Le laboratoire MGMV consacre traditionnellement une grande activité à la surveillance et au diagnostic des machines. Dans l’effort continu pour améliorer les outils disponibles, une recherche soutenue a été menée pendant ces dernières années, principalement concentrée sur le traitement des signaux et sur la surveillance, par exemple en développant des outils basés sur la théorie de chaos pour une détection précoce des opérations erronées, et en général en améliorant considérablement le logiciel disponible ; l’évolution de la révision de la boîte à outils informatique spécifi que a atteint un stade avancé d’accomplissement. Pour la surveillance, nous développons maintenant, entre autres, des techniques de détection de nouveauté, et des techniques de séparation aveugle des sources. Au sujet du premier point, on peut préciser que beaucoup de problèmes de surveillance d’état sont mieux abordés avec une approche de détection de nouveauté. La tâche de surveillance est de décider quand une machine ne fonctionne pas correctement. En général, il y aura une très grande quantité de données relevées lorsque la machine fonctionne correctement, et très peu ou aucune donnée ne seront disponibles lorsqu’elle fonctionne dans un état défectueux. En outre, souvent, bien des types différents de défaut peuvent se produire, ainsi il est impossible de recueillir assez de données pour chaque défaut et combinaison de défauts qui pourraient être présents. Une approche alternative est de perfectionner un modèle afi n qu’il puisse identifi er quand la machine fonctionne correctement, et traiter n’importe quel écart signifi catif de ce modèle comme un défaut potentiel qui exige davantage d’investigations. Actuellement, notre nouvelle tendance de développement est davantage consacrée au diagnostic de machines, en essayantde développer, essayer, et introduire, des modules de diagnostic automatiques dans notre code informatique. Un grand effort de recherche que nous avons commencée et que nous projetons de développer dans un proche avenir, est lié à l’introduction dans les machines tournantes et de puissance, de techniques de diagnostic d’installations industrielles prises (avec de grandes modifi cations) dans d’autres champs, non seulement de la technologie, mais également de la médecine, de la biologie, des sciences économiques… Pour le diagnostic, nous testons l’utilisation des techniques d’identifi cation de la voix, d’identifi cation d’image et de forme, d’extraction de données, etc. Les systèmes experts codifi ent sous forme de règles la connaissance de l’expert, rendant possible, aux opérateurs de niveau moindre, l’interprétation des données quand l’expert n’est pas disponible ou plus disponible, ce qui permet des économies signifi catives. Si certaines règles ne sont pas connues, il est possible d’essayer de les extraire automatiquement, à partir des données acquises par des techniques d’extraction de données, par exemple en associant la présence de certains éléments (les antécédents) à la présence d’autres éléments (les conséquents). Comme alternative, nous pouvons employer les réseaux de neurones, capables de s’auto-instruire sur la base d’un nombre suffi sant d’exemples. Puisque les réseaux de neurones émulent le comportement du cerveau humain, ils ont l’avantage d’une rigidité plus faible en ce qui concerne les méthodes basées sur des règles. En fait, ils sont capables d’identifi er des cas similaires mais pas exactement égaux, d’extraire les caractéristiques essentielles à partir des données affectées par du bruit, et de s’adapter aux changements du processus au cours du temps ; en outre, leur ajustement est généralement plus rapide. Le présent article décrit quelques aspects de l’expérimentation en cours. Les premiers consistent spécifi quement en essais et comparaisons d’applications, travaillées avec des modifications à des cas spécifi ques, d’algorithmes de classement. Les données utilisées ont été produites par un modèle expérimental de rotor, ce qui a rendu possible de créer différents états anormaux typiques de fonctionnement des machines tournantes (frottement, rotor fi ssuré, défaut de palier) : la grande quantité de données expérimentales ainsi obtenue a été traitée dans une phase ultérieure par le logiciel de diagnostic considéré. Les méthodes de classement partitionnelles et hiérarchiques ont été prises en compte. Les premières sont basées sur des partitions constituées selon des critères particuliers, de façon à répartir les objets dans des classes sans empiétement, de telle manière que chaque objet appartienne à seulement une classe. Parmi celles-ci, on a appliqué et comparé des techniques où chaque classe se compose d’un ensemble de points choisis pour être plus proche du centre de leur classe que du centre des autres. Ainsi nous avons examiné la méthode de la k-moyenne (chaque faisceau est représenté par son vecteur moyen, et chaque point de données est affecté à la classe avec le vecteur le plus proche, en minimisant le carré de la distance), et la méthode de la kmedoid (qui est moins sensible aux points extérieurs, minimisant la distance moyenne ou dissimilitude de l’objet représentatif, appelé le medoid, à tous les autres objets dans la même classe). La fi gure 1 montre, comme exemple, une application possible de la méthode de la k-medoid au diagnostic de machines tournantes, les résultats du classement de 50 échantillons de données pour chaque défaut à classifi er (machine saine, frottement, rotor fi ssuré, défaut de palier). Les paramètres considérés sont la dimension de l’information du signal de déplacement d’une section de l’arbre, l’amplitude du premier harmonique 1Ω, l'énergie du spectre dans la gamme (0-50 % de la fréquence du premier harmonique), l’énergie du spectre dans la gamme (1Ω, 2Ω). Chaque état classifi é est représenté par une valeur numérique indiquant le degré de concordance à la classe. De cette manière, il est possible de comprendre quels éléments ont un degré élevé d’appartenance à la classe (valeurs proches de 1), et quelles autres sont situées dans une zone de frontière, à proximité à d’une autre classe (valeurs proches de zéro). Les résultats sont assez satisfaisants, du fait que la quantité de données correctement classifi ées est tout à fait signifi cative. Le second type de méthodes de classement correspond aux méthodes hiérarchiques, qui peuvent être agglomératives (état initial avec tous les objets séparés ; à chaque étape, deux des classes sont fusionnées) ou séparatives (état initial avec tous les objets ensemble, et à chaque étape suivante une classe est fractionnée). La rigidité des méthodes hiérarchiques est à la fois la clef de leur succès (temps court de calcul), et leur inconvénient principal (l’incapacité de corriger des décisions incorrectes). L’article rapporte un exemple de méthodologie agglomérative ; la procédure est basée sur le concept de proximité de classe. Un autre exemple se rapporte à une méthode séparative. D’autres aspects de l’expérimentation par les auteurs, décrits dans l’article, se rapportent à la reconnaissance de formes, aux systèmes experts, à l’analyse en composantes principales (PCA).