Une méthode de diagnostic des défauts de roulements pour systèmes complexes basée sur une base de règles de croyance étendue améliorée

Pourquoi il est crucial de préserver la santé des machines tournantes

Des éoliennes aux convoyeurs d'usine, de nombreuses machines industrielles reposent sur des roulements et des engrenages qui tournent à grande vitesse pendant des années. Lorsque ces éléments invisibles commencent à céder, ils peuvent arrêter des lignes de production entières voire provoquer des accidents dangereux. Cet article propose une nouvelle façon de détecter ces défauts tôt et de manière fiable, même lorsque les données réelles sont désordonnées, bruitées et fortement déséquilibrées en faveur du fonctionnement normal.

Le problème des défauts rares et des signaux bruités

En usage courant, les roulements et engrenages sont sains la plupart du temps, si bien que les enregistrements de vibrations contiennent beaucoup plus d'exemples normaux que d'exemples défaillants. Les méthodes standard fondées sur les données, comme les réseaux neuronaux, peuvent apprendre des motifs impressionnants mais ont tendance à privilégier la classe majoritaire, négligeant souvent les signatures de défaut rares qui comptent le plus. Par ailleurs, les capteurs de vibration évoluent en environnements difficiles, encombrés de bruits mécaniques et électriques, ce qui brouille les détails fins nécessaires pour distinguer différents types de défauts — par exemple une détérioration de la piste intérieure, de la piste extérieure ou des billes. Ensemble, ces problèmes rendent difficile la construction de systèmes de diagnostic à la fois précis et dignes de confiance en dehors du laboratoire.

Mêler règles d'experts et statistiques plus fines

Les auteurs s'appuient sur une famille de modèles appelés bases de règles de croyance, qui combinent des règles d'experts du type « SI certaines caractéristiques ressemblent à ceci, ALORS le roulement est dans cet état » avec des probabilités exprimant l'incertitude. Une version étendue de ce cadre, nommée EBRB, convertit les mesures brutes des capteurs en niveaux de croyance gradués (par exemple très faible, moyen ou très élevé) plutôt qu'en seuils durs. Cela facilite la gestion d'informations vagues ou partielles. Cependant, les versions antérieures s'appuyaient sur une simple distance géométrique pour décider de la qualité de l'appariement entre un nouveau motif de vibration et une règle stockée — un choix qui ne reflète pas pleinement les différences entre distributions de probabilité sous-jacentes lorsque les signaux sont bruités.

Mesurer l'information plutôt que la distance

Pour mieux capturer les changements subtils dans les motifs de vibration, l'article remplace la distance pure par un outil de la théorie de l'information appelé divergence de Kullback–Leibler. Plutôt que de demander à quelle distance se trouvent deux points dans l'espace, cette mesure évalue combien d'information est perdue lorsqu'un motif de probabilité est utilisé pour imiter un autre. En calculant une version symétrique de cette divergence entre les profils de croyance des données entrantes et chaque règle, le modèle peut juger les appariements d'une manière qui tient compte de la façon dont la masse de probabilité est répartie, et pas seulement de son amplitude. Cela conduit à une activation des règles plus précise, en particulier lorsque différents défauts présentent une intensité globale similaire mais diffèrent par la distribution de leurs caractéristiques.

Donner aux défauts rares une voix équitable

Même avec un meilleur appariement, un jeu de données déséquilibré peut encore biaiser l'apprentissage en faveur de l'état sain majoritaire. Pour contrer cela, les auteurs introduisent une stratégie d'ensemble par sous-échantillonnage. Ils réduisent à plusieurs reprises le nombre d'échantillons sains abondants et les combinent avec tous les échantillons de défaut disponibles pour créer plusieurs sous-ensembles d'entraînement équilibrés. Pour chaque sous-ensemble, ils entraînent un modèle étendu de base de règles de croyance distinct, puis affinent ses poids internes à l'aide d'un algorithme d'évolution différentielle, une méthode de recherche par population bien adaptée aux espaces de paramètres complexes. Au moment de la prédiction, tous ces sous-modèles analysent les mêmes données entrantes, et un système de vote décide de l'étiquette finale de santé, offrant ainsi aux motifs de défaut rares plusieurs occasions d'être reconnus.

Performances en conditions réelles

L'équipe teste son approche sur deux jeux de données de référence largement utilisés : l'un pour les roulements à billes et l'autre pour les engrenages. Pour imiter des conditions réalistes, ils entraînent sur des données de vibration enregistrées à une fréquence d'échantillonnage ou sous une condition de fonctionnement, puis testent sur des données prises dans une autre condition, tout en conservant un fort déséquilibre des classes dans les deux ensembles. Selon plusieurs métriques telles que la précision, la précision par classe (precision), le rappel (recall) et le score F1, la nouvelle méthode surpasse de façon constante les systèmes traditionnels de bases de règles de croyance, les modèles classiques d'apprentissage automatique et les techniques populaires de gestion du déséquilibre. Elle montre des gains particulièrement marqués sur les classes minoritaires de défaut et maintient de bonnes performances même lorsque du bruit artificiel est ajouté aux caractéristiques clés du signal.

Ce que cela signifie pour les machines réelles

Pour un non spécialiste, le message clé est que cette méthode fournit aux roulements et aux engrenages un « contrôle de santé » plus fiable dans les conditions désordonnées rencontrées dans les usines. En combinant des règles de type expert avec une méthode plus fine pour comparer des profils de probabilité et un système de vote équitable pour les événements rares, l'approche réduit le risque que les signes précoces de dommages soient noyés par l'abondance de données normales et le bruit de fond. Les auteurs concluent que leur base de règles de croyance ensembliste peut offrir un diagnostic de défaut précis, interprétable et résistant au bruit, et suggèrent de l'étendre à d'autres pièces tournantes tout en automatisant le nombre optimal de sous-ensembles de données nécessaires pour de meilleures performances.

Citation: Yan, X., Li, N., Nan, S. et al. A bearing fault diagnosis method for complex system based on improved extended belief rule base. Sci Rep 16, 15827 (2026). https://doi.org/10.1038/s41598-026-44629-8

Mots-clés: diagnostic des défauts de roulement, diagnostic des défauts d'engrenage, surveillance par vibration, apprentissage ensembliste, base de règles de croyance