Table of Contents

Parmi les nombreux flux de données disponibles, les données des capteurs de vitesse se distinguent par leur apport critique pour la surveillance des machines rotatives comme les turbines à vapeur, les turbines à gaz, les pompes, les compresseurs et les générateurs.Ces capteurs captent la vitesse de rotation et les vibrations, offrant une fenêtre sur la santé en temps réel de l'équipement. L'analyse de ces données permet aux équipes de maintenance de détecter les signes précoces d'usure, de désalignement, de déséquilibre, de défauts de roulement et d'autres problèmes mécaniques avant qu'ils ne deviennent des défaillances coûteuses.

Comprendre les capteurs de vélocité dans les centrales électriques

Types de capteurs de vélocité

Les capteurs de vélocité utilisés dans les centrales électriques sont généralement des dispositifs électrodynamiques ou piézoélectriques qui produisent une tension proportionnelle à la vitesse de la surface vibrante.

  • Capteurs de vitesse électrodynamiques – Aussi appelés capteurs de vitesse sismique, ceux-ci utilisent une bobine mobile dans un champ magnétique. Ils sont robustes et largement utilisés pour les mesures de basse à moyenne fréquence (généralement de 10 Hz à 1 kHz).Ils sont souvent montés directement sur des boîtiers de roulement.
  • Accéléromètres piézoélectriques avec intégration – Alors que les accéléromètres mesurent l'accélération, de nombreux systèmes modernes intègrent le signal d'accélération pour obtenir la vitesse.
  • Laser Doppler vibrometers – Capteurs sans contact utilisés dans des applications spécialisées où le montage physique est peu pratique, comme sur des surfaces très chaudes ou tournantes. Ils offrent une haute précision mais sont coûteux et moins courants dans la surveillance de routine.

Dans la plupart des applications de la centrale électrique, les capteurs de vitesse électrodynamique ou les accéléromètres intégrés sont le choix standard en raison de leur fiabilité, leur rentabilité et leur capacité à résister à des environnements difficiles.

Comment les données du capteur de vélocité reflètent l'état de l'équipement

Les données de vélocité fournissent une mesure directe de l'énergie mécanique des vibrations. Dans des conditions normales de fonctionnement, les machines rotatives présentent un niveau de vibration de base qui varie en fonction de la charge, de la vitesse et de la température.

  • L'augmentation de la vitesse globale[ peut signaler une usure, un déséquilibre du rotor ou un désalignement.
  • Les composants de fréquence spécifiques (par exemple, vitesse de fonctionnement 1×, vitesse de fonctionnement 2×, harmoniques) peuvent identifier le type de défaut. Par exemple, un pic à vitesse de fonctionnement 1× indique souvent un déséquilibre, tandis que 2× peut indiquer un désalignement.
  • Les changements dans les relations de phase entre plusieurs emplacements de capteurs peuvent révéler des résonances structurales ou des problèmes de couplage.

Comprendre ces relations est fondamental pour transformer les données brutes du capteur en informations de maintenance exploitables.

Stratégies de collecte de données pour les capteurs de vélocité

Taux et durée d'échantillonnage

Pour la plupart des machines tournantes des centrales électriques, un taux d'échantillonnage d'au moins 2,56 fois la fréquence d'intérêt la plus élevée est nécessaire (critère de Nyquist). Par exemple, pour analyser les vibrations jusqu'à 1 kHz, il faut un taux d'échantillonnage d'au moins 2 560 échantillons par seconde. La pratique courante consiste à recueillir des données à 10 kHz ou plus pour l'analyse à haute fréquence des défauts de roulement.

Placement et montage du capteur

Le montage approprié est essentiel à la qualité des données. Les capteurs de vélocité doivent être fixés rigidement à la surface de la machine à l'aide de clous, de bases adhésives ou magnétiques. Le montage de goujons offre la meilleure réponse et fiabilité en fréquence.

  • Boîtiers de roulement (directions radiale et axiale)
  • Casing près de l'axe du rotor
  • Points de base pour l'identification de la résonance structurelle

La collecte des données devrait suivre un itinéraire et un calendrier cohérents. De nombreuses centrales utilisent des enregistreurs de données automatisés ou des systèmes de surveillance continue qui enregistrent les données à intervalles réguliers (p. ex., horaires ou quotidiens).

Considérations relatives à la qualité des données

Les données de vitesse brutes contiennent souvent du bruit provenant d'interférences électriques, de résonances mécaniques sans rapport avec la machine à surveiller ou d'artéfacts de montage de capteurs.

