Surveillance de l’état des moteurs à démarrage à froid utilisant des signaux multi-capteurs et un apprentissage automatique pseudo-supervisé

Résumé

Les données de télémétrie multi-capteurs (courant, tension, température, humidité, vibration) provenant des servomoteurs sont traitées à l’aide d’un clustering structurel non supervisé, de la détection d’anomalies basée sur l’isolement et d’une cartographie des risques informée par la physique. Ce cadre produit des pseudo-étiquettes binaires déterministes et des états diagnostiques en temps réel très précis pour la surveillance de l’état.

Résumé

Alors que la maintenance prédictive passe du paradigme centré sur les données de l’Industrie 4.0 au cadre durable et centré sur l’humain de l’Industrie 5.0, diagnostiquer les affections des servomoteurs rencontre le double défi de la rareté des données et d’un manque profond d’échantillons de défauts étiquetés. Pour résoudre ce problème de démarrage à froid, nous présentons un cadre d’apprentissage automatique pseudo-supervisé évalué sur un ensemble de données personnalisé à cinq canaux comprenant 199 échantillons de télémétrie servo-moteur (courant, tension, température, humidité et vibrations). La méthodologie intègre un partitionnement structurel strict (k-means) et une estimation de confiance postérieure douce (modèles de mélange gaussien) pour caractériser les modes de fonctionnement sans annotation préalable. Parallèlement, un modèle de forêt d’isolation quantifie l’intensité des anomalies et établit un seuil dynamique basé sur les quantiles. Une innovation cruciale de cette recherche est la cartographie déterministe des risques dérivée des priors d’ingénierie ; Il définit l’état « à haut risque » (anormal) en pondérant inversement les marges de sécurité physique des capteurs. Ce mécanisme associe strictement les clusters non supervisés à des pseudo-étiquettes binaires. Ces labels sont ensuite utilisés pour superviser les discriminateurs en aval (Random Forest et Support Vector Machine). Le diagnostic final en ligne produit une fusion au niveau du score entre la probabilité du classificateur et la GMM postérieure, déterminée par le seuil d’anomalie. L’évaluation quantitative démontre que le modèle Random Forest a obtenu un score F1 parfait de 1,000, tandis que la SVM comparative a donné un score F1 de 0,997, prouvant que le cadre est une solution robuste, interprétable et très précise pour la surveillance de la santé industrielle à froid.

Introduction

La fiabilité des systèmes de contrôle servomoteurs a historiquement été un indicateur de performance critique dans l’automatisation industrielle. À mesure que la maintenance prédictive évolue du paradigme centré sur les données de l’Industrie 4.0 vers le cadre durable et centré sur l’humain de l’Industrie 5.0, les systèmes doivent garantir une haute précision tout en favorisant activement l’efficacité énergétique et la résilience ^{opérationnelle 1,2,3}. Les pannes survenant lors d’ions à long terme dans des environnements difficiles peuvent entraîner des arrêts catastrophiques d’équipement, des dommages structurels graves et des pertes économiques importantes ^4,5,6. Par conséquent, le diagnostic précoce des défauts naissants est passé d’un luxe à une exigence essentielle. Pour obtenir une évaluation de l’état robuste, les systèmes industriels modernes s’appuient de plus en plus sur la technologie multi-capteurs. En acquérant simultanément diverses modalités de signal — telles que le courant, la tension, la température et les vibrations — les ingénieurs peuvent construire une vue globale et en haute dimension de l’état du moteur ^7,8. La fusion des données multi-sources des capteurs améliore considérablement la robustesse et la précision des systèmes de diagnostic par rapport aux approches à capteur^{unique 9,10}.

Malgré les avancées en fusion de capteurs et apprentissage automatique, un goulot d’étranglement crucial dans le déploiement réel subsiste : le défi du « démarrage à froid ». Dans un environnement de production typique, les machines fonctionnent normalement pendant la grande majorité de leur cycle de vie, entraînant des déséquilibres de classe extrêmes où les échantillons sains dépassent largement les échantillons défectueux. Les modèles standards d’apprentissage profond supervisé nécessitent des ensembles de données massifs, équilibrés et précisément annotés pour converger^{efficacement 11,12}. Lorsque les étiquettes sont totalement indisponibles ou trop coûteuses à obtenir, ces paradigmes supervisés s’effondrent¹³. Ainsi, le problème fondamental abordé dans cette étude est la conversion des données moteurs multi-capteurs non étiquetées en un signal d’avertissement diagnostique binaire fiable, sans la nécessité de données d’entraînement manuellement étiquetées.

