Views
11 months ago

Maintenance & Entreprise n°663

  • Text
  • Expertise
  • Innovation
  • Gestion
  • Afin
  • Solutions
  • Septembre
  • Octobre
  • Entreprise
  • Maintenance
Dossier : Le Centre-Ouest prêt pour la reprise

SOLUTIONS LE CONTRÔLE

SOLUTIONS LE CONTRÔLE ET L’ANALYSE NON DESTRUCTIVE AVIS D’EXPERT Contrôle et analyse non destructive pour les maintenances conditionnelles et prévisionnelles Le big data et le machine learning sont des notions « tendances » de la numérisation présentes dans toutes les industries. Pour les fabricants et les exploitants de machines minières, un des défis actuels consiste à réunir les méthodes basées sur les données et les connaissances spécialisées (issues de la pratique) afin d’associer ces données aux causes de défauts et usure. Par la suite, le développement de la reconnaissance des systèmes basés sur les données pourra être réussi. Jörg Arloth, Account Manager chez ESI Germany René Noack, Ingénieur chez ESI Germany © DR © DR © DR La simulation physique du système, associée à des flux de travail éprouvés, offre une solution qui facilite l’application pratique et soutient la communication entre les experts de domaines variés. Les modèles peuvent être créés automatiquement, les comportements d’erreur souhaités peuvent être intégrés de manière ciblée et une variété de données d’exploitation virtuelles peuvent être générées. Le point de départ du déroulement des opérations basées sur l’Analyse de Fiabilité des Systèmes (AFS) pour les stratégies de maintenance est un jumeau numérique. Comme pour les convoyeurs à bande, si le modèle de système généralisable, il peut être créé automatiquement. Dans la simulation du système, la généralisation se fait sur la base liée à l’application des convoyeurs de bande, à partir de ces éléments un générateur de modèle basé sur un script créer le modèle de système correspondant. Flux de la librairie aux jumeaux hydrides Modèle de simulation d’un convoyeur à bande, via SimulationX ©DR ©DR 10 I MAINTENANCE & ENTREPRISE • N°663 • Août - Septembre - Octobre 2021

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

Maintenance et entreprise - Découvrez la revue en version digitale

Pour vous abonner, joindre la rédaction, communiquer dans la revue ou simplement avoir plus d'informations sur votre métier, rendez-vous sur notre site internet :

www.maintenance-entreprise.com