  • Clippage – Lorsque l'amplitude des vibrations dépasse la plage mesurable du capteur.
  • DC offsets[ – Cause d'effets thermiques ou de dérive de capteur.
  • Nuisances sonores – Perturbations électriques transitoires.

Les algorithmes de validation automatisés peuvent identifier ces problèmes, permettant aux analystes d'exclure les données corrompues ou d'appliquer un filtrage correctif.

Prétraitement des données du capteur de vélocité

Filtrage

Avant l'analyse, les données brutes de vitesse sont généralement filtrées par un filtre à bande passante pour éliminer la dérive à basse fréquence (moins de 0,5 Hz) et le bruit à haute fréquence au-dessus de la plage d'intérêt (p. ex., 1 kHz pour les machines générales). Pour l'analyse des roulements, on peut appliquer un filtre à haute passe autour de 1 à 2 kHz.

Conditionnement et intégration des signaux

Si vous utilisez des accéléromètres, le signal d'accélération doit être intégré numériquement pour obtenir la vitesse. Cette intégration doit tenir compte de l'état initial et enlever tout composant DC pour empêcher la dérive d'intégration. La plupart des systèmes modernes d'acquisition de données effectuent cette intégration dans le matériel ou le firmware.

Normalisation et suppression des tendances

Pour comparer les données sur différentes conditions de charge ou périodes de temps, il peut être nécessaire de normaliser. Par exemple, les valeurs de vitesse peuvent être divisées par la vitesse nominale de la machine pour produire un indicateur sans dimension. Les tendances à long terme (variations lentes sur plusieurs mois) peuvent être extraites en utilisant des moyennes mobiles ou des courbes de réglage, tandis que les variations à court terme (en heures ou en jours) sont souvent conservées pour la détection d'anomalies.

Techniques d'analyse pour les données de capteur de vélocité

Analyse temporelle et domaine

L'analyse la plus simple consiste à tracer la vitesse brute au fil du temps et à calculer des paramètres statistiques tels que la valeur globale du SMR (moyenne de la racine au carré), l'amplitude de crête à crête, le facteur de crête et la kurtose.

  • Vitesse du SRM[ – Souvent corrélée avec la gravité globale des vibrations selon les normes ISO 10816.
  • Facteur de crête – Rapport de crête à RMS. Le facteur de crête élevé indique des événements de choc comme des impacts de roulement.
  • Kurtose – Mesure statistique de la queue; la kurtose élevée peut signaler des défauts de roulement naissants.

L'analyse du domaine temporel est utile pour les alarmes mais limitée dans le diagnostic de types de failles spécifiques. Il sert d'outil de sélection de première ligne.

Analyse de fréquence-domaine (analyse spécifique)

La transformation de Fourier convertit les données de vitesse du domaine temporel en domaine de fréquence, produisant un spectre de vibration. C'est la technique la plus puissante pour identifier les fréquences de défaillance.

  1. Sélectionner une fenêtre appropriée (p. ex. Hanning, Hamming) pour réduire les fuites spectrales.
  2. Appliquez la transformation de Fourier rapide (FFT) pour calculer le spectre.
  3. Identifiez les fréquences caractéristiques[ telles que 1×, vitesse de l'arbre 2×, fréquences de passe de pale, fréquences de défaut de roulement (basées sur la géométrie du roulement) et fréquences de mailles de rapport.
  4. Comparer avec les spectres de référence pour détecter de nouveaux pics ou des changements d'amplitude.

Exemple : Dans une turbine à vapeur, une augmentation du composant 1× avec un bande latérale 1× proéminente peut indiquer un déséquilibre du rotor. Une bosse à haute fréquence autour des fréquences de défauts de roulement suggère une éraflure. Souvent, l'analyse spectrale est combinée avec analyse d'enveloppe (démodulation) pour extraire des modulations à basse fréquence liées à des défauts de roulement.

Apprentissage automatique pour la reconnaissance de motifs avancés

Avec la croissance de la technologie numérique à deux vitesses et du calcul de pointe, les modèles d'apprentissage automatique (ML) sont de plus en plus utilisés pour l'analyse automatisée des données des capteurs de vitesse.

