Surveillance Acoustique Avancée en Milieux Isolés et Hostiles
Contexte et Applications Cibles
La méthode AMAD (Acoustic Monitoring for Anomaly Detection) porte sur la mise en œuvre de systèmes de surveillance acoustique AID (Acoustic Intelligent Detection) destinés à fiabiliser des dispositifs critiques situés dans des environnements difficiles d’accès ou dangereux pour l’homme. Cette méthode peut s’avérer pertinente pour les secteurs suivants :
- Dispositifs isolés et autonomes : Tels que l’éolien on-shore et off-shore, l’hydraulique, les infrastructures hydrogène ou les postes de transformation, la surveillance de barrages ou de convoyeurs L’objectif est d’assurer la fiabilité des ensembles électromécaniques et l’intégrité des structures.
- Industries en milieu confiné : Comme le nucléaire, la chimie ou la pétrochimie, où l’accès est limité et où la surveillance de la fiabilité des process est critique.
- Robotique : Pour l’inspection et la fabrication, en complément de la vision.
Les applications visées sont entre autres :
Fiabilité des ensembles électromécaniques en milieu confiné ou d’accès limité :
- Défauts de roulements, d’engrenages de boîtes de vitesse (multiplicateurs, réducteurs)
- Défauts mécaniques, électriques et d’électronique de puissance
- Défauts de cavitation, de turbulence et de fuites
- Déséquilibre et frottements
Intégrité des structures :
- Turbines éoliennes, à gaz et à vapeur
- Générateurs et alternateurs électriques
- Moteurs électriques industriels
- Pompes industrielles
- Compresseurs
- Disjoncteurs et contacteurs
- Transformateurs
- Boîtes de vitesses et réducteurs mécaniques
- Systèmes de ventilation et soufflantes
Optimisation ronde d’inspection :
- Priorisation
- Périodicité
- Limitation de la connaissance, de l’interprétation et de l’attention de l’être humain
Description de la Méthode : Approche Non Supervisée
Dans ces environnements complexes et variables, il est difficile de définir a priori toutes les signatures acoustiques de pannes possibles. La méthode retenue repose donc sur un apprentissage non-supervisé de la normalité sonore de l’environnement issu des techniques d’apprentissage machine de l’intelligence artificielle.
La méthode utilise un modèle de réseau de neurones spécifiques pour l’apprentissage non-supervisé de la façon suivante :
- Apprentissage d’une Baseline : Le modèle est entraîné sur des données acoustiques saines (sans défauts) issues de l’environnement réel en intégrant si possible les variations process dites normales.
- Extraction de caractéristiques et d’indicateurs : Les signaux sont analysés via des spectrogrammes et/ou des descripteurs acoustiques. Ces éléments peuvent et doivent souvent être adaptés à chaque cas d’usage à partir de notre vision métier.
- Détection par Erreur de Reconstruction : Le réseau de neurones tente de reconstruire le signal d’entrée. Si le signal est normal l’erreur est faible. Si le signal contient une anomalie (jamais vue par le modèle), l’erreur de reconstruction est plus élevée, signalant un défaut.
- Mécanisme de réapprentissage : En cas de nouvelle variation de l’environnement dit normal, possibilité d’intégrer de nouvelles données à la baseline par méthode guidée. Cette intervention nécessite l’action d’un opérateur.
Analyse de la Méthode sur Signaux Virtuels avant implémentation
Pour valider la sensibilité du système avant son déploiement critique, une analyse basée sur l’injection de défauts virtuels peut être réalisée.
Afin de tester la robustesse de la détection face au bruit ambiant, des signatures de défauts réels (enregistrées préalablement ou simulées) sont injectées numériquement dans les enregistrements de l’environnement sonore normal (Baseline). À titre indicatif, pour des systèmes de convoyage cela correspond à des défauts mécaniques de type roulements ou frottements.
L’algorithme d’ajout procède comme suit :
- Sélection d’une plage de données de fond sonore réel représentative (ex: environnement industriel bruyant).
- Insertion périodique d’un défaut type d’une durée courte.
- Variation des niveaux d’émergence (Gain) : Le défaut est ajouté avec différents niveaux d’intensité par rapport au bruit ambiant : +0 dB, +5 dB, +10 dB et +15 dB. Ces gains peuvent être sur des niveaux globaux ou sur des plages de fréquences spécifiques selon la nature des défauts recherchés.
L’analyse des signaux virtuels permet de tirer les conclusions suivantes sur la performance de la méthode sur les différents cas d’usage testés :
- Forte émergence (+10/+15 dB) : Les défauts sont quasi-systématiquement détectés pour tous les cas d’usage, le modèle identifiant une erreur de reconstruction nettement supérieure au seuil d’alerte.
- Faible émergence (+0/+5 dB) : La détection est plus complexe. Certains défauts dont l’énergie spectrale est masquée par le bruit de fond (ex: basses fréquences dominées par des bruits de ventilation) peuvent passer sous le seuil de détection si des filtres fréquentiels adaptés ne sont pas appliqués. Dans ces cas de configuration, la mise en place d’une écoute directive et/ou d’un filtrage spatial par des méthodes d’enregistrement ambisonique peut permettre de s’affranchir partiellement du bruit de fond et d’être plus performant. Tout dépend naturellement du compromis entre taux de détection et taux de fausses alarmes attendu.
Adaptation des Critères de Monitoring
Les différentes études réalisées démontrent qu’une simple détection sur seuil de niveau sonore est inefficace dans ces milieux hostiles en raison de la variabilité naturelle du bruit (chocs, véhicules, process,… ). La méthode utilisant une approche non supervisée permet d’obtenir de bien meilleurs résultats et de dissocier des événements sonores dans un environnement complexe. Pour fiabiliser le monitoring, détection d’anomalies versus taux de fausses alarmes, certains critères doivent être adaptés aux contraintes client :
- Gestion du Taux de Fausses Alarmes (TFA)
- Temporisation et Persistance
- Gestion du réapprentissage des modèles par validation d’un opérateur
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.
