montre que ce sont des outils de la maintenance qui visent à
améliorer la sûreté de fonctionnement d'une entité à laquelle ils sont appliqués [10].

3.1.5. Détection

Pour détecter les défaillances du système, il faut être capable de classer les situations
observables comme étant normales ou anormales.

Cette classification n'est pas triviale, étant donné le manque d'information qui caractérise
généralement les situations anormales. Une simplification communément adoptée consiste à
considérer comme anormale toute situation qui n'est pas normale [11].

3.2. Diagnostic

De nombreuses définitions sont proposées pour le terme de diagnostic, celle du dictionnaire

Robert est rigoureusement étymologique : « action de déterminer une maladie d’après ses
symptômes ». L’origine de ce mot provient de deux mots grecs, « dia » qui signifie « par » et
« gnossie » qui signifie « connaissance ».

3.2.1. Les étapes du diagnostic

i. Acquisition des données

L’acquisition des données est la phase la plus importante dans une opération de diagnostic et
c’est la base de tous les étapes qui la suive, un recueillement de données est effectué sur le
système surveillé à l’aide des capteurs approprié à la grandeur mesurée, le système surveillé et
son environnement.

ii. Elaboration d’indicateurs de défauts

A partir des données acquis sur le système, des indicateurs sont établi pour mettre en évidence

L’état du système et s’il présente un défaut ou pas et si un dysfonctionnement et en perspectif

dès qu’un symptôme se manifeste.

Page 7
Chapitre I : Généralités sur le pronostic du RUL des roulements par analyse vibratoire

iii. La détection

Cette étape révèle si le système se trouve en état de marche normale.

iv. La localisation

Le but est de localiser ou déterminer l’élément ou le sous ensemble défaillant à partir de mesures
traitées (sans bruits) prise sur le système. Ces mesures traitées doivent caractériser de manière
unique chaque défaut. À titre d’exemple chaque défaut dans une machine tournante se manifeste
à des fréquences vibratoires déférentes des autres.

v. Prise de décision

Une décision est prise sur la démarche à suivre pour corriger le défaut Selon la nature et la
localisation du défaut ; la décision à prendre peut-être :

 Arrêt immédiat si le défaut présente un danger sur la sécurité du personnel et du

matériel ;
 Maintenance palliative pour que le système puisse terminer une certaine tache ;
 Maintenance curative si le défaut affecte le produit.

4. Le pronostic
4.1. Définition

Selon l'Organisation Internationale de Normalisation [7], le pronostic des défaillances

correspond à « l’estimation du temps restant pour une défaillance et du risque pour un ou
plusieurs actuels et futurs modes de défaillance ». Il est l'art ou l'acte de prédire les conditions
futures sur la base des signes et symptômes présents. La mise en œuvre du système de pronostic
se traduit par un programme d'entretien optimal. En fait, le pronostic des roulements consiste à
anticiper la date d’une défaillance et ceci en prédisant l’état de santé future et la durée de vie
d’un roulement et sa durée de vie résiduelle [8]. La plupart des recherches liées à la maintenance
conditionnelle sont principalement axées sur le diagnostic des défaillances. Le pronostic est un
nouveau domaine de recherche et il y a un large champ d'application pour développer des
méthodes, des outils et des applications pour un système pronostique efficace. Bref, on peut
dire que le PHM (Pronostic and Health Management) est une discipline de science de
l’ingénieur focalisée sur la détection, la prédiction et le management de l’état de santé des
systèmes complexes. Cette discipline est transversale aux domaines de l’instrumentation, du
traitement de données et des signaux, de la surveillance des systèmes jusqu’au développement

Page 8
Chapitre I : Généralités sur le pronostic du RUL des roulements par analyse vibratoire

d’un processus d’aide à la décision. L’objectif de cette discipline est d’optimiser le compromis
de disponibilité d’un système tout en assurant la sécurité des biens et des personnes par une
utilisation de la maintenance industrielle de manière adéquate.

Bien que le pronostic des défaillances est un nouveau domaine de recherche, mais pas un
concept nouveau, il a été abordée dans un grand nombre de publications sur plusieurs années.

4.2. Classification des modèles en pronostic

Chaque type de modèle a des forces et des faiblesses, basées sur des hypothèses sous-jacentes,
des exigences de données ou de complexité, qui les rendent mieux adaptés à certaines
applications qu'à d'autres. Par conséquent, non seulement les détails techniques du système
physique et la manière dont les variables de modèle reflètent ce système doivent être compris
[12, 13] mais aussi la capacité des programmes de modélisation du pronostic de réussir une
appréciation de l'environnement des affaires doit être évaluée.

4.2.1. Modèles basés sur la connaissance

Ce type de modèle évalue la similitude entre une situation observée et une banque de données
de défaillances préalablement définies et déduisent l'espérance de vie des événements
précédents.

4.2.2. Les systèmes experts

Un système expert est un logiciel (ou ensemble de programmes) qui simule la performance
d'experts humains dans un domaine particulier. Il se compose généralement d'une base de
connaissances contenant l'expérience accumulée par des experts en la matière et une base de
règles pour appliquer cette connaissance à des problèmes particuliers connus du système
logiciel. Les règles sont formulées comme des énoncés Si-Alors précis ; ceux-ci sont souvent
basés sur des faits heuristiques acquis par un ou plusieurs experts sur un certain nombre
d'années. Pour être utile, une base de connaissances doit être aussi complète et exacte que
possible [14].

4.2.3. Les systèmes flous

Un système flou est constitué d'une base de connaissances, d'une base de règles floues et
d'algorithmes pour appliquer la logique floue. Les données sont reçues de diverses sources et
après prétraitement, converties en représentations floues qui peuvent être comparées aux
ensembles de règles floues. Seules quelques règles sont normalement requises, car une règle

Page 9
Chapitre I : Généralités sur le pronostic du RUL des roulements par analyse vibratoire

floue peut remplacer un certain nombre de règles conventionnelles [15] par le nombre final
généralement lié au nombre de combinaisons possibles d'entrée / sortie.

Ce processus implique l'utilisation de fonctions d'appartenance pour définir comment les

données d'entrée sont mappées à des variables floues particulières. Une fois le traitement
effectué par la logique floue, les données résultantes doivent être « désamorcées » en sorties
numériquement précises. Ce processus est largement utilisé dans les applications de contrôle
où l'entrée du modèle est l'état actuel du dispositif physique et la sortie est ensuite renvoyée au
contrôleur de l'appareil (par exemple actionneur) pour ajuster le comportement en conséquence.

4.2.4. Les modèles d’espérance de vie

Ce type de modèles détermine la durée de vie des composants de la machine par rapport au
risque attendu au niveau de la détérioration des conditions de fonctionnement connues. Parmi
ces modèles, on distingue les modèles stochastiques et les modèles statiques.

4.2.5. Les modèles stochastiques

Les modèles stochastiques fournissent des informations relatives à la fiabilité, telles que le
temps moyen de défaillance en tant que probabilité d'échec par rapport au temps. Ils reposent
sur l'hypothèse que les temps de défaillance de composants identiques peuvent être considérés
comme des variables aléatoires statistiquement identiques et indépendantes et donc être décrits
par une fonction de densité de probabilité. Dans les populations où les défaillances sont
relativement clairsemées, les estimations de fiabilité peuvent être excessivement pessimistes.
L'exactitude des estimations de la durée de vie restante peut être améliorée en incluant des
données censurées (périodes où la défaillance n'a pas eu lieu) dans l'analyse [16, 17], bien que
dans les petits ensembles de données, où les censures se produisent tôt dans la vie, cela peut
introduire d'autres erreurs. Dans l'application la plus simple, la durée de vie utile restante est
égale au temps restant avant qu'un nombre critique de défaillances soit attendu.

4.2.6. Les modèles statistiques

Les modèles statistiques estiment l'amorçage et la progression des dégâts sur la base de résultats
d’inspections antérieures sur des machines similaires. La prévision de la détérioration future est
souvent effectuée en comparant ces résultats avec des modèles représentant un « bon »
comportement. Ils sont souvent utilisés comme une alternative aux réseaux de neurones
artificiels lorsqu'un modèle dynamique approprié du processus physique n'est pas disponible.
Ils utilisent généralement des données temporelles telles que des sorties de surveillance de

Page 10
Chapitre I : Généralités sur le pronostic du RUL des roulements par analyse vibratoire

condition ou de processus et sont donc souvent classés comme des modèles choisit on foncion
de la qualité et la taille de données.

4.2.7. Les réseaux de neurones artificiels

Les réseaux neuronaux artificiels calculent directement ou indirectement une production

estimée pour la durée de vie utile d'un composant / machine à partir d'une représentation
mathématique du système dérivé des données d'observation plutôt que d'une compréhension
physique des processus de défaillance. Ils sont très efficaces pour modéliser des systèmes non
linéaires complexes et peuvent généraliser et adapter des solutions à partir d'un échantillons de
données limité. Un certain nombre de types différents de données peuvent être utilisés comme
entrées de réseau, y compris les variables de processus, les indicateurs de surveillance d'état,
les caractéristiques d'actifs (par exemple l'âge, les heures de fonctionnement) et les
caractéristiques d'historique de maintenance (par exemple le temps écoulé depuis la dernière
révision). Les sorties dépendent du but du processus de modélisation, tel que l'action de
maintenance souhaitée ou la durée de vie utile restante.

