Problématique
Comment assurer la fiabilité et l’intégrité d’équipements critiques situés dans des zones difficiles d’accès, confinées ou dangereuses pour l’homme ? Dans des secteurs tels que l’éolien (on-shore/off-shore), l’hydraulique, les infrastructures hydrogène, la surveillance de barrages, le nucléaire ou l’industrie de process, la surveillance humaine est limitée voire dangereuse. Il est crucial de monitorer en continu les ensembles électromécaniques (roulements, engrenages, turbines, …) et les structures pour détecter de façon précoce les défaillances (cavitation, fuites, défauts électriques, déséquilibrage, frottements, …) avant qu’elles n’entraînent des arrêts critiques.
Challenge
Le principal défi réside dans la variabilité de l’environnement sonore et l’impossibilité de connaître a priori toutes les signatures acoustiques de pannes potentielles. Une simple détection par seuil de niveau sonore est inefficace en raison du bruit ambiant naturel (process, véhicules, chocs). Le système doit être capable de distinguer une véritable anomalie d’une variation normale du procédé, tout en détectant des défauts à faible émergence masqués par le bruit de fond, sans générer de taux élevés de fausses alarmes.
Solution
Mise en œuvre de la méthode AMAD (Acoustic Monitoring for Anomaly Detection), une approche basée sur l’intelligence artificielle non supervisée :
- Apprentissage de la normalité (Autoencodeur) : Le modèle apprend la signature sonore saine de l’environnement (Baseline) et ses variations normales, sans avoir besoin d’une base de données de défauts historiques.
- Détection par erreur de reconstruction (RMSE) : L’IA analyse les signaux en temps réel. Si l’erreur de reconstruction du signal dépasse un seuil pendant une certaine période, une anomalie est signalée.
- Validation par injection virtuelle : La robustesse du système peut être validée en injectant numériquement des signatures de défauts dans l’ambiance réelle, permettant de calibrer la détection même pour des signaux à faible émergence (+0/+5 dB).
Réapprentissage guidé : Sur intervention humaine, après contrôle de l’environnement, le système peut évoluer avec le temps en intégrant les nouvelles variations environnementales validées, réduisant ainsi l’intervention humaine au strict nécessaire.
Conclusion
La méthode de surveillance acoustique par apprentissage non supervisé, validée par l’injection de défauts virtuels sur une base de donnée représentative, confirme la faisabilité de la détection d’anomalies en milieux isolés sans nécessiter une connaissance a priori de tous les défauts possibles. Elle est beaucoup plus performante qu’une simple détection sur des niveaux sonores globaux ou dans des bandes de fréquences spécifiques. L’adaptation des critères de monitoring (temporisation, filtrage fréquentiel et seuils dynamiques) est essentielle pour garantir un équilibre opérationnel entre la réactivité de détection et la limitation des fausses alarmes. Une gestion intelligente du réapprentissage au cours du temps permet de rendre le système de plus en plus robuste tout en limitant l’intervention humaine dans le processus.
