REPUBLIQUE TUNISIENNE

Ministère de l’Agriculture, des Ministère de l’Enseignement

ressources hydrauliques et de la pêche supérieure de la Recherche scientifique
--*-- --*--
Institution de la Recherche et de Université de Jendouba
l’Enseignement Supérieure Agricole

Ecole Supérieure d’Ingénieurs de Medjez El Beb

Département du Génie Mécanique et Agro-industriel

Projet de fin d’études

Pour l’obtention du
Diplôme National d’Ingénieur
Spécialité : Génie Mécanique et Agro-industriel

Option : Technologies des Procédés

Thème :

SOMMAIRE : L’apprentissage d’un algorithme de

classification (Intelligence artificielle) basé sur des essais
expérimentaux de fatigue de contact de roulement.
Réalisé par : Med. Khalil Homrani
Président : M. Chiheb Slama
Rapporteur : Mme. Sana Ben Khalifa
Encadrants : M. Hassan KHARROUBI (ESIM)
M. Yessine Toumi (ITheMM)

A.U: 2021 – 2022

 1. Abstract
Vibration analysis remains the most popular and most effective tool for monitoring the internal state of
an operating machine. Through vibration analysis, fault indicators are often detected, extracted then
monitored to detect and locate the presence of a defect. However, counting solely on the evolution of
these fault indicators to diagnose a machine can cause false alarms which break our accurate
perception of these algorithms into a vague cloud of messy probability. In this engineering degree
thesis, we combined vibration analysis tools with pattern recognition methods and several neural
network algorithms to reliable improve the accuracy at which we can detect damage evolution
specifically applied to thrust ball bearings, secondly to assess the severity of degradation by closely
monitor the defect growth and gradually improve the mechanical functionality and stability of the test
equipment. For these reasons, I have designed a fault recognition process capable of identifying a huge
variety of defects in machines running under stationary conditions, processing evolving added data
another approach capable of real time learning and response to damage state evolution. Three dynamic
classification methods have been developed, tested on what I believe to be the first fully realized
database created solely from thrust ball bearings in experimental setups, we are able to enhance the
reliability of fault detection by identifying the best fault indicators for damage evolution assessment.
The application of the designed process on real experimental data helped us prove the legitimacy of
the proposed techniques in identifying the 10 states of bearing damage over time even through their
exponentially accelerating rate of deterioration.

Keywords: Thrust ball bearings, CNN, ANN, damage classification, material fatigue
 2. Introduction
Les entreprises de fabrication essaient continuellement d’augmenter leur productivité, notamment en
évitant les temps d’arrêt des machines. La première implique des coûts considérables en raison de la
perte de chiffre d’affaires qui en résulte. La surveillance de l’État des roulements et des engrenages,
par exemple, joue un rôle essentiel dans le programme de maintenance des machines tournantes. La
détection précoce des défauts pourrait permettre de passer d’un programme de maintenance préventive
basé sur le temps à une stratégie de maintenance prédictive basée sur l’état, réduisant ainsi les temps
d’arrêt imprévus et les coûts.

La maintenance conditionnelle basée sur les vibrations est une approche établie qui est utilisée par les
industries depuis de nombreuses années dans leurs programmes de maintenance. Cependant, jusqu’à
aujourd’hui, les opérateurs de machines fondent souvent leurs décisions de maintenance sur les
données issues de l’inspection périodique et manuelle de chaque machine, ce qui ne permet pas
toujours de tirer des conclusions correctes. La pratique courante consiste à enregistrer périodiquement
des mesures de vibration à l’aide de capteurs de vibration portables, et à faire analyser les signaux de
mesure par un expert pour interpréter l’état de santé de la machine. Cette approche peut toutefois
conduire à de graves erreurs d’interprétation, où des dégradations qui se développent rapidement
peuvent passer inaperçues.

Un large éventail de méthodes de détection des défauts de roulements basés sur les vibrations a été
proposé dans la littérature. Les approches qui utilisent les caractéristiques du domaine temporel (par
exemple, le facteur de crête et le kurtosis, les caractéristiques du domaine fréquentiel et cepstral (par
exemple, l’analyse de l’enveloppe et les coefficients cepstraux) supposent généralement des conditions
de machine stationnaires. Certaines de ces méthodes sont purement basées sur des données, tandis que
d'autres utilisent la relation physique entre la géométrie du roulement.