5. Neuro-flou
5.1. Principe et définition

Les systèmes Neuro-Flous permettent de combiner les avantages de deux techniques

complémentaires. Les systèmes flous fournissent une bonne représentation des connaissances.
L’intégration de réseaux de neurones au sein de ces systèmes améliore leurs performances grâce
à la capacité d’apprentissage de réseaux de neurones. Inversement, l’injection des règles floues
dans les réseaux de neurones, souvent critiques pour leur manque de lisibilité, clarifie la
signification des paramètres du réseau et facilite leur initialisation, ce qui représente un gain de
temps de calcule considérable pour leur identification. De nombreux types de systèmes Neuro-
flous ont étés définit et développée ces dernières années, loin d’être uniformiser, et parfois
équivoque et confuse.

Le système neuro-flous est un système multicouche qui comprend les éléments de base et les
fonctions traditionnelles des systèmes de commande avec la logique floue. Grâces à leurs
capacités d'étude intrinsèque, la puissance de calcul numérique, la tolérance aux pannes et la
bonne adaptabilité, ces systèmes ont été appliqués avec succès aux différentes applications [18].

Page 11
Chapitre I : Généralités sur le pronostic du RUL des roulements par analyse vibratoire

Figure 1.1: Principe neuro-flou [19]

5.2. Les différentes combinaisons neuro-flou

Diverses associations de ces deux méthodes (réseaux de neurones, logique floue) ont été
développées depuis 1988 à nos jours et sont le plus souvent orientées vers la commande de
systèmes complexes et les problèmes de classification. Il existe quatre grandes catégories de
combinaisons des réseaux de neurones avec la logique floue : réseau flou neuronal, système
neuronal/flou simultanément, modèles neuro-flous coopératifs et modèles neuro-flous hybrides.
Ces techniques floues sont utilisées pour augmenter les possibilités d'apprentissage ou
l’exécution d'un réseau neuronal [20].

5.3. Système neuronal/flou simultanément

Le réseau de neurone et le système flou fonctionnent ensemble sur la même tâche, mais sans
influencer, c’est-à-dire ni l’un ni l’autre n’est employé pour déterminer les paramètres de
l’autre. Habituellement le réseau neuronal traite les entrées ou les sorties du système flou [21].

5.4. Modèles neuro-flou coopératifs

Le réseau de neurone est employé pour déterminer les paramètres (les règles et les ensembles
flous) d’un système flou. Après la phase d’apprentissage, le système flou fonctionne sans le
réseau de neurone. C’est une forme simple du système neuro-flou [21].

5.5. Les réseaux de neurone flou -le Model ANFIS

5.5.1. Structure de la méthode ANFIS

ANFIS est un système d'inférence adaptatif neuro-flou qui consiste à utiliser un réseau neurone
de type MLP à cinq couches pour lequel chaque couche correspond à la réalisation d’une étape
d’un système d’inférence floue de type Takagi Sugeno. Pour la simplicité, nous supposons que
le système d’inférence flou a deux entrées x et y, et a comme une sortie f. on suppose que la
base de règle contient deux règles floues de type Takagi-Sugeno [22].

Page 12
Chapitre I : Généralités sur le pronostic du RUL des roulements par analyse vibratoire

 Règle1 : SI x est A1 et y est B1Alors f1= p1 x+q1 y+r1

 Règle2 : SI x est A2 et y est B2Alors f2= p2 x+q2 y+r2

Le réseau de neurones-flous modèle ANFIS se compose de cinq (05) couches comme il est
représenté dans la figure 1.2 où chaque couche a son propre rôle comme se suit :

Figure 1.2: structure générale de modèle ANFIS

 Couche 1 : Fuzzification

Cette couche permet de convertir les variables d’entrées dans l’espace flou à l’aide des fonctions
d’appartenance.

𝑂𝑖1 = 𝑢𝐴𝑖 (𝑥) 𝑖 = 1,2 (I. 1)

𝑂𝑖1 = 𝑢𝐵𝑖−2 (𝑌) 𝑖 = 3,4 (I. 2)

Où μAi(X) et μBi−2(Y) sont les degrés d’appartenance du ième terme de la partition floue des
variables d’entrée. Différents types de fonctions d’appartenance peuvent être utilisés : triangle,
trapèze ou gaussienne par exemple. Les paramètres définissant ces fonctions sont appelés
prémisses.

 Couche 2 : Pondération des règles floues

Chaque neurone est associé à une règle floue et permet de définir le poids de cette règle à l’aide
d’une t-norme. La t-norme la plus employée est le produit :

𝑂𝑖2 = 𝑢𝐴𝑖 (𝑋)𝑢𝐵𝑖−2 (𝑌) (𝐼. 3)

Page 13
Chapitre I : Généralités sur le pronostic du RUL des roulements par analyse vibratoire

 Couche 3 : Normalisation

Cette couche a pour but de normaliser les différents poids.

𝑤𝑖
𝑂𝑖3 = = ̅̅̅
𝑤𝑖 𝑖 = 1,2 (I. 4)
𝑤1 + 𝑤2

 Couche 4 : Défuzzification

Cette couche donne une sortie définie par une fonction du premier ordre des entrées pondérées
(approche de Takagi-Sugeno).

𝑂𝑖4 = ̅̅̅𝑓
𝑤𝑖 𝑖 𝑎𝑣𝑒𝑐 𝑓𝑖 = 𝑎𝑖 𝑋 + 𝑏𝑖 𝑌 + 𝑐𝑖 𝑖 = 1,2 (I. 5)

La fonction fi peut aussi être constante. Dans ce cas, tous les ai = bi = 0. Les paramètres ai, bi
et ci des fonctions fi sont appelés paramètres conséquents.

 Couche 5 : Calcul de la sortie

La sortie est définie par la somme des sorties de la couche précédente :

2
𝑂𝑖5 = ∑ 𝑤𝑖 𝑓𝑖 (𝐼. 6)
̅̅̅
𝑖=1

5.5.2. Apprentissage de l’ANFIS

L’apprentissage est effectué par le biais de l’algorithme de rétro propagation, afin de déterminer
les paramètres des prémisses (ajustement des paramètres liés aux fonctions d’appartenance) et
l’estimation des paramètres conséquents par la méthode des moindres carrés. Ce qui a pour
appellation "apprentissage hybride". L’entraînement du réseau ANFIS est donc effectué par un
algorithme à deux temps où on estime d’abord les paramètres des conséquents par une technique
de moindres carrés et ensuite les poids du réseau par une descente de gradient. Chaque époque
d’entraînement comprend une phase avant et une phase arrière. Durant la phase avant, les
patrons d’entrée servent à déterminer les sorties des neurones couche par couche, permettant de
déterminer les valeurs des paramètres de conséquents en bout de compte. Durant la phase
arrière, l’algorithme de rétro propagation d’erreur est appliqué pour régler les poids des
différentes couches. Lors de la passe arrière, l’algorithme de rétro propagation d’erreur est
appliqué pour mettre à jour les poids des antécédents des règles. Dans l’algorithme ANFIS de
Jang, on optimise aussi bien les paramètres de antécédents que ceux des conséquents. Durant
la phase avant, les paramètres des conséquents sont adaptés alors que les paramètres des
antécédents sont maintenus constants ; durant la phase arrière, les rôles sont échangés [23].

Page 14
Chapitre I : Généralités sur le pronostic du RUL des roulements par analyse vibratoire

5.5.3. Les avantages de l’ANFIS

Les avantages de cette technique stratégique sont [24] :

 Exploitation de la connaissance disponible, grâce à la base de règles ;

 Réduction de la taille de la base de règles : il suffit d'avoir des règles générales, les
détails seront fournis par le RNA ;
 Réduction de la complexité de l'apprentissage : le RNA doit simplement apprendre les
cas particuliers ou les exceptions, pas le problème complet ;
 Efficacité immédiate dès le début de l'apprentissage et possibilité d'éviter des
comportements initiaux erratiques.

6. Analyse vibratoire
6.1. Surveillance par analyse vibratoire

Un système mécanique est dit en vibration lorsqu'il est animé d'un mouvement de va-et-vient
autour d'une position moyenne, dite position d'équilibre [25]. Les vibrations fournissent des
paramètres fondamentaux permettant la détection précoce des causes de défaillance et donc la
définition de l’organe défectueux, sans démontage de la machine. Par conséquent, la correction
éventuelle et la programmation des opérations de maintenance seront limitées aux seuls
maillons et organes défaillants. Toutes les machines vibrent et au fur et à mesure que l’état de
la machine se détériore (balourd, usure de roulements, usure d’engrenages, défaut d’alignement,
défaut de graissage, desserrage, jeu, fissures, etc.), la signature vibratoire change. C’est la
première manifestation physique d’une anomalie, cause potentielle de dégradation et de panne.

La surveillance des machines ne se limite pas à détecter la présence d’un défaut, mais il est
aussi possible de réaliser un diagnostic approfondi pour le localiser précisément et quantifier sa
sévérité. L’analyse vibratoire est une technique qui permet de réaliser ce diagnostic [26]. Pour
plus de précision, le diagnostic par analyse vibratoire nécessite d‘étudier:

 Les valeurs du niveau global des vibrations et les indicateurs temporels ;

 Les contenus fréquentiels des signaux à l‘aide outils sophistiqués du traitement de
signal.

6.2. Méthodes d’analyse vibratoire

Il existe différents outils d‘analyse vibratoire permettant de détecter et de diagnostiquer

l‘apparition des défauts. Elles sont généralement classées en deux grandes familles :

Page 15
Chapitre I : Généralités sur le pronostic du RUL des roulements par analyse vibratoire

6.2.1. Méthodes temporelles

Les méthodes temporelles sont basées sur l‘analyse statistique du signal vibratoire recueilli. Il
existe plusieurs indicateurs temporels pour tirer le maximum d’information sur le signal
vibratoire. Le tableau 1.1 suivant représente plusieurs indicateurs temporels.