En réponse au défi de la rareté des données, les recherches récentes se sont orientées vers des techniques de détection non supervisée des anomalies. Les approches courantes incluent les machines à vecteurs de support à une classe (OC-SVM), les encodeurs automatiques profonds et le score d’anomalie basé sur l’isolation^{directe 14}. Bien que ces méthodes signalent efficacement les écarts statistiques, leur application directe au diagnostic des défauts moteurs présente des limites significatives. Les OC-SVM sont notoirement sensibles aux caractéristiques non stationnaires des charges industrielles dynamiques, ce qui entraîne souvent des taux élevés de faux positifs. Les encodeurs automatiques, bien qu’efficaces pour minimiser les erreurs^{de reconstruction 15}, fonctionnent comme des boîtes noires ininterprétables ; Ils peinent à traduire une perte de reconstruction mathématique en une catégorie de défaut physique^{actionnable 16}. De plus, les approches de notation directe par anomalie, telles que les forêts d’isolement^{standard 17}, indiquent simplement qu’un échantillon est un cas statistique atypique. Ils ne parviennent pas à établir une frontière déterministe de décision entre les états « fonctionnels » et « défaillants » ancrés dans des réalités d’ingénierie. Essentiellement, ces approches manquent du pont sémantique nécessaire pour mapper des clusters de données non supervisés sur des étiquettes diagnostiques explicites.

Pour combler ce fossé méthodologique, cette étude propose un cadre unifié d’apprentissage automatique pseudo-supervisé. La logique de conception du flux de travail proposé diffère fondamentalement de celle des détecteurs d’anomalies autonomes. Plutôt que de s’appuyer sur une seule erreur ou frontière globale de reconstruction, le pipeline partitionne d’abord l’espace des fonctionnalités multi-capteurs en utilisant un clustering hard-soft non supervisé (k-means et modèles de mélange gaussienne) pour identifier des modes opérationnels distincts. Par la suite, au lieu d’attribuer des étiquettes arbitraires, une fonction déterministe de cartographie des risques est construite à partir de priors d’ingénierie établis (c’est-à-dire les marges de sécurité physiques pour les vibrations et la température). Cette correspondance physique agit comme un ancrage heuristique, attribuant automatiquement des pseudo-étiquettes binaires (« Fonctionnel » ou « Défaillance ») aux clusters non supervisés. Ces pseudo-étiquettes informées par la physique sont ensuite utilisées pour entraîner des discriminateurs supervisés (Random Forest et SVM) à apprendre des frontières complexes et non linéaires. Parallèlement, une Forêt d’Isolation sert de porte d’anomalie indépendante, filtrant les valeurs extrêmes qui ne correspondent à aucun amas établi. Ce pipeline combiné est très avantageux car il exploite le pouvoir discriminatoire de l’apprentissage supervisé tout en maintenant l’autonomie sans étiquette du clustering non supervisé.

L’objectif scientifique principal de cette recherche est de développer un système automatisé de surveillance de l’état capable de fonctionner sous des contraintes strictes de démarrage à froid. Nous testons explicitement l’hypothèse selon laquelle le couplage d’un clustering structurel non supervisé avec un mécanisme de pseudo-étiquetage piloté par l’ingénierie a priori peut produire une frontière de classification supervisée avec une performance diagnostique rivalisant avec celle des modèles entraînés sur des données annotées manuellement. En validant ce cadre semi-supervisé sur un ensemble de données personnalisé multi-capteurs servo-moteurs, cette étude démontre que l’intégration de l’interprétabilité classique des caractéristiques avec la porte d’anomalie permet une classification des défauts très précise sans données d’entraînement marquées, réduisant ainsi la charge cognitive sur les ingénieurs de terrain et faisant progresser l’esprit collaboratif de l’Industrie 5.0.