Figure 1 : Vue Générale du module de fatigue de butée

 3. Approche de création d’algorithmes et collection des données :
Dans ce projet, nous présentons une méthode purement axée sur les données qui extrait un grand
nombre de caractéristiques des données de vibration des mesures d'accéléromètre, puis sélectionne et
classifie ses caractéristiques dans une approche d'apprentissage supervisé. Les données d'apprentissage
et de test ont été acquises sur un banc d'essai de buttée à bille : un montage à vitesse et charge radiale
qui peut être équipée de butée de différents états de dégradation et un simple arbre rotatif avec un
roulement soumis à certaines charges axiales pour une dégradation accélérée.

Nous avons appliqué la même idée de base à des applications très différentes comme le diagnostic de
défauts par n’importe quel type d’algorithmes. Dans plusieurs cas, nous avons obtenu des valeurs de
précision satisfaisantes. Dans tous les cas, la limite de la méthode est qu'elle nécessite des données
d'entraînement riches en informations du système sous-jacent pour sélectionner des caractéristiques
significatives et entraîner des classificateurs appropriés. Dans ce contexte, riche en informations
signifie que les données d'entraînement doivent contenir les différents États (de défaillance)
possibles. Il existe bien sûr des exigences générales qui s'appliquent à la détection des défauts dans la
plupart des applications, telles que le désir d'obtenir une précision de détection élevée et la capacité de
détecter les défauts dans toutes les conditions opérationnelles pertinentes.

Figure 2 : Emplacement de l’Accéléromètre sur le banc, ainsi que le dispositif OROS utilisé pour la
lecture des données

Le test de durée de vie accéléré permet de propager un défaut de fonctionnement dans une butée. Ce
test diffère d'autres études car celles-ci sont souvent limitées à des défauts induits artificiellement. De
plus, l'évolution et l'accumulation des défauts peuvent être surveillées pendant la durée de vie
accélérée. Le montage expérimental utilisé pour réaliser l'essai de durée de vie accélérée est illustré à
la figure 1. Le montage comprend un seul arbre avec un roulement d'essai. L'arbre est soutenu à l'aide
d'un palier de support de chaque côté. Un cylindre hydraulique est utilisé pour appliquer une charge
axiale sur le roulement d'essai jusqu'à un maximum de 3000 daN. Le roulement d'essai est lubrifié à
l'huile circuit de lubrification décrit en 3.3. L'installation est entraînée par un moteur à une vitesse de
rotation fixe de 1600 tr /min. Les mesures de vibrations ont été effectuées sous une charge axiale
nominale de 2500 daN. La charge axiale est périodiquement augmentée à 3000 daN qui aide à
accélérer la dégradation de la butée. Au total, 40 mesures de vibrations ont été effectuées à la
condition de charge nominale de 2500 daN, et 10 mesures de vibrations ont été effectuées à la charge
élevée de 3000 daN. L'essai de durée de vie accéléré a été arrêté lorsqu'un pic de vibration de ± 100g a
été atteint. La charge axiale appliquée, les vibrations axiales dans la direction de la charge et la
température du logement du roulement ont été mesurées pendant l'essai. Les vibrations de la machine
ont été mesurées à l'aide d'un accéléromètre piézo-électrique 10V/m/s2 DJB1698 et échantillonnées à
25 kHz par un système d'acquisition embarqué.

Pour chaque mesure, 10s de données ont été acquises. La plateforme d'acquisition consiste en un
ordinateur monoposte, complété par le dispositif OROS de mesure du signal vibratoire (figure 2).
Cette plateforme embarquée est utilisée comme un système d'acquisition de données compact, ouvert,
évolutif et rentable.

Figure 3 : bague indentée artificiellement par électroérosion

Figure 4: Evolution de l’écaillage d’un état primaire (gauche) a l’état final (droite)
Le test de durée de vie accéléré a été réalisé sur une butée à billes FAG 51207. Avant le début du test,
une petite indentation d'un diamètre de 2 mm a été créée sur la bague mobile à l'aide d'un appareil
électroérosion pour quelques butées, alors que les autres sont laissés à évoluer l’endommagement
naturellement. Cette indentation est utilisée comme un élévateur de contraintes locales et représente
une déformation plastique locale causée, par exemple, par une particule de contamination. Ensuite, le
test de durée de vie accélérée a été effectué pendant plusieurs heures. Bien que les roulements puissent
se briser de différentes manières, l'indentation déclenche l’endommagement du roulement de manière
plus répétable.