Table 1.1: indicateur temporelle et leurs formules mathématique

L’indicateur temporel La formule mathématique

1 𝑛
La moyenne ’Mean’ 𝑀𝑒𝑎𝑛 = 𝑋̅ = ∑ |𝑥𝑛 |
𝑁𝑒 1
1
L’écart type ’ Std’ σ=√ ∑𝑛1(𝑥𝑛 − 𝑥̅ )²
𝑁𝑒

𝑋𝑛 − 𝜇 3
Asymétrie ’skewness’ ɣ1 = 𝐸 [ ]
𝜎
1 𝑛
𝑀4 ∑ (𝑥 − 𝑥̅ )4
𝑁𝑒 1 𝑒
Kurtosis 𝑘𝑢𝑟𝑡𝑜𝑠𝑖𝑠 = 2 = 4
𝑀2 1
[ ∑𝑛1(𝑥𝑒 − 𝑥̅ )²]
𝑁𝑒
Peak2Peak P2P =max(𝑥𝑒 ) − min(𝑥𝑒 )

1 𝑛
Valeur efficace’RMS’ 𝑣𝑒𝑓𝑓 = 𝑅𝑀𝑆 = √ ∑ [𝑥𝑛 ]²
𝑁𝑒 1

𝑀𝑎𝑥(𝑥𝑒 )
Facteur crête ’CrestFactor’ 𝐹𝑐 =
𝑅𝑀𝑆
Facteur forme 𝑅𝑀𝑆
𝑆𝑓 =
‘shapeFactor’ 𝑀𝑒𝑎𝑛
Facteur impulsionnelle max(𝑥𝑒 )
𝐼𝑓 =
‘ImpulseFactor’ 𝑀𝑒𝑎𝑛
Facteur de marge 𝑀𝑎𝑥(𝑥𝑒 )
𝑀𝑓 =
‘MarginFactor’ (𝑀𝑒𝑎𝑛)²
𝑛
L’énergie ‘Energy’ 𝐸 = ∑ 𝑥𝑒 ²
1
SKMean SKMean = Mean ( 𝑆𝐾𝑒 )
SKStd SKStd = Std (𝑆𝐾𝑒 )
SKSkewness SKSkeawness = skewness (𝑆𝐾𝑒 )
SKKurtosis SKKurtosis = Kurtosis (𝑆𝐾𝑒 )

6.2.2. Méthode fréquentielle :

Elle englobe les indicateurs spectraux qui sont associés à un signal de représentation spectrale
(spectre, zoom, cepstre, spectre de fonction de modulation, fonction de transfert…).

Page 16
Chapitre I : Généralités sur le pronostic du RUL des roulements par analyse vibratoire

i. Analyse fréquentielle

Toute anomalie affectant une machine tournante se traduit par des vibrations dont les
fréquences correspondent aux fréquences d’apparition des forces les induisant et de leurs
harmoniques. C’est pourquoi, pour le diagnostic, il est intéressant de décomposer le signal
vibratoire mesuré en ses sinusoïdes élémentaires dont les amplitudes et les fréquences peuvent
être lues. L’avantage de l’analyse dans ce domaine par rapport au domaine temporel, est son
aptitude d’identification et d’isolation facile de certains composants fréquentiels d’intérêt.

Ainsi cette analyse de spectre permet de mettre en évidence les différentes périodicités dans le
signal original. Pour obtenir le spectre X(f) de x(t), on applique la fonction mathématique [27]
de la transformée de Fourier :
+∞
𝑋(𝑓) = 𝑇𝐹 [𝑥(𝑡)] = ∫ 𝑥(𝑡) ∗ 𝑒 −𝑖2𝜋𝑓𝑡 𝑑𝑡 (𝐼. 7)
−∞

On prend l’exemple la figure 1.3, un signal sinusoïdal périodique simple et stationnaire avec
une fréquence de 120 Hz. L’analyse spectrale permet d’extraire la fréquence fondamentale qui
existe dans ce signal [28].

Figure 1.3: Fréquence fondamentale d’un simple sinus

La transformée de Fourier ne peut analyser que des signaux périodiques et avec un temps
d’exécution relativement long, un algorithme performant « transformé de Fourier rapide FFT »
a été développer pour dépasser ces contraintes.

ii. Analyse d’enveloppe

La méthode de démodulation ou de l’analyse d’enveloppe permet un diagnostic fiable. Cette

technique est très utilisée pour la détection des défauts de roulement qui se manifestant dans les
hautes fréquences. Ces défauts, de faible énergie, peuvent s’apparenter à de petits chocs qui
excitent la structure de la machine [29].

L’analyse par la détection d’enveloppe d’un signal est considérée comme un outil efficace pour
la recherche des informations fréquentielles contenues dans un signal périodique complexe

Page 17
Chapitre I : Généralités sur le pronostic du RUL des roulements par analyse vibratoire

issue de la surveillance des machines tournantes. Ainsi, un défaut localisé dans un roulement
se traduit par la présence d’une impulsion périodique dans le signal temporel pouvant servir
pour le diagnostic. La transformée de Hilbert permet de calculer l’enveloppe d’un signal s(t)
qui est définie par la formule suivante :

1 +∞ 𝑠(𝑡)
𝐻[𝑠(𝑡)] = ∫ 𝑑𝜏 = 𝑠̅ (𝑡) (𝐼. 8)
𝜋 −∞ 𝑡 − 𝜏

Où 𝑠̅ (𝑡) est la partie imaginaire du signal analytique défini par :

𝑧(𝑡) = 𝑠(𝑡) + 𝑗𝑠̅ (𝑡) = |𝑠(𝑡)|𝑒 𝑗𝜃(𝑡) (𝐼. 9)

𝑠̅(𝑡)
Avec : 𝜃(𝑡) = 𝑎𝑟𝑐𝑡𝑔 [ ] (𝐼. 10)
𝑠(𝑡)

La technique de détection d’enveloppe se décompose en trois étapes. Dans la première étape,

on réalise le filtrage passe-bande du signal s(t) autour d’une fréquence particulière (en général
la fréquence de résonance) ; Ensuite, on calcule le carré du signal et finalement on réalise un
filtrage du signal obtenu pour avoir l’enveloppe du signal.

iii. Analyse cepstrale

C’est une méthode d’analyse qui a été développée pour le traitement de signal et qui a montré
ses avantages par rapport à la transformée de Fourier rapide (FFT) dans certains cas. Le cepstre
a la capacité de détection des harmoniques et des bandes latérales.

Le cepstre se définit comme la transformée de Fourier inverse du logarithme décimal de la

transformée de Fourier :

𝐶[𝑥(𝑡)] = 𝐹 −1 [𝑙𝑜𝑔10 𝑥(𝑡)] (𝐼. 11)

Le cepstre peut être utilisé avec succès pour la surveillance de l’apparition et de l’évolution
d’un certain nombre de défauts induisant :

 Des chocs périodiques (desserrages, jeux, écaillages de roulements, défauts de

dentures…) ;
 Une modulation en amplitude ou en fréquence de composantes cinématiques (fréquence
de rotation, d’engrènement, d’accouplement, de passage d’ailettes, d’encoches…)
traduisant l’existence d’excentricité ou de fluctuation périodiques de couple ou de
vitesse de rotation Instantanée (jeux d’accouplement, usure de clavette, écaillage de
denture, rupture de barres de cage de moteur…).

Page 18
Chapitre I : Généralités sur le pronostic du RUL des roulements par analyse vibratoire

7. Les roulements et leurs défauts

7.1. Définition

Un roulement est un élément mécanique de transmissions de mouvement qui s‘interpose entre

deux parties d‘une machine dont l‘une est tournante et l‘autre est fixe. Le roulement a été utilisé
depuis longtemps, mais sous une forme simpliste. Le premier à avoir établi un dessin pour le
roulement à billes est « Léonard De Vinci » (XVème siècle) qui fut ainsi considéré comme
l‘inventeur du roulement moderne. Aujourd‘hui, les roulements prennent des formes plus
développées et plus variées et leur utilisation au sein des machines tournantes devient une
nécessité absolue. Ceci explique bien l‘intérêt actuel qu‘on leur accorde, il peut aussi supporter
des charges radiales ou axiales plus ou moins importantes.

7.2. Constitution des roulements

Le roulement est composé des éléments suivants :

 Deux bagues concentriques, une bague intérieure et une bague extérieure, comportant
des chemins de roulement ;
 Des corps roulants, billes, rouleaux ou aiguilles, permettant la rotation des deux bagues
avec un frottement minimal ;
 Une cage séparant et guidant les éléments roulants.

Figure 1.4: constituants d’un roulement

Page 19
Chapitre I : Généralités sur le pronostic du RUL des roulements par analyse vibratoire

7.3. Défauts de roulement et leurs manifestations

Les roulements défectueux génèrent des vibrations de fréquences égales aux vitesses de rotation
de chaque pièce du roulement. Ils correspondent notamment à la rotation des billes, des
rouleaux ou de la cage et au passage des billes sur les bagues. La figure 1.5 illustre les
caractéristiques d’un roulement, on peut considérer les fréquences caractéristiques données par
les équations ci-dessus.

𝑑𝑏

𝑑𝑚

Figure 1.5: les paramètres de calculs des défauts de roulements

N : le nombre d’éléments roulants (billes, rouleaux ou aiguilles).

