Comprendre la détection des défauts

Dispositifs

Equilibreur portable et analyseur de vibrations Balanset-1A

$2,335.73 Le prix initial était : $2,335.73.$2,010.50Le prix actuel est : $2,010.50.

Pièces détachées

Capteur de vibration

$106.44 Le prix initial était : $106.44.$82.79Le prix actuel est : $82.79.

Pièces détachées

Capteur optique (tachymètre laser)

$146.65 Le prix initial était : $146.65.$106.44Le prix actuel est : $106.44.

Dispositifs

Balanset-4

$8,045.54

Pièces détachées

Taille du support magnétique-60-kgf

$54.40

Pièces détachées

Bande réfléchissante

$11.83

Dispositifs

Equilibreur dynamique "Balanset-1A" OEM

$2,051.89 Le prix initial était : $2,051.89.$1,773.97Le prix actuel est : $1,773.97.

Définition : Qu'est-ce que la détection de défauts ?

Détection de défauts est le processus d'identification d'un défaut ou d'une condition anormale dans un équipement grâce à l'analyse de paramètres surveillés tels que vibration, température, mesures de performance ou autres indicateurs. La détection des pannes répond à la question binaire “ Y a-t-il un problème ? ” avant de procéder au diagnostic (identification du problème spécifique) et au pronostic (prévision de la durée de vie restante). C'est la première étape, et la plus fondamentale, de la maintenance conditionnelle, distinguant le fonctionnement normal des conditions de détérioration ou de défaut.

La détection efficace des défauts fournit une alerte précoce, détectant les problèmes des mois avant la défaillance fonctionnelle, permettant ainsi le délai nécessaire à la maintenance planifiée, à l'approvisionnement en pièces détachées et aux temps d'arrêt programmés qui sont les principales propositions de valeur de maintenance prédictive programmes.

Méthodes de détection

1. Dépassement du seuil

Le plus simple et le plus courant :

• Comparer la mesure à celle prédéfinie seuil
• Si mesure > seuil → défaut détecté
• Exemple : une vibration globale > 7,1 mm/s déclenche une alerte
• Avantages : Des critères simples, automatisés et clairs
• Limites: Nécessite un réglage de seuil approprié, un délai pour dépasser le seuil

2. Écart de tendance

Détecte les changements par rapport au modèle normal :

• Croissant s'orienter indique un défaut en développement
• Détecter avant que le seuil absolu ne soit dépassé
• Taux de changement alarmant (augmentations rapides)
• Avantages : Détection précoce, spécifique à la machine
• Exigences: Données de tendance historiques nécessaires

3. Détection d'anomalies spectrales

Identification des composantes de fréquence anormales :

• De nouveaux pics apparaissent dans spectre (fréquences portantes, harmoniques)
• Pics existants augmentant en amplitude
• Changements de motif (développement de bandes latérales)
• Avantages : Indication spécifique du type de défaut
• Exigences: Capacité d'analyse spectrale, spectres de base

4. Méthodes statistiques

• Valeurs en dehors de la distribution statistique normale
• Détection des valeurs aberrantes (> moyenne + 3σ)
• Violations des cartes de contrôle
• Avantages : Tient compte de la variabilité normale
• Exigences: Taille d'échantillon statistique adéquate

5. Reconnaissance de formes

• Algorithmes d'apprentissage automatique
• Réseaux neuronaux formés sur des signatures normales et défectueuses
• Détection automatisée des anomalies
• Avantages : Peut détecter des modèles subtils
• Exigences: Données de formation, ressources informatiques

Mesures de performance de détection

Sensibilité (taux de vrais positifs)

• Pourcentage de défauts réels détectés
• Cible : > 90-95% de problèmes réels détectés
• Sensibilité plus élevée = moins de défauts manqués
• Mesure : (Vrais positifs) / (Vrais positifs + Faux négatifs)

Spécificité (taux de vrais négatifs)

• Pourcentage d'équipements sains correctement identifiés comme sains
• Cible : > 90-95% d'équipements sains non faussement alarmés
• Spécificité plus élevée = moins de fausses alarmes
• Mesure : (Vrais négatifs) / (Vrais négatifs + Faux positifs)

Taux de fausses alarmes

• Pourcentage d'alarmes fausses (pas de défaut réel)
• Cible: < 5-10% fausses alarmes
• Un taux élevé de fausses alarmes entraîne une fatigue liée aux alarmes
• Équilibre avec sensibilité (compromis)

Délai de détection

• Délai entre la détection du défaut et la défaillance fonctionnelle
• Délai d'exécution plus long = plus de valeur (temps de planification)
• Typique : semaines à mois pour les défauts de roulement détectés par des vibrations
• Selon la méthode : Analyse de l'enveloppe détecte plus tôt que les niveaux globaux

Défis de la détection des défauts

Équilibre entre détection précoce et fausse détection

• Une détection très précoce augmente les fausses alarmes
• Attendre des signaux clairs réduit le délai d'exécution
• Optimiser grâce à des alarmes à plusieurs niveaux
• Utiliser plusieurs paramètres pour la confirmation

Défauts intermittents

• Des problèmes qui vont et viennent
• Peut être inférieur au seuil lors des mesures périodiques
• Nécessite surveillance continue ou maintien du pic

Défauts multiples simultanés

• Plusieurs problèmes se développent simultanément
• Peut se masquer mutuellement par des vibrations
• Nécessite une analyse complète
• Plusieurs méthodes de détection aident

Détection de défauts multiparamètres

Vibration + Température

• Les deux augmentent : confirme le problème de roulement
• Vibration uniquement : problème mécanique (déséquilibre, désalignement)
• Température uniquement : problème de lubrification ou de friction
• La confirmation combinée réduit les fausses détections

Paramètres de vibration multiples

• Augmentation du niveau global + émergence de la fréquence des paliers
• Confirme spécifiquement le défaut du roulement
• Détection plus fiable qu'un seul paramètre

Automatisation vs. détection manuelle

Détection automatisée

• Avantages : Rapide, cohérent, capacité 24h/24 et 7j/7
• Méthodes : Vérification de seuil, algorithmes statistiques, apprentissage automatique
• Limites: Peut manquer des problèmes subtils et générer de fausses alarmes

Détection manuelle (experte)

• Avantages : Jugement humain, conscience du contexte, reconnaissance des formes
• Méthodes : Examen du spectre, inspection des formes d'onde, corrélation multiparamétrique
• Limites: Long, non évolutif, expertise requise

Approche hybride (meilleure pratique)

• Détection automatisée pour le dépistage
• Examen des exceptions par des experts
• Combine efficacité et précision
• Norme dans les programmes matures

La détection des pannes est la capacité fondamentale de la maintenance prédictive, qui identifie les problèmes en développement suffisamment tôt pour permettre des interventions planifiées. Une détection efficace des pannes, combinant des méthodes de détection appropriées, des seuils bien définis et un équilibre entre sensibilité et spécificité, fournit des alertes précoces qui optimisent l'utilisation des équipements tout en minimisant les coûts de maintenance et les risques de panne.

---

← Retour à l'index principal