L'essai d’évolution d’écaillage naturel a été arrêté lorsqu'une fatigue importante de la surface de
contact du roulement s'est produite au niveau de la bague mobile. L'état initial et l'état final de la bague
mobile de la butée testé sont illustrés à la figure 4. Un seul ensemble de données a été utilisé dans ce
document. Cependant, l'essai de durée de vie accélérée sur des butées naturellement écaillé a été
réalisé plusieurs fois dans le cadre d'autres recherches menées par d’autres auteurs. Elles ont toutes
aboutit à des défauts de fatigue superficielle similaire au niveau de la bague mobile des butées testés.

Figure 5 : Evolution du signal vibratoire de l’état primaire illustré en figure3 a l’état final
en raison du manque de temps disponible dans le stage pour travailler sur l'évolution naturelle de
l'écaillage à partir de roulements parfaitement neufs, un travail d'improvisation a dû être fait, des
roulements déjà légèrement ébréchés ont été utilisés à partir d’un sujet qui a eu lieu dans le même
laboratoire il y a plusieurs années et réutilisés pour faire évoluer leurs dommages à peine visibles sur
la bague tournante vers des dommages plus utilisables et classifiables comme le montre le tableau ci-
dessous:

Numéro de la Image de la Bague Nombre d’heure Surface Nombre de

butée écaillée totale approximative de signaux collectés
l’écaillage avant d'atteindre
ce point ombre de
point de donnée
1 0 12.56mm² 10 signaux d’un
roulement saint

8 50.26mm² 16

11 63.61mm² 22

13 84.94mm² 26
2 14 113.097mm² 28

3 30 3.14mm² 4

4 18 2.54mm² 2

5 24 15.2mm² 4

28 45.36mm² 8

6 17 1.53mm² 2

7 14 9.07mm² 4
8 22 22.9mm² 8

Tableau 1 : Liste des butée utilisées pour la collecte des données

Ces ensembles de données collectées sont ensuite filtrés, organisés par surface totale d'écaillage et
classés en 10 États de dommages différents comme suit :

Nom signal Visualisation Surface d’écaillage

DS0 0

DS1 1.53mm²

DS2 2.54mm²

DS3 3.14mm²
DS4 12.56mm²

DS5 15.2mm²

DS6 22.9mm²

DS7 45.36mm²

DS8 50.26mm²

DS9 63.61mm²

DS final 113.097mm² ou
plus

Tableau 2 : classification des signaux selon la taille d’écaillage

Après avoir entièrement organisé et nettoyé les 2500000 points de données et les 10 types de signaux,
nous visualisons l'ensemble des données en ordre juste avant l'entraînement du modèle comme
suivant :

Figure 6 : visualisation de toutes les données en ordre nous montre une tendance croissante due a
l’augmentation de l’amplitude de vibration lorsque la taille de l’écaillage augmente jusqu’à
l’amplitude maximale d’arrêt de 100g

4. Résultats
Évaluation du premier type d’algorithmes :

Figure 7 : résultat finale du test sur l’algorithme 1 après entrainement, montrant une précision de
96.51%

Les résultats obtenus par la méthode 1 proposée sont présentés dans cette section. Les résultats de
l'essai de durée de vie accélérée sont abordés et utilisés en premier. Dans le test ALT, les
caractéristiques ont été extraites des signaux bruts de l'accéléromètre dans une approche de fenêtre
coulissante chevauchante (longueur de fenêtre de 0,2 s et chevauchement de 0,1 s). Cela donne 100
observations par lot de 10s de données. Cependant, pour l'évaluation finale, seule la valeur moyenne
de ces 100 observations d'un lot de données est observée. Toutes ses caractéristiques ont augmenté de
manière significative vers la fin de l'essai pour les conditions de charge de 2500 daN et de 3000 daN.
Par exemple, la caractéristique 7. En raison de l'augmentation de la valeur de la caractéristique, il faut
arrêter les tests lorsque la valeur maximale dépasse 100g dans le cas de 2500daN et 80g dans le cas de
3000daN, indiquant un endommagement du roulement. Ce résultat montre que les caractéristiques
identifiées lors du test peuvent être utilisées pour effectuer une maintenance prédictive des butées en
les observant à l’aide de l’algorithme. Les précisions de détection finale de cet algorithme montre qu’Il
s'agit d'une première indication qu'une caractéristique mal choisie ne produira pas de sur-détections.
 Données d’entrainement Données test Information
factuellement
correcte classifié a
main
Extraction des caractéristiques 2éme extraction