𝑑𝑚 : Le diamètre primitif.

𝑑𝑏 : Le diamètre des éléments roulants.

Α : angle de contact.

𝑓𝑖𝑛𝑡 : Fréquence de rotation de la bague intérieure

𝑓𝑒𝑥𝑡 : Fréquence de rotation de la bague extérieure.

7.3.1. Défaut sur la bague intérieure

Sa fréquence caractéristique est donnée dans l’équation. Cette fréquence est modulée par sa
fréquence de rotation de l’arbre (bandes latérales autour de la raie de défaut).

Page 20
Chapitre I : Généralités sur le pronostic du RUL des roulements par analyse vibratoire

𝑛 ∗ 𝑓𝑟 𝑑𝑏
𝐹𝑑𝑏.𝑖𝑛𝑡 = [(1 + ( cos(𝛼))] (𝐼. 12)
2 𝑑𝑚

7.3.2. Défaut sur la bague extérieure

Sa fréquence caractéristique est donnée dans l’équation. Bien que la charge appliquée sur la
bague externe soit constante, on peut remarquer une modulation d’amplitude à la fréquence de
rotation de l’arbre autour de la fréquence de défaut.

𝑛 ∗ 𝑓𝑟 𝑑𝑏
𝐹𝑑𝑏.𝑒𝑥𝑡 = [1 − ( cos(𝛼))] (𝐼. 13)
2 𝑑𝑚

7.3.3. Défaut sur la cage

La fréquence de passage d’un défaut de cage est donnée par l’équation (I.18) : Ce défaut se
manifeste par la présence de raies à la fréquence 𝐹𝑑𝑐𝑎𝑔𝑒 et ses harmoniques

𝑓𝑟 𝑑𝑏
𝐹𝑑𝑐𝑎𝑔𝑒 = [1 − ( cos(𝛼))] (𝐼. 14)
2 𝑑𝑚

7.3.4. Défaut sur l’élément roulant

La fréquence de passage d’un défaut de bille (ou de rouleau), sur la bague externe ou sur la
bague intérieure, est donnée par l’équation
2
𝑑𝑚 ∗ 𝑓𝑟 𝑑𝑏
𝐹𝑑𝑒𝑟 = [1 − ( cos(𝛼)) ] (𝐼. 15)
2 ∗ 𝑑𝑏 𝑑𝑚

8. Conclusion
Ce chapitre représente des généralités sur la maintenance et la surveillance des systèmes
industrielle, le pronostic de la durée résiduelle et ces méthodes avec plus du détail sur la
méthode neuro-flou « ANFIS » qui sera utilisée dans le chapitre III.

L’analyse vibratoire des défauts de roulements est également abordée car elle est la base de
l’étude réalisé sur le banc d’essai présenté dans la chapitre prochain.

Page 21
Chapitre II
Banc d’essais
Chapitre II : Banc d’essais

1. Introduction
Les éoliennes sont parmi les moyennes largement utilisées pour produire de l’énergie
renouvelable en transformant l’énergie cinétique du vent à une énergie électrique à travers des
alternateurs. Cependant les éoliennes sont aussi connues par leurs maintenances difficiles en
raison des conditions météorologiques extrêmes et moyennes logistique lourds…

La principale cause des pannes d’une éolienne est la boite de vitesse et plus précisément les
roulements. Dans ce contexte, ce chapitre représente un banc d’essai d’un roulement de boite
de vitesse d’une éolienne sous surveillance vibratoire et exploité dans des conditions
météorologiques réelle.

2. Description d’une éolienne

Une éolienne est constituée par une tour au sommet de laquelle se trouve la nacelle. Etant donné
que la vitesse du vent augmente lorsqu’on s’éloigne du sol, une tour peut mesurer entre 50 et
80 mètre de haut, ce qui correspond à la hauteur de 80 mètre de haut, équivalente à la hauteur
d’un immeuble de 30 étages. La tour a la forme d’un tronc en cône ou, à l’intérieure, sont
disposés les câbles de transport de l’énergie électrique, les éléments de contrôle, les
appareillages de connexion au réseau de distribution ainsi que l’échèle d’accès à la nacelle [30].

La nacelle regroupe tout le système de transformation de l’énergie éolienne en énergie

électrique et divers actionneurs de commande. Tous les éléments sont représentés sur la figure
2.1.

Figure 2.1: éléments de l'éolienne

Page 22
Chapitre II : Banc d’essais

3. Caractéristique de l’éolienne étudiée

Le tableau 2.1 représente les caractéristiques de l’éolienne sous surveillance cité dans [31] ainsi
que son système de surveillance

Table 2.1: caractéristiques de l'éolienne et de son système de surveillance

La hauteur de la nacelle 125 mètre

Puissance nominale 2 MW

Nombre d’engrenages de la boite de vitesse 20

Vitesse nominale de l’arbre 1800 tours/mn

Capteur de vibration Accéléromètre

L’emplacement du capteur Radial

L’unité ‘g’

Temps de mesure 6 seconds

Fréquence d’échantillonnage 97 656 Hz

La durée de surveillance (jusqu’à la panne) 50 jours

4. Défauts du roulement et ces manifestations

Selon [31], les fréquences de manifestation sont représentées dans le tableau 2.2.

Table 2.2: fréquences de manifestation des défauts du roulement

La partie du Méthode de calcul de la Vitesse de Fréquence de

roulement fréquence du défaut l’arbre manifestation du défaut

Bague intérieure 9.47 x vitesse de l’arbre 30 tours/s 284 Hz

Bague extérieure 6.72 x vitesse de l’arbre 30 tours/s 201.6 Hz

Les billes 2.87 x vitesse de l’arbre 30 tours/s 86 Hz

La cage 0.42 x vitesse de l’arbre 30 tours/s 12.6 Hz

Page 23
Chapitre II : Banc d’essais

5. Variation de la fréquence de manifestation des défauts

La fréquence de manifestation des défauts de roulement est en relation direct avec la vitesse de
rotation de l’arbre de transmission [voir le tableau 2.3]. De ce fait, chaque changement de la
vitesse de rotation de l’arbre affecte la fréquence du défaut. L’exemple suivant montre
l’affectation de la vitesse (figure 2.2) sur la fréquence du défaut (tableau 2.3).

Figure 2.2: variation de rotation de l’arbre sur 6 secondes [31]

Les résultats de cette variation de la vitesse de rotation de l’arbre sur les fréquences de
manifestation des défauts sont présentés dans le tableau 2.3.

Table 2.3: variation de la fréquence de manifestation des défauts

Vitesse de rotation Vitesse de rotation

minimum 30.9 tours/s minimum 32.07 tours/s
Bague intérieure 29.3 Hz 302.8 Hz
Bague extérieure 207.7 Hz 215.1 Hz
billes 88.69 Hz 91.88 Hz
cage 12.98 Hz 13.44 Hz

6. Localisation visuelle du défaut

Après 50 jours de surveillance, le niveau des vibrations au niveau de la boite de vitesse est
devenu très élevé et l’éolienne s’arrête. Après le démontage de la boite de vitesse, il est constaté
du roulement est craqué au niveau de la bague intérieure.

Page 24
Chapitre II : Banc d’essais

7. La base de données
Les mesures vibratoires collectées durant les 50 jours de surveillance sont donc mise dans une
seule base donnée sous format Matlab.

8. Conclusion
Ce chapitre décrit les caractéristiques de l’éolienne et du roulement surveillé durant 50 jours,
aussi nous avons présentéles informations vibratoires collectées et qui seront exploitées dans le
chapitre III pour la prédiction de la durée de vie résiduelle du roulement.

Page 25
 Chapitre III
Pronostic du RUL par
ANFIS
Chapitre III : Pronostic du RUL par ANFIS

1. Introduction
L’anticipation des pannes est un enjeu important dans l’entreprise moderne afin d’éviter des
incidents indésirables, planifier d’avances les interventions de maintenance et optimiser le stock
des pièces de rechange.

Dans ce chapitre on présente une méthodologie pour prédire la durée de vie restante d’un
roulement « Remaining Useful Life RUL » d’une éolienne sous surveillance, en passant par le
traitement de signal, la construction d’indicateur d’état de dégradation, et enfin après la
prédiction par la méthode ANFIS.

2. Analyse fréquentielle
Une analyse fréquentielle par analyse d’enveloppe a été effectuée sur l’ensemble des signaux
collectés durant les 50 jours sachant qu’après une analyse visuelle le roulement, une cassure a
été constatée au niveau de la bague intérieure.

Les défauts du roulement : la bague intérieure, la bague extérieure, les billes et la cage se
manifestent respectivement sur les fréquences 284, 208, 86, et 12 Hz. Ces fréquences peuvent
varier autour de ces fréquences en raison de la vitesse de rotation qu’il n’ait pas fixe à 30
tours/mn.

Table 3.1: Fréquences de manifestation des défauts de roulement

La partie du roulement Fréquence de manifestation du défaut

Bague intérieure 284 Hz

Bague extérieure 208 Hz

Billes 86 Hz

Cage 12 Hz

2.1. Localisation du défaut

Le spectre d’enveloppe des signaux mesurés durant les 50 jours, a permis de détecter le défaut
de la bague intérieure. Cependant il est à mentionner que lorsque le roulement s’approche de la
fin de sa vie utile, le spectre devient trop bruité et la détection des pics de défauts devient
quasiment impossible. Aussi, on remarque que le défaut est présent seulement dans la bague

Page 26
Chapitre III : Pronostic du RUL par ANFIS

intérieure est ne touche pas d’autre partie du roulement. La figure 3.1 présente quelques
spectres d’enveloppe.

