Machine Learning and Predictive maintenance: vibration monitoring of rotating machinery

Abstract

La maintenance prédictive est devenue une approche précieuse pour réduire les temps d'arrêt imprévus et minimiser les coûts de maintenance dans les industries dépendantes des machines tournantes. En tirant parti des techniques avancées d’apprentissage automatique, il est possible d’exploiter la richesse des données vibratoires collectées sur ces actifs critiques pour prévoir leur état opérationnel futur. Dans ce projet, l'objectif était d'exploiter un vaste ensemble de données sur les vibrations des machines tournantes afin de former des modèles capables de prédire la durée de vie utile restante et les pannes imminentes de l'équipement. Pour y parvenir, nous avons utilisé deux puissants algorithmes d'apprentissage automatique : les machines à vecteurs de support (SVM) et les classificateurs de régression logistique. Le modèle SVM a été formé pour estimer la durée de vie restante des composants rotatifs, fournissant ainsi aux opérateurs un avertissement préalable en cas de panne imminente. En complément, le classificateur de régression logistique a été utilisé pour identifier les équipements susceptibles de tomber en panne dans un délai spécifié, permettant ainsi une planification de maintenance proactive. Ces modèles prédictifs ont été rigoureusement validés et ont démontré une grande précision dans la prévision de l'état opérationnel futur des machines tournantes, ouvrant la voie à des stratégies de maintenance basées sur les données et basées sur l'état qui optimisent les performances des actifs et minimisent les temps d'arrêt imprévus.