Protocole

1. Installation expérimentale et prétraitement des données

REMARQUE : Le cadre de traitement et de modélisation des données proposé dans cette étude a été mis en œuvre via des scripts personnalisés développés dans un langage de programmation de haut niveau, tirant parti des bibliothèques open source standard pour le calcul numérique et l’apprentissage automatique. La validation expérimentale a été réalisée sur une station de travail de calcul haute performance équipée d’un processeur multi-cœurs et d’une unité de traitement graphique (GPU) discrète. Des détails spécifiques concernant tous les environnements logiciels, le matériel de calcul et les composants des capteurs sont fournis dans le tableau des matériaux. Un aperçu schématique du cadre proposé, illustrant le flux de données de l’apprentissage hors surveillance hors ligne jusqu’au processus de décision en ligne à double seuil, est présenté dans la Figure 1. Le jeu de données comprend 203 échantillons agrégés par fenêtre temporelle plutôt que des lectures brutes instantanées, collectées pendant que le servomoteur fonctionnait sous des régimes de charge variés pour simuler des conditions réalistes sur le plancher d’atelier.

1. Déploie stratégiquement les nœuds capteurs.
2. Monter des accéléromètres de vibration sur le boîtier du moteur, tandis que des sondes de courant, de tension et de température étaient intégrées au circuit d’entraînement.
3. Synchronisez tous les signaux des capteurs via une carte centralisée d’acquisition de données (DAQ) à une fréquence d’échantillonnage de 10 kHz.
4. Appliquer des procédures d’étalonnage standard et un filtrage passe-bas numérique pour éliminer le bruit électromagnétique à haute fréquence avant l’extraction des caractéristiques.
5. Extraire un résumé statistique (par exemple, la moyenne ou la racine quadratique moyenne) d’un cycle de mesure d’une seconde pour chacun des 203 échantillons. Ces cinq variables spécifiques — courant (A), tension (V), température (°C), humidité ( %) et vibrations (mm/^{s 2} ou g) — ont été délibérément sélectionnées.
6. Supprimer les enregistrements contenant des valeurs manquantes (NaN) pour assurer la stabilité de la modélisation, établissant ainsi un ensemble de données affiné de 199 échantillons valides.
7. Appliquez la normalisation du score Z à chaque canal de capteur pour chaque échantillon afin d’éliminer les disparités d’échelle critiques pour les algorithmes d’apprentissage structurel à distance :
   (1)
   où x_ij représente la valeur brute, μ_j est la moyenne de la caractéristique j, et σ_j est l’écart-type.
8. Stockez la matrice normalisée sous forme de X_s pour toutes les étapes de traitement suivantes.
   REMARQUE : L’analyse en composante principale (PCA) était utilisée uniquement pour la visualisation en projetant X_s dans une matrice d’immersion bidimensionnelle (Figure 5), et ne servait pas d’entrée aux modèles en aval.

2. Apprentissage structurel non supervisé

1. Déterminez le nombre optimal de clusters (K*) en évaluant les valeurs candidates K (allant de 2 à 10).
2. Calculons la somme des carrés dans le cluster (WCSS) pour générer une courbe coude (Figure 3) :
   (2)
3. Calculez simultanément le coefficient de silhouette S(I) pour chaque K (Figure 4) afin d’évaluer la cohésion structurelle et la séparation :
   (3)
4. Établir le nombre optimal de cluster au score moyen maximum de Silhouette (par exemple, K*=2).
5. Appliquez l’algorithme k-means à X_s, en minimisant le WCSS pour obtenir les centroïdes _{μ c} et les étiquettes de cluster rigides pour chaque échantillon.
6. Entraînez un Modèle de mélange gaussienne (GMM) avec K* composantes pour capturer l’incertitude inhérente des frontières de condition.
7. Calculez la probabilité a posteriori pour chaque échantillon après avoir estimé les paramètres , et extrayez la probabilité a posteriori maximale comme une métrique de confiance douce :
   (4)

3. Modélisation des anomalies et seuils dynamiques

1. Entraîner un modèle de forêt d’isolation sur X_s pour identifier les valeurs aberrantes qui s’écartent des structures principales du groupe.
2. Calculer le score d’anomalie s_if(z), allant de 0 à 1, basé sur la longueur de chemin attendue E[h(z)] :
   (5)
3. Déterminez le seuil statique τ_anom d’anomalie en modélisant analytiquement la distribution du score (s_if) de l’anomalie à l’aide de l’estimation de la densité du noyau (KDE).
4. Dériver le quantile mathématiquement pour limiter l’intervalle de confiance à 90 % de la variance opérationnelle normale.
   REMARQUE : Dans cet ensemble de données, cela a donné un seuil déterministe de τ_anom = 0,592, par lequel des échantillons avec _{s if}(z) > 0,592 étaient signalés comme anomalies.
5. Établir une fenêtre coulissante couvrant les N échantillons de télémétrie les plus récents afin de recalculer périodiquement la distribution des scores d’anomalie.
6. Mettez à jour dynamiquement le seuil à l’aide d’une moyenne mobile pondérée exponentiellement (EWMA) : , où α sert de facteur d’oubli et Y_local est le quantile dérivé de la fenêtre opérationnelle actuelle.