Day 1 Day 10

Day 20 Day 30

Day 50
Day 40

Figure 3.1: le spectre d’amplitude la bague intérieure du roulement

Page 27
Chapitre III : Pronostic du RUL par ANFIS

2.2. Evolution du spectre d’amplitude

La figure 3.2 présente l’évolution de l’amplitude de la fréquence de défaut de la bague intérieure

sur les 50 jours de surveillance.

Figure 3.2: l’évolution du spectre d’amplitude durant les 50 jours de surveillance

En raison des bruits qui accompagnent les signaux pris pendant les 50 jours de surveillance, il
existe des perturbations dans la variation de l’amplitude. à partir de ce constat on peut conclure
que dans le cas étudié l’analyse fréquentielle des signaux vibratoires est un outil performant
pour la détection et la localisation des défauts de roulement mais elle n’est pas assez
satisfaisante pour la prédiction du RUL.

3. Analyse temporelle
3.1. Le calcul des indicateurs temporels

Des calculs sont effectués pour quinze (15) indicateurs temporels différents sur les signaux
vibratoires collectés durant les cinquantaines (50) jours de surveillance, les résultats sont
représentés dans le tableau 3.2 :

Page 28
Chapitre III : Pronostic du RUL par ANFIS

Table 3.2: résultats des mesures vibratoires des indicateurs temporels

ImpulseFactor

MarginFactor
ShapeFactor

SKSkewness
CrestFactor
Peak2Peak

SKKurtosis
Skewness

SKMean
Kurtosis

Energy
Mean

SKStd
RMS
Day

Std
1 0,35 2,27 3,87E-03 3,00 21,62 2,30 4,91 1,25 6,16 3,36 3,09E+06 0,00 0,03 -0,23 3,36
2 0,30 2,17 3,44E-03 3,01 20,47 2,19 4,91 1,25 6,16 3,54 2,81E+06 0,00 0,02 -0,09 3,36
3 0,27 2,15 1,95E-03 3,01 20,80 2,16 5,01 1,25 6,29 3,65 2,75E+06 0,00 0,02 -0,22 3,90
4 0,26 2,11 1,83E-03 3,02 20,48 2,13 5,08 1,25 6,37 3,77 2,66E+06 0,00 0,03 0,20 4,96
5 0,25 2,10 1,67E-03 3,02 20,63 2,12 5,07 1,25 6,36 3,78 2,63E+06 0,01 0,03 0,18 4,74
6 0,26 2,10 -1,47E-05 3,02 20,53 2,11 5,02 1,25 6,30 3,75 2,62E+06 0,00 0,03 0,13 4,58
7 0,23 2,05 -8,98E-04 3,03 20,07 2,06 5,01 1,25 6,29 3,83 2,49E+06 0,01 0,03 -0,08 5,37
8 0,23 2,01 -1,03E-03 3,02 19,83 2,02 5,00 1,25 6,28 3,90 2,40E+06 0,00 0,03 -0,04 5,29
9 0,23 1,99 -5,99E-04 3,03 19,77 2,00 5,04 1,25 6,32 3,97 2,35E+06 0,01 0,03 -0,39 7,82
10 0,23 1,98 -1,17E-03 3,03 19,65 2,00 5,00 1,25 6,27 3,95 2,34E+06 0,01 0,03 -0,55 7,14
11 0,23 1,99 -1,57E-03 3,04 19,76 2,01 5,08 1,26 6,38 3,99 2,37E+06 0,00 0,03 -0,17 8,41
12 0,22 2,00 -2,29E-03 3,05 20,02 2,01 5,07 1,26 6,37 3,98 2,38E+06 0,01 0,04 0,39 10,74
13 0,22 2,03 -2,08E-03 3,08 20,89 2,04 5,23 1,26 6,57 4,05 2,45E+06 0,01 0,04 1,11 11,33
14 0,24 2,10 -2,84E-03 3,09 21,68 2,12 5,30 1,26 6,66 3,97 2,63E+06 0,01 0,05 1,06 12,03
15 0,24 2,13 -3,13E-03 3,10 22,41 2,15 5,40 1,26 6,79 3,99 2,70E+06 0,01 0,05 1,42 10,68
16 0,23 2,17 -2,46E-03 3,15 23,68 2,18 5,59 1,26 7,04 4,07 2,78E+06 0,01 0,06 1,77 11,86
17 0,23 2,18 -2,15E-03 3,19 24,22 2,19 5,60 1,26 7,06 4,06 2,82E+06 0,02 0,07 1,89 12,03
18 0,26 2,19 2,57E-04 3,19 24,60 2,21 5,70 1,26 7,19 4,11 2,86E+06 0,01 0,07 1,66 10,29
19 0,25 2,16 6,41E-04 3,17 23,56 2,17 5,52 1,26 6,95 4,03 2,78E+06 0,01 0,06 1,48 9,90
20 0,23 2,15 8,59E-04 3,17 23,74 2,17 5,53 1,26 6,97 4,05 2,76E+06 0,02 0,06 1,61 9,40
21 0,26 2,11 -3,59E-04 3,17 22,81 2,13 5,39 1,26 6,80 4,03 2,67E+06 0,02 0,06 2,20 9,78
22 0,27 2,12 -4,32E-04 3,14 22,04 2,14 5,22 1,26 6,57 3,88 2,69E+06 0,02 0,05 2,13 9,43
23 0,27 2,10 5,00E-04 3,10 21,47 2,12 5,25 1,26 6,60 3,93 2,64E+06 0,02 0,05 2,27 11,10
24 0,24 2,07 6,83E-04 3,11 21,13 2,08 5,26 1,26 6,62 4,01 2,55E+06 0,02 0,05 2,37 11,32
25 0,25 2,10 -1,17E-04 3,12 21,92 2,12 5,34 1,26 6,73 4,01 2,64E+06 0,02 0,05 2,40 11,43
26 0,24 2,05 4,17E-04 3,12 21,22 2,06 5,34 1,26 6,72 4,12 2,50E+06 0,02 0,05 2,60 12,31
27 0,22 2,08 3,33E-05 3,21 22,79 2,09 5,61 1,26 7,08 4,28 2,58E+06 0,03 0,08 2,65 12,53
28 0,21 2,10 -1,47E-04 3,25 23,38 2,11 5,68 1,26 7,17 4,31 2,62E+06 0,03 0,08 2,74 12,73
29 0,21 2,12 -1,01E-03 3,28 23,67 2,13 5,58 1,26 7,06 4,21 2,67E+06 0,03 0,09 2,78 13,00
30 0,22 2,16 1,13E-05 3,31 24,22 2,17 5,64 1,27 7,14 4,19 2,76E+06 0,03 0,10 2,40 13,92
31 0,22 2,20 4,55E-04 3,35 24,88 2,21 5,68 1,27 7,20 4,15 2,89E+06 0,04 0,11 2,59 14,36
32 0,22 2,24 -3,29E-04 3,44 26,08 2,25 5,86 1,27 7,44 4,23 2,97E+06 0,04 0,13 2,81 14,95
33 0,21 2,24 8,71E-04 3,44 25,88 2,25 5,81 1,27 7,38 4,18 2,98E+06 0,04 0,14 2,78 14,65
34 0,20 2,19 1,25E-03 3,41 25,29 2,20 5,79 1,27 7,35 4,26 2,85E+06 0,04 0,13 2,73 14,41
35 0,23 2,26 1,59E-03 3,52 27,03 2,27 6,03 1,27 7,68 4,33 3,04E+06 0,05 0,14 2,60 12,78
36 0,22 2,27 4,93E-04 3,61 28,55 2,28 6,32 1,28 8,06 4,52 3,08E+06 0,05 0,15 3,12 12,65
37 0,22 2,32 -3,33E-04 3,67 30,06 2,33 6,50 1,28 8,30 4,59 3,21E+06 0,05 0,16 3,16 12,72
38 0,23 2,39 1,15E-03 3,86 31,29 2,40 6,54 1,28 8,40 4,51 3,42E+06 0,06 0,19 3,07 12,25
39 0,23 2,42 1,38E-03 3,80 30,93 2,43 6,37 1,28 8,17 4,32 3,49E+06 0,06 0,17 3,04 12,36
40 0,25 2,43 -2,83E-04 3,92 31,70 2,44 6,52 1,29 8,39 4,44 3,52E+06 0,07 0,20 3,11 12,54
41 0,23 2,36 -9,39E-04 3,83 30,13 2,38 6,31 1,28 8,11 4,40 3,33E+06 0,07 0,18 3,06 12,30
42 0,23 2,37 -1,56E-03 3,98 30,56 2,38 6,33 1,29 8,16 4,43 3,34E+06 0,08 0,21 3,05 12,14
43 0,21 2,30 -6,52E-04 4,09 29,82 2,31 6,41 1,29 8,28 4,63 3,15E+06 0,08 0,23 3,10 12,71
44 0,20 2,26 -1,37E-03 4,03 29,44 2,27 6,44 1,29 8,30 4,72 3,01E+06 0,08 0,23 3,19 13,35
45 0,23 2,21 -2,37E-03 4,11 29,51 2,23 6,58 1,29 8,49 4,91 2,91E+06 0,08 0,24 3,13 12,55
46 0,21 2,28 -8,52E-04 4,13 30,22 2,29 6,54 1,29 8,46 4,78 3,08E+06 0,09 0,26 3,14 12,90
47 0,20 2,29 -7,55E-04 4,21 31,06 2,30 6,02 1,29 8,59 4,85 3,10E+06 0,10 0,28 3,17 13,25
48 0,20 2,30 -1,41E-03 4,06 29,96 2,31 5,74 1,29 8,21 4,60 3,15E+06 0,10 0,28 3,15 13,26
49 0,21 2,45 -2,29E-03 4,18 32,00 2,46 5,71 1,30 8,22 4,38 3,62E+06 0,11 0,28 3,07 12,51
50 0,23 2,57 2,29E-03 4,39 34,10 2,58 5,86 1,30 8,45 4,31 3,99E+06 0,12 0,32 3,12 12,84

Page 29
Chapitre III : Pronostic du RUL par ANFIS

3.1.1. Lissage des indicateurs temporels :

Après le calcul des indicateurs temporel nous avons remarqué des points très écartés par rapport
à leurs voisins proches, cela est dû au bruit existant lors de la prise des mesures vibratoires. Ce
phénomène pourra éventuellement affecter la tache de la prédiction de durée de vie du
roulement.