Sélection des caractéristiques

Entrainement de l’algorithme de Algorithme de classification

classification ANN entrainé Evaluation

De l’algorithme
final
Information

Figure 8 : Structure simplifié algorithme de détection défauts par extraction de caractéristiques

Sachant que notre détection de défauts entre les données de test et d'apprentissage est divisée en 10
états de dommages différents nommés DS0 jusqu'à DS9 et enfin DS final, la distribution des
probabilités de détection de fautes est illustrée dans le graphique suivant :

Input d’un signal

aléatoire de type
connu seulement
par nous :

Probabilité d’un choix correcte

Classification du signal d’entrée par l’algorithme entrainé

Figure 9 : distribution des probabilités de classification de l’algorithme type 1

Reprenons ce petit diagramme graphique et expliquons la distribution des nombres des manières plus
compréhensibles :
les entrées de l'axe des y représentent les ensembles de données envoyés à l'algorithme pour le tester,
ces ensembles de données proviennent de roulements différents de ceux utilisés pour l'entraînement de
l'algorithme, mais sont également classés manuellement dans les mêmes 10 États d'endommagement ,
puis ces ensembles de données sont comparés et évalués par l'algorithme et une estimation est faite à
l'aveugle sur l'état d'écaillage dans lequel nous nous trouvons, par exemple lorsqu'on reçoit un signal
d'un roulement avec l'état d'endommagement 0 également défini comme un nouveau roulement non
endommagé, l'algorithme détecte le type correctement dans 98% des cas, mais comme il n'est pas
parfait, il commet l'erreur de penser que ce jeu de données appartient à un roulement de la catégorie
DS3 dans 2% des cas, cette erreur de détection pourrait être due à des similitudes très mineures dans
les indicateurs qui coïncident entre les deux types de dommages et pratiquement inévitable avec ce
type d’algorithmes.

Une visualisation 2D de la classification nous montre d'une manière visiblement plus compréhensible
comment la classification est effectuée en groupes de caractéristiques similaires afin que l'algorithme
puisse effectuer la sélection appropriée, visualisé ci-dessous :

Figure 10 : visualisation des classes différentes en espace 2D avec un petit chevauchement entouré

Même si cet algorithme est extrêmement précis et peut même être considéré comme supérieur à
l'attente moyenne, nous pouvons toujours comprendre visuellement d'où vient la perte totale de
précision de 3%, lors de la classification des données dans l'espace à 9 dimensions avec lequel le
système travaille, l'algorithme doit faire des sacrifices notables pour réduire les dimensions de ce
système dans une projection 2D complète, ceci ainsi que les nombreuses similitudes entre les valeurs
des caractéristiques provoquent un certain chevauchement entre les bulles des classes, c'est là que le
petit pourcentage d'erreur se produit (exemple de chevauchement entre DS3 DS2 et DS1 qui nous
donne une probabilité de 0.88% de détecter un écaillage de classe DS3 en tant qu'écaillage de classe
DS2 et 0.77% de détecter un écaillage de classe DS3 en tant qu'écaillage de classe DS1.

Évaluation du deuxième type d’algorithmes : Classification des données vibratoires

pur par CNN
Deux réseaux CNN ont été conçus : l'un entraîné avec des données expérimentales pures, qui sont
normalisées et superposées aux données d'un roulement sain mesuré, et l'autre entraîné avec des
données de mesure converties est traités en 2 d. Une comparaison des deux réseaux démontre la
précision de classification des réseaux en fonction des ensembles de données entraînées. Le réseau
formé avec des données de simulation est construit conformément à la description de la section 5.2.2.
L'autre réseau possède le même nombre de couches (profondeur du réseau) et de caractéristiques aussi
avec 10 classes de sortie. Ces classes décrivent les 10 conditions de roulement issus des mesures, c'est-
à-dire un roulement sain et 9 roulements présentant une seule détérioration de la bague tournante
allante de 1.53 mm² à 113 mm². Toutes les figures montrent la prédiction de l'état du roulement
pendant les mesures à long terme de plusieurs jours.

