Le défi de la surveillance en milieux isolés et confiés
Certains secteurs industriels ne permettent pas une inspection humaine régulière. Notre méthode AMAD (Acoustic Monitoring for Anomaly Detection) a été spécifiquement conçue pour fiabiliser les dispositifs critiques là où l’homme ne peut, ou ne doit pas aller :
- Dispositifs isolés et autonomes : éoliennes (on-shore et off-shore), barrages, postes de transformation électrique, …
- Milieux confinés et dangereux : centrales nucléaires, usines chimiques ou raffineries pétrochimiques où la surveillance des process est vitale, …
- Flottes robotisées : intégration de l’ouïe sur des robots d’inspection ou des drones, en complément de la vision par ordinateur, pour optimiser les rondes d’inspection.
Dans ces contextes, envoyer l’intégralité des flux sonores vers un Cloud lointain est inefficace (limites de bande passante, cybersécurité, latence). C’est pourquoi nous privilégions l’IA acoustique embarquée : le traitement du signal se fait directement à la source. Seule l’alerte qualifiée remonte vers vos centres de contrôle.
Comment fonctionne notre solution ? L’approche non-supervisée
Dans un environnement industriel complexe, il est impossible de modéliser à l’avance toutes les signatures sonores de pannes potentielles. Une simple détection basée sur un seuil de niveaux sonores (dB) est inutile face à la variabilité naturelle du bruit (chocs, passage de véhicules, variations de process).
Pour contourner ce problème, Metravib Engineering déploie une architecture d’apprentissage non-supervisé, basée sur des réseaux de neurones spécifiques, qui fonctionne en quatre étapes :
- 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.
Validation avant déploiement : la robustesse par l’injection de défauts virtuels
Comment être certain que l’IA détectera une anomalie couverte par le bruit ambiant d’une usine ? Avant toute implémentation critique, nous testons la robustesse de nos algorithmes en injectant des « défauts virtuels » (enregistrements réels ou simulés de pannes) dans la Baseline sonore de votre site.
Nous faisons varier les niveaux d’émergence pour évaluer la sensibilité du modèle. Si une panne (comme un défaut de roulement) présente une faible émergence et se retrouve masquée par un bruit de ventilation, nos équipes adaptent la captation : filtrage fréquentiel poussé, écoute directive, ou encore enregistrement spatial (ambisonique) pour isoler la source du problème, si celui-ci est connu.
Des bénéfices concrets pour la fiabilité et l’intégrité de vos actifs
En fusionnant notre maîtrise historique des phénomènes vibro-acoustiques et l’intelligence artificielle, l’approche hybride de Metravib Engineering offre des résultats mesurables pour vos campagnes de maintenance :
- Fiabilité électromagnétique : détection précoce des usures de roulement, défauts d’engrenages (multiplicateurs, réducteurs), cavitation des pompes, turbulences ou fuites sous pression.
- Intégrité structurelle : surveillance continue des turbines, alternateurs, compresseurs, transformateurs et disjoncteurs.
- Réduction drastique des faux positifs : grâce à des critères de monitoring personnalisés (temporisation, persistance du défaut), le système ne vous alerte que lorsque c’est absolument nécessaire.
- Optimisation des coûts : vous limitez les arrêts non planifiés, ciblez vos rondes d’inspection et libérez vos techniciens des tâches de surveillance fastidieuses.
Conclusion
Chaque environnement industriel possède sa propre identité sonore. Les solutions génériques montrent rapidement leurs limites face à la réalité du terrain. En associant une compréhension physique profonde des matériaux et du signal à la puissance de l’apprentissage machine (Machine Learning), Metravib Engineering transforme le bruit de vos infrastructures en une donnée stratégique.
Se connecter avec Metravib Engineering
Vous souhaitez fiabiliser vos équipements isolés ou doter vos robots d’inspection d’une intelligence acoustique ? Nos ingénieurs sont à votre disposition pour évaluer le potentiel de vos données.
