Évaluation d’un moteur asynchrone de 40 ans via des techniques hybrides de diagnostic et prédictives basées sur l’IA

Pourquoi les vieux moteurs comptent toujours

Dans les usines, les stations d’épuration et les centrales électriques, de gros moteurs électriques font discrètement fonctionner notre monde. Beaucoup de ces solides ouvriers tournent depuis des décennies, et les remplacer peut être coûteux et perturbant. Cet article examine si un moteur industriel de 40 ans — bien au‑delà de sa durée de vie prévue — peut encore être fiable. En combinant des contrôles électriques classiques, l’imagerie thermique et l’intelligence artificielle moderne, les chercheurs montrent comment décider si un moteur vieillissant est un risque ou un actif bien entretenu.

Un ancien robuste passé au crible

L’étude porte sur un moteur asynchrone de 150 kilowatts entraînant une pompe de transfert d’eau et en service depuis environ 40 ans, bien au‑delà des 20–25 ans habituellement attendus. Plutôt que de supposer que l’âge seul justifie son remplacement, l’équipe a réalisé un bilan complet de santé. Ils ont mesuré la capacité de l’isolation interne à bloquer le courant, les courants de fuite vers la terre et l’équilibre des résistances des enroulements. Ces tests, considérés ensemble, indiquent si les « nerfs » internes du moteur sèchent, se fissurent ou absorbent l’humidité — des problèmes pouvant entraîner des pannes soudaines et coûteuses.

Contrôles électriques et cartes thermiques

Plusieurs tests classiques ont dressé un tableau plutôt positif. Les mesures de résistance d’isolement étaient bien au‑dessus du seuil d’un gigohm que les normes considèrent acceptable pour les vieux moteurs. Une phase présentait un indice de polarisation élevé — indicateur que l’isolation se déshydrate correctement sous tension — tandis que les deux autres phases étaient à la limite, suggérant un vieillissement léger ou de l’humidité. Le courant de fuite, autre alerte précoce de défaillance, est resté bien en dessous des niveaux dangereux typiques, bien qu’une phase apparaisse à nouveau plus faible. En mesurant la résistance de chaque enroulement, l’équipe a constaté un certain déséquilibre, mais insuffisant pour provoquer des points chauds ou une détresse évidente en fonctionnement.

Pour voir le comportement du moteur en charge réelle, les chercheurs ont réalisé un essai de performance complet. Les courbes de couple, de courant et de rendement correspondaient étroitement aux attentes théoriques pour un moteur asynchrone sain, même à fort glissement (la différence entre la vitesse du moteur et celle du champ magnétique tournant). La thermographie infrarouge — en pratique une caméra thermique — a montré une élévation des températures de surface d’environ 65 °C au‑dessus de l’ambiante, encore acceptable pour la classe d’isolation du moteur. Les images thermiques ont révélé de légères différences de température entre phases, corroborant les lectures électriques inégales et pointant des zones à surveiller de près.

Apprendre à une machine à détecter les problèmes

Au‑delà des tests ponctuels, l’équipe s’est demandé si les données issues de ce moteur et d’autres similaires pouvaient alimenter un outil prédictif capable de signaler les problèmes à l’avance. Ils ont assemblé un jeu de données de trois ans provenant de plusieurs gros moteurs anciens, chaque point de données incluant des mesures d’isolation à différents moments, le courant de fuite, la résistance des enroulements corrigée en température, des indices thermiques issus d’images infrarouges et des conditions d’exploitation de base. À partir de ces informations, ils ont entraîné un modèle Random Forest — un type d’ensemble d’arbres décisionnels — pour classer l’état des moteurs en « normal » ou « isolation à risque ». Malgré un faible nombre d’exemples de pannes réelles, le modèle a atteint environ 87 % de précision globale et a pu reconnaître de nombreux cas dégradés, sans toutefois tous les détecter. L’analyse a également montré quelles mesures importent le plus : la résistance des enroulements et les indicateurs thermiques devançaient légèrement la résistance d’isolement et le courant de fuite, soulignant l’intérêt de combiner vues électriques et thermiques.

Projection de la durée de vie restante du moteur

Les auteurs ne se sont pas arrêtés à l’état actuel ; ils ont aussi étudié comment l’isolation pourrait vieillir dans les années à venir. En utilisant des résultats de tests historiques d’âge 25 à 40 ans, ils ont ajusté une courbe exponentielle simple décrivant la baisse de la résistance d’isolement au fil du temps. Cette courbe correspondait bien aux données passées et prévoit qu’autour de 45 ans, la résistance d’isolement du moteur resterait proche de 2 gigohms — au‑dessus du plancher de sécurité habituel. Cependant, les chercheurs insistent sur le fait que ces prévisions ne valent que par la qualité des données qui les alimentent. Étant donné le faible nombre de mesures à long terme et de nombreux facteurs réels comme les variations de température et la contamination, ils considèrent le modèle comme une estimation étayée mais incertaine, et non une garantie.

Ce que cela signifie pour la maintenance des moteurs

En rassemblant tous les éléments, l’étude conclut que ce moteur particulier de 40 ans peut rester en service en toute sécurité, à condition d’être étroitement surveillé. Son isolation électrique, son comportement thermique, ses vibrations et ses statistiques de fiabilité (avec une disponibilité d’environ 99,94 %) soutiennent tous une prolongation de vie, même si deux phases montrent des signes précoces de vieillissement. L’approche combinée — tests électriques réguliers, imagerie thermique, contrôles vibratoires et analyses assistées par IA — offre aux exploitants une méthode pragmatique pour décider quand rénover, rebobiner ou finalement remplacer des équipements coûteux. En termes concrets, ce travail montre qu’un vieux moteur n’a pas à être mis hors service uniquement en raison de son âge ; avec de bons dossiers, un suivi intelligent et une maintenance ciblée, il peut continuer à tourner de façon fiable tout en économisant argent et temps d’arrêt.

Citation: Butukuri, K.R., Giri, N.C., Yemula, P.K. et al. Assessment of a 40-year-old induction motor using hybrid diagnostic and AI-based predictive techniques. Sci Rep 16, 13739 (2026). https://doi.org/10.1038/s41598-026-44319-5

Mots-clés: moteur asynchrone, maintenance prédictive, état de l’isolation, thermographie, apprentissage automatique