La surveillance des éléments tournants par l'analyse vibratoire reste aujourd'hui l'outil le plus efficace pour surveiller l'état interne des machines en fonctionnement. La littérature fournit des méthodes de traitement du signal de plus en plus fines qui permettent de répondre à différents modes de fonctionnement. Ces méthodes aboutissent le plus souvent à des indicateurs dont le suivi permet de détecter la présence d'un défaut, de le localiser, et estimer le degré de sévérité. Cependant, les performances de ces derniers sont souvent liées à des cas de fonctionnement précis. Les évolutions de ces indicateurs peuvent être influencées par d'autres paramètres, par exemple, le remplacement d'un composant, la réparation du système, ou les variations liées aux défaut, ce qui peut provoquer des fausses alarmes et remettre en question la fiabilité du diagnostic. Pour exploiter au mieux l'information contenue dans les indicateurs de défauts, les méthodes de classification s'avèrent pertinentes et efficaces. Elles séparent les différents états de la machine permettant de distinguer différents types de défaut. Cependant la classification est le plus souvent réalisée sur des données a posteriori et est dite « statique ». La classification dynamique ou temps réel semble pouvoir relever certains défis scientifiques et technologiques pour un suivi en temps réel des systèmes. Elle consiste à extraire, à sélectionner des indicateurs et ensuite à classifier les individus (observations) de façon continue en intégrant les informations antérieures.

Parmi les méthodes existantes, on peut citer la méthode DFBSCAN, dynamic fuzzy density-based spatial clustering of applications with noise, qui est une version dynamique et floue de la méthode de classification DBSCAN adaptée pour un apprentissage en ligne, la méthode MDFKNN, modified dynamic fuzzy near neighbors, (Kerroumi, 2016) et la méthode RT- OPTICS, Real Time Ordering Points To Identify Clustering Structure, (Benmahdi, 2017). Ces méthodes distinguent les variations des observations liées au changement du mode de fonctionnement de la machine de type variation de vitesse ou de charge et les variations liées aux défauts mécaniques. Cependant, ces méthodes ne proposent pas une stratégie complète et optimale de classification pour la maintenance conditionnelle. Certains éléments comme la projection des individus sur des composantes linéaires, le suivi des variables statistiques (distance, dispersion, densité) par rapport à un état de référence, sont manquants.

Ce papier propose une stratégie s'appuyant sur 4 étapes majeures : (i) la définition de la « classe saine » correspondante à l'état sain de la machine surveillée à partir d'indicateurs représentatifs des états d'endommagements possibles, (ii) la détection d'une nouvelle classe, nommée « classe dégradée » obtenue par projection successives des individus à chaque nouvel acquisition ; à la détection, la classe saine et le repère seront considérés comme référence, (iii) le diagnostic du type d'endommagement avec une phase de fiabilisation, (iv) le suivi de la « classe dégradée » par le biais de variables statistiques obtenues par comparaison à la classe saine. Des validations sur des données simulées et des données expérimentales obtenues sur un banc de laboratoire permettent d'évaluer les performances de la stratégie proposée.

Benmahdi, D. Rasolofondraibe, L., Chiementin, X. Murer S., Felkaoui, A., RT-Optics: Real-Time classification based on OPTICS method to monitor bearings faults, Journal of Intelligent Manufacturing, 2017.

Kerroumi S., L. Rasolofondraibe L. and Chiementin X., Online classification for spalling detection and vibratory behaviour monitoring, Mechanics & Industry, 15(6), 2014