Figure 11 : précision de 74.47% de l’algorithme CNN 1D entrainée avec des données

expérimentales pur

La figure 12 montre la distribution des probabilités de la prédiction du réseau entraîné avec les
données expérimentales pures. La prédiction en pourcentage donne la probabilité de l'existence d'une
certaine taille de trou dans la bague mobile. Elle varie sévèrement dans la plupart des catégories. La
prédiction de l'état de la bague sortie d'un roulement sain et de roulements présentant des défauts
minces de surfaces inférieures à 12.56 mm² est très mauvaise et présente une précision inférieure à
70%, ce qui est inacceptable. Ceci peut s'expliquer par le fait que l'algorithme ne voit pas la transition
subtile entre les classes la plupart du temps, optant plutôt pour une vision exponentielle des données
où l'amplitude augmente de plus en plus vite dès que l'on atteint des tailles d'écaillage plus
importantes.

Avec des trous de 15 mm² jusqu’à la taille d’écaillage maximale ces catégories sont très faciles à
visuellement distinguer donc ils sont très bien classés. Notez que les tailles des défauts provenant des
mesures diffèrent légèrement des défauts détectés qui forment les classes de sortie.
Figure 12 : distribution des probabilités de classification de l’algorithme type 2 avec la partie erronée
entouré en bleu.

Même si cet algorithme est inacceptable il est important de comprendre le défaut, nous pouvons
toujours comprendre visuellement d'où vient la perte totale de précision de 30%, lors de la
classification des données dans l'espace à 1 dimension avec lequel le système travaille.

Figure 13 : visualisation des classes différentes en espace 2D avec un grand chevauchement entouré
L’algorithme doit faire des suppositions notables pour augmenter les dimensions de ce système dans
une projection 2D complète, ceci ainsi que les nombreuses similitudes entre les valeurs des
caractéristiques provoquent un certain chevauchement entre les bulles des classes, c'est là que le petit
pourcentage d'erreur se produit (exemple de chevauchement entre DS 4 DS3 DS2 et DS1 qui nous
donne une probabilité énorme de détecter un écaillage de classe différente.

Classification des données vibratoire traités en 2D par CNN

Figure 14 : précision de 99.3% de l’algorithme CNN 2D entrainée avec des données expérimentales
traités

X250000

Figure 15 : conversion des signaux vibratoire en image 2D

La figure 16 illustre la prédiction d'un réseau entraîné avec 1500 × 160, cette image de données de
mesure a été transformées par ondelettes (voir 4.2.2.B). Pour l'entraînement, 2000 échantillons de
chaque classe sont extraits de la mesure des échantillons de roulement donnés. Cet ensemble de
données a été isolé pour la tâche de classification. La figure montre un algorithme beaucoup plus long
a entrainé mais également plus précis que les autres, cet entrainement plus long est réalisé jusqu'à ce
que le réseau entraîné soit hautement confiant dans la prédiction d'une taille de défaut de bague mobile
de toute classe. Les classifications des butées mesurées supplémentaires sont présentées à la figure 17.
L'État prédit des roulements sains et des roulements présentant les défauts de classe DS1 jusqu’à DS
final sont très fiables.

Figure 16 : distribution des probabilités de classification CNN 2D

Figure 17 : Visualisation des classes différentes en espace 2D avec des petits chevauchements entourés

Même si cet algorithme est extrêmement précis et peut même être considéré comme supérieur à
l'attente moyenne, nous pouvons toujours remarquer qu’il existe un nombre faible de chevauchement.
visuellement d'où vient la perte totale de précision de 0.3%, lors de la classification des données dans
l'espace à 2 dimensions avec lequel le système travaille, l'algorithme ne doit faire aucun sacrifice
notable de précision ou de suppositions pour réduire ou augmenter les dimensions de ce système dans
une projection 2D complète, ceci ainsi que les nombreuses similitudes entre les valeurs des
caractéristiques provoquent un certain chevauchement entre les bulles des classes est impossible à
éviter.