  • Apprentissage supervisé[ – Classification de la formation (p. ex., machines vectorielles de soutien, forêts aléatoires ou réseaux neuraux) sur des ensembles de données étiquetées de conditions normales et défectueuses. Le modèle peut alors prédire l'état de santé des nouvelles données.
  • Apprentissage non supervisé – Utilisation d'autoencodeurs ou de clusters pour détecter des anomalies sans étiquettes préalables.
  • Le deep learning[ – Les réseaux neuronaux convolutionnels (CNN) ou les réseaux de mémoire à court terme (LSTM) peuvent apprendre directement les fonctionnalités de séries temporelles brutes ou de spectrogrammes, éliminant ainsi l'ingénierie manuelle des fonctionnalités.

Les modèles ML peuvent fournir des alertes précoces heures ou jours avant les alarmes traditionnelles basées sur des seuils, comme l'ont démontré plusieurs études de cas de l'industrie de l'électricité.

Seuils de réglage et alarmes

Pour assurer une maintenance prédictive efficace, il faut établir des seuils significatifs pour les mesures de la vitesse, qui sont généralement fondés sur:

  • Normes d'équipement[ – ISO 10816-1 fournit des zones de gravité (A, B, C, D) pour différentes classes de machines en fonction de la vitesse globale du SGR. Par exemple, la zone A indique un bon état; la zone D indique un risque de dommage.
  • Limites statistiques – L'utilisation de données historiques pour définir les limites de contrôle (p. ex., 3-sigma au-dessus de la moyenne).
  • Seuils de taux de changement – Surveillance de la dérivée de la vitesse RMS. Une augmentation rapide au-delà d'un taux prédéfini (par exemple, 10% par semaine) peut indiquer une défaillance imminente même si les valeurs absolues restent en deçà des limites d'alarme.

Les alarmes devraient être réparties en plusieurs niveaux : alerte (exigences de surveillance), alerte (maintenance du plan) et critique (arrêt immédiat).

Outils et technologies pour l'analyse des données de vélocité

Logiciel d'analyse des vibrations

Des plateformes logicielles spécialisées telles que Bently Nevada System 1, Brüel & Kjær , B&K Connect et Schaeffler , Smart Vibration Monitoring fournissent une analyse spectrale complète, des graphiques de tendances et des rapports de diagnostic automatisés.

Matériel d'acquisition de données

Les systèmes modernes d'acquisition de données (DAQ) offrent des convertisseurs analogiques à numérique 24 bits haute résolution, des filtres anti-aliasing et un conditionnement intégré des signaux. Les systèmes de National Instruments, Siemens et Emerson sont couramment utilisés dans les paramètres des centrales électriques.

Plateformes d'apprentissage automatique

Des outils comme TensorFlow, PyTorch et Scikit-learn permettent le développement de modèles ML personnalisés. Pour le déploiement opérationnel, les périphériques de bord (par exemple, Nvidia Jetson, Raspberry Pi avec accélérateurs) peuvent fonctionner à l'intérieur de la zone, en n'envoyant que des alertes au nuage.

Visualisation Tableau de bord

Les tableaux de bord construits sur des plates-formes comme Grafana, Power BI ou Plotly permettent au personnel de maintenance de visualiser les tendances de vitesse en temps réel, les spectres et les journaux d'alarme.

Avantages d'une analyse de données de vélocité appropriée

La mise en oeuvre d'un cadre d'analyse robuste permet d'améliorer de façon mesurable la performance des centrales électriques :

  • Réduction des temps d'arrêt imprévus[ – La détection précoce des défauts de roulement ou du déséquilibre permet de planifier l'entretien pendant les pannes prévues.
  • Vie de l'équipement étendue[ – En s'attaquant aux problèmes tôt, les composants subissent moins de dommages secondaires.
  • Frais d'entretien moins élevés[ – Réparation d'un roulement usé beaucoup moins cher que le remplacement d'un rotor ou d'un stator endommagé.
  • Sécurité améliorée – Les défaillances catastrophes (par exemple, éclatement du disque de turbine) sont extrêmement rares, mais peuvent être évitées par une surveillance cohérente.
  • Conformité réglementaire[ – De nombreuses administrations exigent la surveillance des vibrations pour les équipements essentiels dans le cadre de la réglementation en matière de sécurité et d'environnement (p. ex. OSHA 1910.219).

Défis communs et stratégies d'atténuation

Bruit et interférence

Les environnements des centrales électriques sont bruyants électriquement. Les boucles au sol, les interférences électromagnétiques des moteurs et les interférences radiofréquences peuvent corrompre les signaux.