Pour y remédier on procède à un lissage des points par la méthode de la moyenne mobile d’une
fenêtre glissante de cinq (05) périodes selon l’équation suivante :

𝑥(𝑖 − 2) + 𝑥(𝑖 − 1) + 𝑥(𝑖) + 𝑥(𝑖 + 1) + 𝑥(𝑖 + 2)

𝑋̅(𝑖) = (𝐼𝐼𝐼. 1)
5

La figure 3.3 montre l’avantage du lissage à éliminer les perturbations de l'évolution des valeurs
des indicateurs. L’exemple de la figure 3.3 présente le SKmean et le kurtosis

Figure 3.3: le lissage de la courbe d'évolution des indicateurs SKmean et kurtosis

4. La sélection des indicateurs

Parmi les quinze (15) indicateurs temporels, il y a ceux qui évoluent avec le temps tandis que
d'autre non, L'objectif est de trouver les meilleurs indicateurs pour de prédiction de durée de
vie du roulement. Pour atteindre cet objectif on passe par les étapes suivantes :

4.1. La normalisation des indicateurs

Les indicateurs varient sur des échelles et des intervalles différents à titre d'exemple le SKmean
varie entre 0.0012 et 0.12 tandis de l'énergie se varie entre 2*E05 et 5*E05. La solution de ce
problème est la normalisation de ces indicateurs sur la mémé échèle, pour cela chaque valeur
(i) d'un indicateur (j) est divisé sur son maximum selon la formule suivante :

Page 30
Chapitre III : Pronostic du RUL par ANFIS

𝑥(𝑖.𝑗)
𝑋(𝑖, 𝑗) = (III.2)
max(𝑗)

Après cette opération les valeurs des indicateurs obtenus sont dans l'intervalle de 0 à 1 et dans
certain cas entre -1 et 1.

4.2. Analyse de la variance

Après la normalisation de tous les indicateurs temporels sur l’échèle de 1, une analyse de
variance par logiciel Design expert 10 sur l’ensemble des indicateurs pour la sélection des
meilleurs d’entre eux qui révèlent l’état de dégradation du roulement et donc son RUL.

Les résultats sont représentés dans le tableau 3.3, les indicateur choisis sont ceux qui ont la
valeur de (Prob>F) strictement inférieure à 0.05.

Table 3.3: Analyse ANOVA des indicateurs temporels

Sum of Mean p-value Contribution

Source df F Value
Squares Square Prob > F %
Model 10352,06 11 941,096 591,663 0,0000
Mean 11,59 1 11,591 7,287 0,0103 4,78
Skewness 6,41 1 6,406 4,027 0,0519 2,64
Kurtosis 10,64 1 10,645 6,692 0,0136 4,39
Peak2Peak 29,09 1 29,086 18,286 0,0001 12,00
CrestFactor 23,12 1 23,119 14,535 0,0005 9,54
ImpulseFactor 34,06 1 34,060 21,414 0,0000 14,05
MarginFactor 49,05 1 49,055 30,840 0,0000 20,24
SKMean 37,52 1 37,522 23,590 0,0000 15,48
SKStd 5,78 1 5,781 3,635 0,0642 2,39
SKSkewness 19,85 1 19,845 12,476 0,0011 8,19
SKKurtosis 15,28 1 15,282 9,607 0,0036 6,30
Residual 60,44 38 1,591
Cor Total 10412,50 49

Les facteurs sélectionnés par ANOVA sont représentés dans le graphe de la figure 3.4, il est
remarqué que indicateurs sélectionné évoluent clairement dans le temps.

Page 31
Chapitre III : Pronostic du RUL par ANFIS

1
la valeur normalisée des facteurs

0.8

Mean

0.6 Kurtosis
Peak2Peak
CrestFactor
0.4 ImpulseFactor
MarginFactor
SKMean
0.2
SKSkewness
SKKurtosis
SKStd
0
0 5 10 15 20 25 30 35 40 45 50

-0.2
la durrée d'exploitation (jours)

Figure 3.4: évolution des facteurs sélectionnés

Page 26
Chapitre III : Pronostic du RUL par ANFIS

5. La moyenne des indicateurs sélectionnée et le taux d’avarie

Pour construire un indicateur solide qui modélise l’état de dégradation du roulement et qui sera
la base du modèle de prédiction de durée de vie roulement. On procède à :

5.1. La moyenne des facteurs

La moyenne des indicateurs est calculée pour regrouper tous les indicateurs en un seul d’une
part, et d’amélioration des performances du système intelligent en termes de temps par la suite.

Le coefficient de corrélation R de la moyenne des indicateurs est de 0.97 ce qui signifie que
l’ensemble des points suit la même tendance. Le graphe de la figure 3.5 représente l’évolution
de la moyenne des indicateurs durant les 50 jours de surveillance.

Figure 3.5: l’évolution de la moyenne des indicateurs

5.2. Le taux d’avarie

Il est clair que la moyenne des indicateurs évolue dans le temps, ce qui lui permet d’être la base
d’un modèle probabiliste du phénomène de dégradation mécanique du roulement. Parmi les
modèles existant, il y a « la loi de Weibell » ou « hasard weibell low » qui permet de calculer
le taux d’avarie D(t) du roulement, un bon indicateur de la prédiction de la durée de vie
résiduelle RUL [32]. Ce dernier est calculé à partir des fonctions de densité f(t) et de répartition
F(t), où :

Page 26
Chapitre III : Pronostic du RUL par ANFIS

𝑓(𝑥)
𝐷(𝑡) = (𝐼𝐼𝐼. 3)
1 − 𝐹(𝑥)

Avec :

𝛼 𝛼−1 −(𝛽𝑥 )𝛼
𝑓(𝑥) = 𝑥 𝑒 (𝐼𝐼𝐼. 4)
𝛽𝛼
𝑥
−( )𝛼
𝐹(𝑥) = 1 − 𝑒 𝛽 (𝐼𝐼𝐼. 5)

α et β sont deux paramètres de forme calculée sous Excel. Leurs valeurs sont respectivement:

α= 7,37656 et β= 0,712796. Les valeurs calculées de f(t), F(t) et D(t) des 50 jours sont
représentées dans le tableau 3.4.
Table 3.4: calcul du f(t), F(t) et D(t) des 50 jours de surveillance
DAYS M.factors f(x) F(x) Weibull hazard DAYS M.factors f(x) F(x) Weibull hazard
1 0,51423096 1,17919935 0,0860138 1,29017193 26 0,69241287 3,83637914 0,55395537 8,60088631
2 0,50496211 1,06199011 0,07563368 1,14888448 27 0,71631597 3,78585984 0,64548548 10,6789981
3 0,50187051 1,0247697 0,07240822 1,10476367 28 0,72635025 3,698448 0,68306859 11,6695535
4 0,52566614 1,33541002 0,10037914 1,48441424 29 0,72858074 3,67362705 0,69129061 11,8999525
5 0,52291491 1,29666235 0,09675859 1,43556565 30 0,73200428 3,63175776 0,70379703 12,2610443
6 0,51930607 1,24695174 0,09216922 1,37355084 31 0,74846233 3,3690838 0,76154294 14,1286815
7 0,5112916 1,14111559 0,08260388 1,24386355 32 0,77905407 2,65706537 0,85433224 18,2405871
8 0,51203939 1,15072378 0,08346079 1,2555096 33 0,77304432 2,8145543 0,8378875 17,3617351
9 0,52152275 1,27733531 0,09496689 1,41136859 34 0,76287411 3,0639199 0,80797438 15,9557872
10 0,50937867 1,11678688 0,08044433 1,21448534 35 0,77508431 2,76182526 0,84357549 17,6559628
11 0,53574503 1,48354488 0,11457701 1,67552109 36 0,81309286 1,70818147 0,92870382 23,9589485
12 0,57042185 2,06013715 0,17574518 2,4993935 37 0,83456904 1,15220559 0,95927454 28,29202
13 0,61258899 2,83980082 0,27897252 3,93854729 38 0,84987672 0,81735324 0,97427168 31,7686215
14 0,6252312 3,06729976 0,31632329 4,48647687 39 0,83445424 1,1549388 0,95914211 28,2672129
15 0,63384883 3,21453217 0,34339623 4,89569556 40 0,86778549 0,50796145 0,98600144 36,2866924
16 0,66870047 3,68889272 0,46438524 6,88721262 41 0,83803331 1,07119426 0,96312494 29,0492855
17 0,67988924 3,78044235 0,50620559 7,65590344 42 0,85386218 0,74054209 0,97737466 32,7306441
18 0,67122166 3,71265949 0,47371599 7,05447897 43 0,86638044 0,52889765 0,98527309 35,9136801
19 0,64815236 3,43736081 0,39100626 5,64432866 44 0,86802346 0,50447142 0,9861219 36,3501915
20 0,64759991 3,42936917 0,38910947 5,61372126 45 0,88355125 0,31071879 0,99236587 40,7012749
21 0,67116556 3,71214969 0,47350772 7,05072005 46 0,88466427 0,29929575 0,99270532 41,0293219
22 0,6580336 3,57020645 0,42564436 6,21602049 47 0,89529363 0,20528601 0,99536351 44,276126
23 0,67403086 3,73704836 0,48418034 7,24487388 48 0,87257543 0,44080617 0,98827112 37,5829762
24 0,67342649 3,7319918 0,48192334 7,20355125 49 0,88062398 0,34227687 0,99141066 39,8490388
25 0,68395297 3,80429151 0,52161851 7,95242202 50 0,91824801 0,0800375 0,99846179 52,0327416

La figure 3.6 montre l’évolution du taux d’avarie dans le temps. On constate que la courbe
prend une allure exponentielle ce qui reflète le phénomène d’usure du roulement.