5. Comparaison des solutions proposée

Le réseau entraîné avec les données expérimentales, qui sont superposées aux données de vibration
d'un roulement sain, peut clairement distinguer les roulements sains des roulements défectueux. Alors
que la prédiction des défauts de la bague mobile fonctionne assez bien. Les raisons de cet échec ne
sont pas claires. Les sources d'échec possible sont décrites dans ce qui suit. Il faut tenir compte de
certains aspects qui affectent la performance de la classification. Tout d'abord, la similarité de forme et
d’amplitude entre les petits écaillages aux conditions réelles. Un modèle plus sophistiqué, qui tient
compte, par exemple, de la lubrification, Température ou de l'ondulation des bagues de la butée,
améliorerait le processus de classification mais augmenterait également la complexité du modèle et le
temps de calcul. Un compromis entre la précision du modèle et le temps de calcul doit être trouvé.
Deuxièmement, un mécanisme d'amortissement négligé dans le montage de mesure tel que le
logement du roulement et le montage du capteur, ainsi que le bruit environnant des machines, affectent
également la précision de la classification. Ce problème est partiellement éliminé en normalisant et en
superposant les données de test avec les données de vibrations réelles d’un nombre très large de
roulements sains et écaillés afin de capturer certaines conditions du montage. Troisièmement, les
écarts de taille des défauts mesurés et réels influencent également la prévisibilité du réseau. La forme
et l'emplacement d'un défaut dans un roulement peuvent être facilement contrôlés s’ils sont faits
manuellement avec électroérosion, alors que l'écaillage naturel à travers l'acier trempé et les bavures
qui en résulte ne peuvent garantir une réplique exacte du défaut conçu dans ces expériences.
Quatrièmement, il existe de nombreuses possibilités de conception d'un réseau CNN, en matière de
profondeur de réseau, de réglage fin des paramètres, de fonctions d'activation, de l'optimiseur
sélectionné, de la taille du noyau, des formes d'entrée, de la perte d'efficacité, etc. Une étude plus
détaillée du réseau peut également améliorer le résultat de la classification. Le réseau entraîné avec des
données obtenues par mesure a donné de meilleurs résultats que celui obtenu par simulation. Cela n'est
pas surprenant, en raison de la forte corrélation entre les données d'entraînement et les données à
classer qui comprennent les conditions de roulement. La figure 16 montre particulièrement de bons
résultats, lorsque les données d'entraînement sont extraites de ces mesures. Ici, la performance de
classification des classes correctes est de 99,7 % en moyenne. Le tableau 13 compare les performances
moyennes de prédiction du réseau CNN formées avec des données de l'expérience pure et formée avec
des données de mesure traité en 2D. Pour le réseau entraîné avec des données 1 D, les valeurs
moyennes de l'État prédisent du roulement dans le temps est sélectionné dans la classe qui représente
le plus probablement le défaut mince ou large (par exemple, les classes de taille de défaut inférieures
15 mm² pour une butée avec un défaut de bague mobile sont tous détectés similairement). La grande
étendue des données est due à la mauvaise précision de prédiction du petit défaut de cette bague.

La performance moyenne de prédiction pour les données 1Ds est de 74.4 % alors que la valeur
moyenne pour le réseau ANN entraîné avec des caractéristiques biens choisis de mesure est de 96.51
%. La valeur aberrante dans les données de mesure représente l'échantillon B avec un défaut de 0,9
mm.

Nom algorithme utilisée Précision finale % Durée d’établissement

Feature extraction ANN 96.51 32s

CNN 1D 74.4 0.3s

CNN 2D 99.3 1400s

Tableau 1 : comparaison des résultats obtenus par nos 3 méthodes

Ce tableau montre un nouvel aspect non considère dans les comparaisons précédentes, temps de
classification pour un nouveau signal, ce qui indique une autre perspective dans la sélection des
algorithmes qui dépend fortement du cas d'utilisation. Par exemple, si notre machine est extrêmement
sensible aux dommages et nécessite un arrêt immédiat ou rapide en cas de panne de la butée, le CNN
1D est probablement notre meilleur choix malgré sa précision extrêmement faible. Dans un sens, cet
algorithme fonctionnerait comme une vérification de l'existence de dommages vrais ou faux, et ne
permettrait pas aux dommages de continuer à évoluer, même pendant une seconde.

Mais si nous cherchons une détection précise de l'évolution des dommages, étape par étape, et que
nous supposons que l'algorithme doit nous alerter immédiatement sur chaque État de dommage, cet
algorithme serait le plus mauvais choix pour cette tâche. L'algorithme d'extraction de caractéristiques
ANN serait notre meilleur choix, car il détecte de manière fiable le stade correct des dommages
presque à chaque étape, sans être trop lent et sans risquer que les dommages évoluent au-delà de la
détection correcte.

