Apprentissage d’images fusionnées guidé par la physique avec excitation par squeeze améliorée pour l’analyse des défaillances des pompes centrifuges multistades

Pourquoi une surveillance plus intelligente des pompes est importante

Derrière de nombreuses usines, centrales électriques et réseaux d’eau se trouvent des pompes centrifuges multistades qui maintiennent silencieusement le mouvement des liquides. Lorsque ces pompes subissent des dommages cachés, les entreprises peuvent perdre des milliers d’heures en réparations et des millions de dollars en temps d’arrêt et en accidents. Cette étude montre comment la combinaison de connaissances physiques et d’une intelligence artificielle moderne basée sur l’image peut repérer précocement des problèmes subtils à l’intérieur de ces pompes, même lorsque les signaux sont bruités et que les conditions d’exploitation varient.

La vie cachée des pompes industrielles

Les pompes centrifuges multistades utilisent plusieurs roues tournantes en série pour augmenter la pression et pousser le fluide dans les conduites. Dans les installations réelles, les défaillances de ces pompes ont entraîné des milliers d’heures de maintenance et des dizaines de millions de dollars de pertes. Les problèmes les plus gênants commencent souvent par des défauts « doux » : de petits trous ou rayures dans les joints mécaniques et une corrosion naissante sur les roues. Ces défauts n’arrêtent pas immédiatement la pompe mais détériorent progressivement les performances et la sécurité. Parce que les pompes fonctionnent sous différentes pressions et sont entourées d’autres équipements vibrants, les premiers signes de panne sont enfouis dans des données de vibration complexes et bruyantes.

Transformer les vibrations en images informatives

Les auteurs ont construit un banc d’essai basé sur une pompe industrielle et ont introduit délibérément trois défauts doux réalistes : un trou foré dans un joint, une rayure sur un joint et une perte de matière sur une roue, ainsi qu’un état normal. Des capteurs de vibration ont été montés sur le carter de la pompe, près des joints et près de la roue. Plutôt que de traiter l’enregistrement de vibration entier comme également utile, l’équipe a d’abord découpé chaque signal en nombreuses courtes fenêtres temporelles. Ils ont ensuite noté ces fenêtres à l’aide de trois mesures physiquement significatives : l’énergie globale, l’impulsivité et la proportion d’énergie située dans une bande de fréquence connue en physique des pompes pour être sensible aux défauts. Seules les fenêtres les mieux notées, les plus susceptibles de contenir des informations utiles sur les défauts, ont été conservées pour l’analyse ultérieure.

Fusionner trois vues d’un même signal

À partir de chaque fenêtre sélectionnée, les chercheurs ont créé une image « fusionnée » spéciale conçue pour capturer différents aspects du comportement de la pompe. Un canal est une version guidée par la physique d’un spectrogramme Mel, qui met en évidence la façon dont l’énergie de vibration se répartit dans le temps et la fréquence, avec un accent supplémentaire sur la plage de fréquence où les défauts apparaissent généralement. Un deuxième canal, appelé Gramian Angular Difference Field, transforme le signal temporel en une image structurée qui révèle comment les points du signal se rapportent entre eux au fil du temps, faisant ressortir les impacts irréguliers et les changements non linéaires. Un troisième canal, la carte d’interaction croisée, renforce les zones où les deux autres vues sont en accord et affaiblit celles probablement causées par le bruit. Empiler ces trois canaux produit une image compacte qui encode ensemble le temps, la fréquence et la structure temporelle.

Guider l’intelligence artificielle avec la physique

Ces images fusionnées sont ensuite alimentées dans un réseau neuronal convolutionnel compact qui apprend à reconnaître les motifs liés à des conditions spécifiques de la pompe. Une innovation clé est un mécanisme d’attention « excitation par squeeze améliorée ». En termes simples, le réseau ne se contente pas d’examiner les caractéristiques visuelles qu’il a apprises : il reçoit également un petit vecteur d’appoint composé d’indicateurs de vibration classiques dérivés de la physique, tels que le niveau quadratique moyen (RMS), l’impulsivité, le facteur de crête et la part d’énergie dans la bande sensible aux défauts. Le module d’attention utilise cette information secondaire pour décider quelles voies de caractéristiques internes mettre en avant ou atténuer, poussant le réseau à se concentrer sur des motifs correspondant au comportement mécanique réel plutôt que sur des corrélations spurielles des données.

Quelle est l’efficacité de l’approche ?

Le cadre a été testé sur des données de vibration réelles provenant du banc d’essai de la pompe fonctionnant à trois pressions représentatives de l’usage industriel : 3 bar, 3,5 bar et 4 bar. Pour chaque pression, le modèle devait distinguer le fonctionnement normal des trois types de défauts. Sur l’ensemble des pressions, il a atteint une précision de classification supérieure à 99 %, avec un score F1 macro (équilibre entre précision et rappel) également supérieur à 0,99, et il a atteint des scores parfaits à la pression la plus élevée. Les auteurs ont comparé leur méthode à plusieurs alternatives avancées, y compris l’apprentissage par transfert à partir de réseaux d’image standards, l’extraction de caractéristiques basée sur l’entropie et d’autres modèles profonds inspirés par la physique. Dans tous les cas, l’approche d’image fusionnée guidée par la physique avec attention a égalé ou surpassé ces concurrents, en particulier lorsque les conditions d’exploitation variaient.

Qu’est-ce que cela implique pour la maintenance en conditions réelles

Pour les ingénieurs et les exploitants d’installations, ce travail illustre une manière pratique de combiner leur compréhension de la physique des pompes avec la capacité de détection de motifs de l’apprentissage profond. En sélectionnant soigneusement les parties les plus informatives des signaux de vibration, en les convertissant en images riches mais compactes et en orientant le réseau avec de simples indicateurs physiques, la méthode peut signaler de manière fiable des dommages en phase initiale des joints et des roues bien avant une panne catastrophique. À long terme, de tels outils d’IA conscients de la physique pourraient aider à faire passer la maintenance des pompes d’interventions réactives après des pannes à des interventions planifiées basées sur des alertes précoces fiables.

Citation: Ullah, S., Umar, M. & Kim, JM. Physics guided fused image learning with enhanced squeeze excitation for failure analysis of multistage centrifugal pumps. Sci Rep 16, 16179 (2026). https://doi.org/10.1038/s41598-026-47809-8

Mots-clés: défaillances de pompes centrifuges, surveillance des vibrations, apprentissage profond guidé par la physique, maintenance conditionnelle, diagnostic industriel