Page 27
Chapitre III : Pronostic du RUL par ANFIS

Figure 3.6: Evolution du taux d’avarie durant les 50 jours de surveillance

6. Pronostic de la durée de la durée de vie résiduelle par ANFIS

Pour prédire la durée de vie résiduelle RUL du roulement d’une façon automatisée, on fait appel
aux réseaux de neurones flous « ANFIS », une technique d’intelligence artificielle hybride entre
les réseaux de neurones artificiels et la logique floue. En passant par les étapes suivantes :

6.1. Définition des éléments d’entrées et leurs sorties

On sait déjà que le taux d’avarie calculé par « Weibell hasard low » est un indicateur de l’état
de dégradation du roulement, mais qui c’est pas suffisant pour définir la vitesse du processus
de dégradation. C’est pour cette raison qu’un autre vecteur d’entrée est ajouté, qui est le temps
d’exploitation du roulement, car le processus de dégradation peut être rapide ou long par rapport
aux données actuelles.

La sortie du système est le ‘RUL’ du roulement avant la cassure de la bague intérieure du

roulement de l’éolienne.

6.2. La base de données

Page 28
Chapitre III : Pronostic du RUL par ANFIS

Le taux d’avarie D(t) du roulement est calculé pour les données actuelles, mais il faut se mettre
dans la tête que le processus de dégradation peut être rapide ou long par rapport au étudié cas.
Pour cela deux autres scénarios de dégradation, l’un est rapide et l’autre est long, sont pris en
compte dans l’apprentissage du système ANFIS. Les trois processus de dégradation possible
du roulement sont illustrés dans la figure 3.7.

Figure 3.7: illustration des trois processus de dégradation

6.3. Apprentissage d’ANFIS

La base de données est divisée en sur deux parties : 81% des données sont utilisées pour
l’apprentissage et les 19% restantes sont utilisés pour la validation.

La fonction d’appartenance utilisée est la fonction triangulaire et le critère d’arrêt

d’apprentissage est 200 époques.

Le réseau ANFIS est constitué de deux entrées, et une seule sortie et 4 couches cachées. Ces
derniers sont comme ce suit :

 La première pour la fluidification de l’input dans l’espace floue de la fonction

d’appartenance triangulaire ;
 La deuxième pour la pondération des règles floues ;
 La troisième pour la normalisation des poids ;
 La quatrième pour defuzzification de la sortie.

Durant l’apprentissage, l’ANFIS génère des règles d’inférences flous selon les inputs et les
outputs qu’on lui a injectés.

Page 29
Chapitre III : Pronostic du RUL par ANFIS

Les figures 3.8 et 3.9 montrent respectivement l’architecture du système et les règles
d’inférences floues.

Figure 3.8: architecture du réseau de neurones flous

If (input1 is in1mf1) and (input2 is in2mf1) then (output is output is out1mf1)

If (input1 is in1mf1) and (input2 is in2mf2) then (output is output is out1mf2)
If (input1 is in1mf1) and (input2 is in2mf3) then (output is output is out1mf3)
If (input1 is in1mf2) and (input2 is in2mf1) then (output is output is out1mf4)
If (input1 is in1mf2) and (input2 is in2mf2) then (output is output is out1mf5)
If (input1 is in1mf2) and (input2 is in2mf3) then (output is output is out1mf6)
If (input1 is in1mf3) and (input2 is in2mf1) then (output is output is out1mf7)
If (input1 is in1mf3) and (input2 is in2mf2) then (output is output is out1mf8)
If (input1 is in1mf3) and (input2 is in2mf3) then (output is output is out1mf9)

Figure 3.9: règle d'inférence flou

6.4. Pronostic du RUL d’un nouvel échantillon

Pour exploiter le modèle d’ANFIS déjà mise en œuvre, on suit l’organigramme de la figure
3.10 pour prédire la durée de vie résiduelle du roulement à partir d’un nouvel échantillon

Page 30
Chapitre III : Pronostic du RUL par ANFIS

Prendre une mesure vibratoire

Introduire à MatLab

Localiser le défaut

Défaut dans la
bague intérieure
Non Nouvelle étude

Oui

Calcul des indicateurs temporels

Lissage des indicateurs

Normalisation des indicateurs

Calcul du taux d avarie

Temps
Inputs logique Floue
d exploitation

Système d inférence
Floue

RUL prédit

Figure 3.10: Organigramme du pronostic du RUL d'un nouvel échantillon

6.5. Comparaison entre le RUL réel et prédit par ANFIS

La figure 3.11 montre la courbe du RUL réel de la base de données et celui prédit par ANFIS
sur le même graphe. Globalement, on constate que les deux courbes ont des allures presque
identiques, mis appart quelques points où la différence entre les valeurs réelles est prédite est

Page 31
Chapitre III : Pronostic du RUL par ANFIS

remarqué. Cela est dû à la nature des données qui sont issues de phénomènes complexes de
dégradation.

On peut donc dire qu’ANFIS est un outil puissant de prédiction de la durée de vie restante des
roulements malgré la complexité du phénomène de dégradation.

Figure 3.11: différence entre le RUL réel et RUL prédit par ANFIS

7. Conclusion
L’analyse fréquentielle par analyse d’enveloppe reste un outil indispensable pour la détection
et la localisation des défauts de roulement. Quoique pour la prédiction de la durée de vie, il a
fallu construire un indicateur de dégradation à partir des facteurs sélectionnés du domaine
temporel.

Le système hybride d’intelligence artificiel ANFIS permet de prédire la durée de vie restante
du roulement avec une petite erreur malgré la petite taille de la base de données et la complexité
du phénomène de dégradation du roulement.

Page 32
Conclusion générale

Conclusion générale

La présente étude est réalisée dans le but d’améliorer la fiabilité, la maintenabilité et la

disponibilité des éoliennes tout en minimisant les couts liés à la maintenance corrective et la
préventive systématique en passent vers la maintenance prédictive afin de détecter et prévenir
des défaillances des roulements la principale cause des pannes des éoliennes.

Une détection, localisation du défaut de roulement, ainsi qu’une prédiction de la durée de vie
résiduelle ‘RUL’ ont été effectuées en se basant sur les informations disponibles pendant une
surveillance vibratoire de plusieurs jours. Dans cette période, il est possible de différencier entre
un comportement normal et un autre anormal d’un roulement en particulier et une éolienne en
général.

Le suivi de l’état de dégradation du roulement est basé sur l’indicateur obtenu par la loi de
dégradation de Weibull, en utilisant la moyenne des meilleurs indicateurs temporelles
sélectionné par l’analyse de la variance « ANOVA ».

Cette présente étude met en évidence que :

 La méthode fréquentiel analyse d’enveloppe permet de détecter et localiser les défauts

des roulements tandis que les méthodes temporelles fournissent des indicateurs scalaires
qui permettent de prédire la durée de vie résiduelle du roulement ;
 La loi de weibull du hasard fournit un indicateur de l’état de santé que sur lequel on se
base pour prédire la durée de vie résiduelle RUL du roulement.

Les résultats obtenus révèlent que la méthode ANFIS est un bon outil d’intelligence artificielle
pour la prédiction du RUL.

Ce mémoire débauche perspectives comme :

 L’élargissement de la base de données
 La prédiction du RUL des autres parties du roulement
 La prédiction du RUL de la boite de vitesse de l’éolienne

Page 33
Bibliographie

Bibliographie

[1] Sofia Koukoura ‘’Failure and Remaining Useful Life Prediction of Wind Turbine
Gearboxe’’ annual conference of the prognostics and health management society, 2018

[2] D. McMillan and G. W. Ault, “Quantification of condition monitoring benefit for offshore
wind turbines,” Wind Engineering, vol. 31, pp. 267–285, 2007.

[3] de Azevedo, H.D.M.; Araújo, A.M.; Bouchonneau, N. A review of wind turbine bearing
condition monitoring: State of the art and challenges. Renew. Sustain. Energy Rev. 2016, 56,
368–379.

[4] Lin, Y.; Tu, L.; Liu, H.; Li,W. Fault analysis of wind turbines in china. Renew. Sustain.
Energy Rev. 2016, 55, 482–490.