4. Génération de pseudo-étiquettes via la cartographie des risques

1. Calculez le score de risque r_i pour chaque échantillon comme une combinaison linéaire des caractéristiques normalisées afin de combler l’écart sémantique :
   (6)
2. Définir le score de risque R pour chaque centroïde de cluster en appliquant une combinaison linéaire pondérée des moyennes des caractéristiques normalisées.
3. Calculez la valeur spécifique de chaque poids (w_j) comme l’inverse de la marge de sécurité physique du canal capteur correspondant.
4. Normalisez ces marges inverses à l’aide de l’équation suivante, où v_j représente la marge de sécurité inverse pour le canal :
   (7)
   \mu_r()g\max_cm
5. Validez ces pondérations initialisées en assurant une corrélation positive du classement Spearman () entre les scores de risque de cluster et les scores médians d’anomalies de la forêt d’isolement.
6. Calculez le score de risque moyen pour chaque groupe k-means.
7. Identifier le cluster présentant le risque moyen maximal comme mode de défaillance : .
8. Générez des pseudo-étiquettes binaires y_super pour tous les échantillons, en attribuant 0 (Défaillance) au cluster à haut risque et 1 (Fonctionnel) sinon :
   (8)

5. Formation supervisée des classificateurs et fusion en ligne

1. Implémentez un schéma de validation croisée en 5 volets pour évaluer rigoureusement la performance du modèle et prévenir les fuites d’informations.
2. Confinez l’ensemble du pipeline de pseudo-étiquetage strictement à la répartition d’entraînement dans chaque pli.
3. Transformer la répartition isolée de validation en utilisant uniquement les paramètres appris exclusivement du pliage d’entraînement.
4. Entraînez un classificateur Random Forest (RF) utilisant X_s comme caractéristiques et le _{y super} dynamiquement généré comme cible. Le modèle produit l’estimation de probabilité pour la classe ouvrière, notée p_rf(z).
5. Entraîner une machine à vecteurs de support (SVM) équipée d’un noyau RBF pour générer une valeur de fonction de décision f(z) comme validateur comparatif.
6. Déployez un mécanisme de fusion au niveau du score pendant la phase d’inférence en ligne.
7. Synthétiser un score fusionné s(z) pour un nouvel échantillon acquis en combinant la probabilité RF supervisée et la confiance GMM non supervisée :
   (9)
8. Classifiez le statut final à l’aide d’une logique à double seuil : un état est classé comme « Fonctionnant » si et seulement si ET .
   (.

Résultats

Le cadre proposé a été validé à l’aide d’un ensemble de données multi-capteurs auto-collecté. Après suppression des enregistrements incomplets, le jeu de données final comprenait 199 échantillons agrégés valides par fenêtre temporelle. L’environnement système et les paramètres de l’algorithme sont détaillés dans le Tableau 1.

Corrélation des caractéristiques et composition des ensembles de données
Pour évaluer la redondance...

Discussion

Ce protocole présente une méthodologie robuste pour l’identification des conditions motrices dans les scénarios de démarrage à froid où les données marquées sont absentes. En intégrant l’apprentissage structuratif non supervisé avec la classification pseudo-supervisée, la méthode surmonte les limites de l’apprentissage supervisé traditionnel, qui repose fortement sur l’annotation^{humaine 13, 18, 19}

Matériaux

Liste des matériaux utilisés dans cet article

Nom	Entreprise	Numéro de catalogue	Commentaires
Catégorie			Composant et version
Système d'exploitation			Windows 11 Professional 23H2
Processeur			Intel Core i9-14900HX
Mémoire			32 Go
Processeur graphique			NVIDIA GeForce RTX 4070 Laptop GPU (8 Go)
Python			3.12
NumPy			1.26
pandas			2.2
scikit-learn			1.5
Matplotlib			3.8
Seaborn			0.13
Graine aléatoire