Finalement, notre gagnant précédent avec une précision presque parfaite reste avec un cas d'utilisation
très niche, dans lequel les données sont collectées pendant la fonctionnalité de la machine et évaluées
plus tard après que les dommages sont faits et passés, cet algorithme serait presque inutile en matière
de détection de défauts en temps réel, car il ne parviendrait pas à rattraper un besoin continu en direct
pour les productions de l'état des dommages.
Même avec toutes ces différences entre les algorithmes, leur nécessité matérielle reste assez similaire
avec un nombre égal d'époques ou de générations nécessaires pour traiter les données et atteindre la
précision de prédiction maximale possible.

Figure 18 : nombre de générations avant que la précision maximale soit achevé (ANN en rouge) (CNN
2D en vert) avec une convergence exponentielle typique

5.1 Conclusion
En conclusion, les données issues d'une série d’expériences d'un modèle de roulement simplifié
constituent un moyen rapide et flexible de générer une variété de conditions de défaut de roulements
différents, qui constituent la base de l'interprétation CNN des roulements réels pour la maintenance
prédictive. De manière prospective, une "base de données de conditions de roulements" peut être créée
à partir nos essais, qui comprend différents défauts de roulements, tels que les formes de défauts, le
nombre de défauts, la taille des défauts, l'emplacement des défauts, etc. Cette base de données pourrait
être utilisée pour former des algorithmes pour ces butées spécifiques afin de surveiller son état et la
progression de la fatigue pendant le fonctionnement. Ainsi, les coûts et le temps sont réduits par
rapport à la préparation manuelle de divers roulements avec des défauts artificiels, puis à leur mesure
pour obtenir des données d'entraînement. Ces méthodes de prédiction ont été tout évalué est classifié
selon leur efficacité dans des industries ou cas différentes, un algorithme CNN 1D est extrêmement
rapide, mais ne peuvent que fonctionner comme un détecteur simple d’existence de défaut, un
algorithme CNN 2D est extrêmement précis, mais le temps d’établissements énormes la laisse
impossible à utiliser pour des diagnoses en temps réelle, mais réservé à l’analyse de données
préalablement obtenues, et l’ANN utilisant des caractéristiques extraites serait particulièrement utile
pour la surveillance des roulements de grande taille et coûteux, pour lesquels les pièces de rechange
sont rares et la préparation manuelle des roulements est couteuse.
 6. Conclusion générale :
Ce projet de fin d’études a porté sur la détection et le suivi de défaut de roulement par une multitude
des méthodes de classification. Ce travail s'inscrit dans le cadre d'un projet standard mené par une
bourse ministérielle, réalisé au laboratoire ITheMM de l’université de Reims Champagne-Ardenne. Il
s'agit de développer un algorithme de diagnostic et de suivi capable et précis pour la détection des
défauts des butées à billes et de les caractériser. Ce projet est majoritairement pluridisciplinaire,
mécanique, traitement du signal et intelligence artificielle. Dans le cadre de la recherche des méthodes
de classification pertinentes, ce projet concerne l'extraction des paramètres caractéristique des signaux
de défauts différents par des techniques de traitement du signal et le développement des méthodes de
classification classiques et modernes en vue d'établir un diagnostic et un suivi de dégradation des
composants fiables. Le choix des paramètres dits " indicateurs " est essentiel pour la surveillance et le
suivi de chaque composant sensible. Ces paramètres doivent être définis pour chaque signal.

Après avoir rappelé des notions basiques sur les roulements, le premier chapitre a présenté les
différentes informations nécessaires à connaitre pour tout comprendre sur le phénomène d’écaillage
des butées à billes en première partie puis ce chapitre résume les techniques de traitement du signal
pour la maintenance des machines de production par analyse vibratoire. Ce chapitre présente
également les différents types de défauts de roulements susceptibles d'apparaître ainsi que les
méthodes utilisées pour les détecter. Le deuxième chapitre présente une analyse générale à base
expérimentale du banc d'essai. La première étape correspondant à un tour complet de tous les défauts
du banc dans différentes conditions de fonctionnement. Le deuxième correspondant à une simple
résolution étape par étape de ces défauts. L’objectif principal de ce chapitre est de tester mes capacités
en tant qu'ingénieur à traiter les informations sur une machine et à tirer des conclusions et solutions
raisonnables et rentable en exécution, puis à proposer une ou plusieurs solutions appropriées pour
chaque problème, soit sous forme de protocole ou d'une méthodologie ou d'un travail de conception.