[5] Sheng, S. ‘’Wind Turbine Gearbox Reliability Database, Condition Monitoring, and O&M
Research Update’’; National Renewable Energy Laboratory (NREL): Golden, CO, USA, 2016.

[6] R. Chevalier, "État de l'art de la surveillance et du diagnostic des machines tournantes à

EDF," RFM Revue française de mécanique, pp. 5-11, 2001.

[7] N. Jammu and P. Kankar, "A review on prognosis of rolling element bearings," International
Journal of Engineering Science and Technology, vol. 3, pp. 7497-7503, 2011.

[8] D. A. Tobon-Mejia, K. Medjaher, N. Zerhouni, and G. Tripot, "A mixture of gaussians

hidden markov model for failure diagnostic and prognostic," in Automation Science and
Engineering (CASE), 2010 IEEE Conference on, 2010, pp. 338-343.

[9] Omar DJEBILI, "Contribution à la maintenance prédictive par analyse vibratoire des
composants mécaniques tournants. Application aux butées à billes soumises à la fatigue de
contact de roulement", Université De Reims Champagne Ardenne, septembre 2013

[10] MAKARA, KHOV. « Surveillance et diagnostic des machines synchrones à aimants

permanents : Détection des courts-circuits par suivi paramétrique ». Thèse de doctorat :
Systèmes Automatiques. Toulouse: Université de Toulouse, 2009.

[11] ZEMOURI, Mohamed Ryad. « Contribution à la surveillance des systèmes de production

à l’aide des réseaux de neurones dynamiques: Application à l’e-maintenance ». Thèse de
doctorat : Automatique et Informatique. Université de Franche-Comté, 2003.

Page x
Bibliographie

[12] A. Bendell, "Proportional hazards modelling in reliability assessment," Reliability

engineering, vol. 11, pp. 175-183, 1985.

[13] D. Lugtigheid, A. K. Jardine, and X. Jiang, "Optimizing the performance of a repairable

system under a maintenance and repair contract," Quality and Reliability Engineering
International, vol. 23, pp. 943-960, 2007.

[14] T. Biagetti and E. Sciubba, "Automatic diagnostics and prognostics of energy conversion
processes via knowledge-based systems," Energy, vol. 29, pp. 2553-2572, 2004.

[15] E. Cox, "Fuzzy fundamentals," IEEE spectrum, vol. 29, pp. 58-61, 1992.

[16] A. K. Jardine and A. H. Tsang, Maintenance, replacement, and reliability: theory and
applications: CRC press, 2013.

[17] A. Heng, A. C. Tan, J. Mathew, N. Montgomery, D. Banjevic, and A. K. Jardine,

"Intelligent condition-based prediction of machinery reliability," Mechanical Systems and
Signal Processing, vol. 23, pp. 1600-1614, 2009.

[18] BENABADJI, Ismahan. Optimisation d'une Base de Règles Floues : Application à la

commande d’un drone. Thèse de Magister : Automatique. Oran : Université des sciences et de
la technologie d’Oran Mohamed Boudiaf, 2010.

[19] BENDAAS, Ismail. Contribution à la Commande Hybride par Mode Glissant Floue
Appliquée à un Moteur à Induction ; Apport des Techniques de L’intelligence Artificielle.
Thèse de doctorat : Génie électrique. Batna : Université de Batna 2, 2016.

[20] SAHRAOUI, Mustapha. Contrôle robuste des systèmes non linéaires par les approches de
l’intelligence artificielle. Thèse de doctorat : Informatique et Automatique. Oran : Université
d’Oran1 A. Ben Bella, 2016.

[21] HOUACINE, Karima. Commande neuro-floue d’une machine asynchrone dans une chaine
de propulsion d’un véhicule électrique. Thèse de doctorat : Automatique. Tizi-Ouzou :
Université Mouloud Maamri, 2016.

[22] TRAORE, Moussa Amadou. Supervision adaptative et pronostic de d´défaillance pour la

maintenance prévisionnelle de systèmes évolutifs complexes. Thèse de doctorat : Automatique
et Informatique Industrielle. Lille : Université de Lille 1, 2010.

Page xi
Bibliographie

[23] F.Belhachat, C. Larbes, L. Barazane, S. Kharzi. Commande neuro-floue d’un hacheur

MPPT. 4 th International Conference on Computer Integrated Manufacturing CIP, Novembre
2007.

[24] Y.BENFATMA, M.MANAA. Commande d’un simulateur d’hélicoptère (TRMS) par une
approche hybride (Neuro-Floue). Mémoire de master : Automatique Avancée, 2012.

[25] PACHAUD (C.) et BOULENGER (A.), "Surveillance et diagnostic par analyse de

vibrations", AIF (1997).

[26] B.Dubuisson, " Détection et diagnostic des pannes sur processus ", Technique de
l’ingénieur, R7597, 1992.

[27] BELHOUR samira « contribution a l’optimisation de la maintenance predictive par

l’utilisation du logiciel omnitrend (systeme on line) cas : cimenterie hamma bouziane »
Mémoire. Présentée en vue de l’obtention du diplôme de magister en génie mécanique.

[28] Mémoire de Magister par Mr.TOUAFEK Ishak, « Extraction d’indicateurs robustes pour
le diagnostic des défauts mécaniques : comparaison de l’emd et des ondelettes (WT)».

[29] Mr Mouloud AYAD « recherche de signatures robustes des défauts dans une machine
tournante a travers l’analyse de signaux vibratoires ». Thèse de doctorat Université Ferhat
Abbas – Sétif – 1 –.

[30] Salma AL AIMANI « mosélisation de differentes technologies integrées dans un réseau

de moyennne tension » thèse doctorat, école centrale de Lille

[31] Eric Bechhoefer, Brandon Van Hecke et David He “processing for improved spectral
analysis” Annual Conference of Prognostics and Health Management Society 2013

[32] Abd Kadir Mahamad, Sharrifah Saon et Takashi Hiyama “ predicting remaining useful life
of rotating machinery based artificial neural network” computer and mathematics with
application.

Page xii
Annexes

Annexes

Prédiction du RUL par ANFIS sur Matlab

1. On ouvre Matlab
2. On met la commande ‘anfisedit’
3. On ouvre le fichier enregistré après l’apprentissage
4. On met le nombre de jours d’exploitations du roulement et le taux d’avarie D(t) associé
en bas à gauche
5. Le résultat de la prédiction s’affiche en haut à droite

Figure A : illustration de la prédiction du RUL par ANFIS sur matlab

Page xiii
 ‫ملخص‬
‫تعترب احملمالت أحد اهم أجزاء التور بينات اهلوائية والسبب الرئيسي لألعطال اليت تصيبها بسبب مدة احلياة احملدودة اليت‬
.‫ من خالل هذ املشروع سنقرتح طريقة الية للتنبؤ مبدة احلياة املتبقية للمحمل‬.‫تتميز هبا نتيجة االجهاد الذي تتعرض له‬
‫الوصول هلذا اهلدف سيتم عرب معاجلة اإلشارات االهتزازية من اجل احلصول على مؤشر احلالة الصحية عرب دراسة‬
‫ املؤشر املتحصل عليه سيمكن من التنبؤ من مدة احلياة املتبقية للمحمالت‬.‫االحنراف املعياري وقانون ‘ويبل ' العشوائي‬
‫ النتائج املتحصل عليها كانت جيدة ما يثبت أهلية الشبكة العصبية الضبابية ابلتنبؤ مبدة‬.‫عرب الشبكة العصبية الضبابية‬
.‫احلياة املتبقية وأحد الوسائل اليت يعتمد عليها يف املبحث اجلديد " التنبؤ وتسيري الصحة‬
‫ مدة‬،‫ الشبكات العصبية الضبابية‬،‫ حتليل االهتزازات‬،‫ احملمالت‬،‫ الرتبينات اهلوائية‬،‫ الصيانة التنبؤية‬:‫الكلمات املفتاحية‬
.‫ التنبؤ وتسيري الصحة‬،‫احلياة املتبقية‬

Abstract

Bearing are important part of Wind-turbine, certainly they have a limited lifetime and are exposed
to degradation. The present study deals with a new subject of research which is the Protonic and
Health Management. So, the purpose is the automatic prediction of the Remaining Useful Life
‘RUL’ of bearing. For this reason, vibration signal is processed, and the most significant time and
frequency domain indicators are selected, by using ANOVA, in order to get a health indicator based
on Weibull hazard low. Then, Adaptive neuro fuzzy inference system “ANFIS” is trained using
selected data. The prediction results prove that the proposed approach is efficient to predict RUL.

Keywords: predictive maintenance, Wind turbine, bearing, vibration signal processing, ANFIS,
RUL, PHM

Résumé

Les roulements sont des éléments essentiels dans les éoliennes. Certainement ils ont une durée de
vie limitée et sont exposés à la dégradation. La présente étude concerne une nouvelle discipline
appelée « Pronostic and Health Management ». Où, nous avons proposé une démarche de
l’automatisation de la prédiction de la durée de vie résiduelle ‘RUL’ de roulements. Afin d’atteindre
cet objectif, le signal vibratoire est traité, et les indicateurs pertinents dans les domaines temporel
et fréquentiel sont statistiquement sélectionnées pour construire un indicateur de dégradation, basé
sur la loi de Weibull. Ensuite, un système neuro-flous (ANFIS) est développé pour la prédiction de
la durée de vie résiduelle. Les résultats trouvés ont approuvé l’efficacité de la démarche proposée.

Mot clé : maintenance prédictive, éolienne, roulement, analyse vibratoire, réseaux de neurones
flous, ANFIS, RUL, PHM.