Dérive et calibration des capteurs

Les capteurs de vélocité peuvent dériver au fil du temps en raison du cycle de température, du vieillissement des aimants ou de l'usure mécanique. Il est essentiel d'effectuer un calibrage régulier (tous les 6 à 12 mois) contre une source connue de vibrations.

Volume et stockage des données

La surveillance continue génère des téraoctets de données sur une année. La compression des données, en utilisant l'enregistrement par événement (seule la forme d'onde de stockage en cas d'anomalies) ou la synthèse des données en caractéristiques statistiques réduit les besoins de stockage.

Complexité d'interprétation

La formation croisée entre analystes de vibrations et ingénieurs en équipement, ainsi que l'utilisation de systèmes experts ou de diagnostics basés sur l'IA, aident à combler l'écart. Des études de cas examinées par des pairs provenant d'organisations comme EPRI fournissent des modèles de référence précieux.

Étude de cas : détection d'une défaillance du roulement à turbine à gaz à l'aide de données de vélocité

Une usine à cycle combiné a surveillé une turbine à gaz avec trois capteurs de vitesse montés sur les boîtiers de roulement du compresseur, une turbine à haute pression et une turbine à basse pression. La vitesse globale du SGR est restée dans la zone ISO B pendant des mois. Cependant, l'analyse spectrale a révélé un pic en croissance lente à 58 Hz, correspondant à la fréquence de cage du roulement de poussée du compresseur. Une analyse par enveloppe a confirmé un défaut de roulement. L'usine a prévu un remplacement pendant la prochaine panne planifiée, évitant une défaillance en service. L'inspection a constaté une éraflure précoce sur la course de roulement. Le coût du remplacement du roulement était de 4 000 $; l'arrêt forcé évité aurait coûté environ 500 000 $ en frais de production et de réparation perdus.

Cet exemple illustre comment une analyse spectrale régulière, même en l'absence de conditions d'alarme, peut fournir un avertissement précoce. L'usine inclut maintenant l'analyse périodique de l'enveloppe dans le cadre de sa surveillance de routine.

Intégration avec d'autres sources de données

Les données du capteur de vélocité sont les plus puissantes lorsqu'elles sont combinées avec d'autres entrées de capteur :

  • Sondes de température – Les pics de température de roulement sont souvent corrélés avec les augmentations de vibration, ce qui permet une validation croisée.
  • Les données de processus – La pression de vapeur, les débits et la charge électrique peuvent affecter les niveaux de vibrations.
  • Analyse de l'huile – Les particules métalliques dans l'huile lubrifiante peuvent confirmer l'usure du roulement détectée par l'analyse des vibrations.
  • Émissions acoustiques[ – Les données acoustiques à haute fréquence peuvent détecter des défauts naissants plus tôt que les capteurs de vitesse.

Un système intégré de santé des actifs qui fusionne ces flux de données fournit des diagnostics plus précis et réduit les fausses alarmes.

Tendances futures de l'analyse des données du capteur de vélocité

Le champ évolue rapidement, notamment en ce qui concerne :

  • – Les capteurs de vitesse sans fil de faible puissance deviennent viables pour les installations où le câblage est coûteux. La récolte d'énergie à partir de vibrations ou de cellules solaires permet un déploiement à long terme.
  • Edge AI – L'inférence d'apprentissage automatique au nœud du capteur permet une détection d'anomalie en temps réel sans dépendance au nuage, cruciale pour les systèmes critiques en matière de sécurité.
  • Jumelles numériques – Un modèle virtuel de la centrale qui simule le comportement des vibrations dans diverses conditions peut être continuellement mis à jour avec des données réelles de capteur pour prédire la durée de vie utile restante (RUL).
  • Insuffisance d'interprétation [ – À mesure que les modèles ML deviennent plus complexes, des outils d'interprétation (p. ex. valeurs SHAP, LIME) aident les analystes à faire confiance aux recommandations automatisées et à les comprendre.

L'adoption de ces technologies améliorera encore l'efficacité des programmes de maintenance prédictive.

Conclusion

L'analyse des données des capteurs de vitesse est un élément essentiel de la maintenance prédictive dans les centrales électriques. En comprenant la technologie des capteurs, en mettant en œuvre une collecte et un prétraitement robustes des données, en appliquant une analyse du domaine temporel et du domaine de la fréquence, en tirant parti de l'apprentissage des machines et en fixant des seuils appropriés, les équipes de maintenance peuvent améliorer considérablement la fiabilité, la sécurité et l'efficacité économique.