Au début, de nombreux tests ont été effectués sur le banc, pour s'assurer de sa bonne fonctionnalité,
l'un des premiers problèmes détectés et remarqués étant les variables instables en jeu, de
l'augmentation drastique des températures provoquant des fumées et une surchauffe de la machine, à
une charge variable aléatoire, un protocole de mise en marche non fonctionnelle et un manque général
de capteurs fonctionnels appropriés. Ces petits problèmes s'empilent et s'additionnent pour former un
banc pratiquement inutilisable pour l'étape suivante de ce PFE. La contrainte la plus importante dans
ce projet n'était pas seulement d'offrir des solutions immédiates que je pouvais utiliser pour réaliser
mes mesures, mais il me semblait également important d'établir des solutions durables qui seront
sûrement utiles aux futurs utilisateurs si elles se concrétisent. À partir de multiples propositions de
conception d'un nouveau bac d'évacuation, sur la base de preuves mathématiques, j'ai réussi à
déterminer et à isoler les paramètres clés (qui sont les angles d'inclinaison et le volume) à faire varier
dans la conception actuelle afin d'obtenir une fonctionnalité optimale, et la proposition d'un
allongement de l'arbre du rotor pour faciliter l'utilisation future de dispositifs avancés d'alignement
laser. Ces solutions de conception facilitent et améliorent considérablement la fonctionnalité du banc,
et j'espère qu'elles seront bientôt mises en œuvre. D'autres solutions plus rapides sont les tests
effectués en choisissant de nouveaux paramètres d'essai et en se contentant d'une vitesse et d'une
charge maximales légèrement inférieures tout en obtenant la stabilité de la température et du flux de
lubrifiant dans la machine, renforcée par un protocole de mise en marche plus robuste qui nous permet
d’établir les conditions de tests en un temps inférieur à la moitié du protocole précédent.

Dans le chapitre suivant, nous utiliserons ces nouveaux protocoles et une fonctionnalité de banc plus
stable pour collecter suffisamment de données afin de créer notre modèle de prédiction d'écaillage, qui
sera capable de détecter l'état exact du roulement à partir de rien d'autre que des données de signaux et
de vibrations.

On a développé dans le chapitre III des nouvelles procédures de classification pour le suivi de
dégradations des butées à billes. Nous passons d'abord en revue les différentes méthodes de prédiction
et sur les processus de développement des systèmes de reconnaissance de formes. Les méthodes de
diagnostic des défauts de roulements basées sur l'apprentissage automatique traditionnel et
l'apprentissage profond sont examinés et résumés dans ce travail. Trois algorithmes d'apprentissage
automatique, Artificial neural network basé sur extraction des caractéristiques (ANN), Convolutional
neural network (CNN 1 D) et (CNN 2 D), est appliqué à la détection des défauts de roulement. Les
performances des réseaux d'apprentissage profond les plus répandus, à savoir les réseaux neurones
convolutifs (CNN) et les réseaux à mémoire à long terme (LSTM), ont été validées pour le diagnostic
des défauts de roulements sur la base du traitement des signaux d'entrée. Les méthodes de traitement
du signal comprennent le signal brut (aucun traitement), la transformée en image 2D ou la transformée
en paquets d'ondelettes (WPT). L'ensemble de données sur les roulements de le Case Western Reserve
University (CWRU) était l’inspiration pour créer notre propre base de données expérimentale. Le 2 D-
CNN atteint la plus grande précision dans les réseaux CNN, et les réseaux ANN ont la plus grande
précision dans les réseaux à extraction des classifiées. Les réseaux CNN ont de meilleures
performances que les réseaux ANN en général. La formulation de l'entrée du réseau, utilisant
l’extraction des classifiées, offre les meilleures performances. Nos algorithmes valident l'efficacité de
chaque formulation d'entrée de réseau. De plus, le réseau des neurones convolutif unidimensionnel est
étudié et construit, mais avec des perspectives d'utilisations très limitées dans l’industrie moderne, le
choix final de l’algorithme adapté et évolué dépend de l’application dans l’industrie comme clarifié
dans le dernier chapitre.