IA pour la surveillance des presses hydrauliques : détection des anomalies de pression en temps réel
Une presse hydraulique de 600 tonnes dans une usine d'emboutissage du Michigan a commencé à montrer une déviation de 2,3 % dans sa pression de maintien lors d'un cycle de formage en mars dernier. L'opérateur ne l'a pas remarqué car les pièces étaient toujours conformes aux spécifications. Le système de surveillance par IA a signalé la déviation comme étant cohérente avec un tiroir de valve proportionnelle présentant une usure précoce. Deux semaines plus tard, lors d'un changement d'outil planifié, l'équipe de maintenance a remplacé la valve. Coût : 3 400 $ en pièces et 45 minutes d'arrêt supplémentaire lors d'un arrêt déjà programmé.
Le directeur de l'usine a estimé par la suite que si la valve avait lâché en pleine production, le pic de pression résultant aurait pu endommager la matrice, un outil à 180 000 $ avec un délai de livraison de 16 semaines.
À quoi ressemblent les données de pression hydraulique
Une presse hydraulique moderne génère une forme d'onde de pression à chaque cycle. Sur une presse d'emboutissage typique fonctionnant à 15 coups par minute, cela représente 900 formes d'onde par heure, chacune contenant des données sur les phases d'approche, de contact, de formage, de maintien et de retour de la course. Chaque phase possède des signatures de pression caractéristiques qui reflètent l'état du système hydraulique et l'état de l'outillage.
Le système d'IA échantillonne la pression à 1 000 Hz ou plus via des capteurs montés sur le vérin principal, les vérins de coussin et le collecteur hydraulique. À un échantillonnage de 1 kHz sur un cycle de 4 secondes, chaque course génère environ 4 000 points de données par capteur. Avec 3 à 6 capteurs par presse, le système traite 12 000 à 24 000 points de données par cycle.
Ce qui rend ces données intéressantes pour l'apprentissage automatique, c'est que les systèmes hydrauliques sont hautement répétables lorsqu'ils sont en bon état. La même pièce, la même matrice, le même matériau, les mêmes réglages de presse devraient produire des formes d'onde de pression quasi identiques cycle après cycle. Les écarts par rapport à cette référence sont presque toujours significatifs.
Types d'anomalies détectées par l'IA
La dégradation des valves proportionnelles se manifeste par une variabilité accrue du contrôle de pression pendant la phase de maintien. Une valve en bon état maintient la pression de maintien à plus ou moins 0,5 % de la consigne. À mesure que le tiroir s'use, cette variabilité augmente à 1 %, puis 2 %, puis finalement la valve ne peut plus maintenir la pression du tout. L'IA suit cette tendance et projette quand la variabilité dépassera le seuil de qualité acceptable des pièces.
Les fuites de joints produisent une signature caractéristique de décroissance de pression. Les fuites internes (contournement du joint de piston) provoquent une chute lente de pression pendant le maintien, proportionnelle au débit de fuite et inversement proportionnelle au volume d'huile.
La cavitation de la pompe crée des oscillations de pression à haute fréquence pendant la phase d'approche, lorsque la demande de débit est la plus élevée. L'IA détecte ces oscillations à des fréquences comprises entre 200 et 800 Hz, bien au-dessus de la fréquence de fonctionnement normale de la presse. La cavitation indique généralement une restriction de la ligne d'aspiration, un niveau de réservoir bas ou des problèmes de viscosité de l'huile.
La perte de précharge des accumulateurs est un autre problème courant. La précharge d'azote dans les accumulateurs fuit lentement sur plusieurs mois, réduisant la capacité du système à fournir un débit de pointe lors de l'approche rapide. L'IA détecte cela comme une augmentation progressive du temps d'approche et un changement de la forme de l'onde de pression.
Architecture du modèle pour l'analyse des formes d'onde de pression
La plupart des systèmes en production utilisent l'une des deux approches. La première est la correspondance de modèles avec contrôle statistique des procédés. Le système construit une forme d'onde de référence à partir de centaines ou de milliers de cycles conformes, puis calcule des métriques d'écart pour chaque nouveau cycle. Les écarts dépassant les seuils statistiques déclenchent des alertes.
La seconde approche utilise des modèles séquentiels, généralement des réseaux de neurones convolutifs 1D ou des réseaux LSTM, entraînés sur des données de défaillance étiquetées. Ces modèles apprennent à classifier les motifs de formes d'onde associés à des modes de défaillance spécifiques, permettant non seulement la détection d'anomalies mais aussi le diagnostic de pannes. Une usine d'emboutissage dotée d'une surveillance pilotée par l'IA peut recevoir à la fois une alerte et une cause probable dans la même notification.
Intégration et temps de réponse
Le temps réel est crucial pour la surveillance des presses hydrauliques d'une manière qui ne s'applique pas à de nombreuses autres applications de maintenance prédictive. Une défaillance de roulement vous donne des jours ou des semaines d'avertissement. Une défaillance hydraulique peut passer d'une anomalie détectable à une panne catastrophique en quelques minutes si un joint éclate ou si un flexible se rompt.
Les systèmes actuels réalisent une analyse cycle par cycle avec une latence inférieure à 500 millisecondes. Si la gravité de l'anomalie dépasse un seuil critique, le système peut s'interfacer avec le contrôleur de la presse pour déclencher un arrêt automatique ou un ralentissement contrôlé.
La plupart des usines mettent en œuvre un système d'alertes à plusieurs niveaux. Les alertes de niveau 1 (déviations tendancielles) sont envoyées au planificateur de maintenance. Les alertes de niveau 2 (anomalies significatives) notifient le superviseur de maintenance et l'opérateur de la presse. Les alertes de niveau 3 (anomalies critiques) déclenchent un arrêt automatique de la presse. Le calibrage correct des seuils nécessite 2 à 3 mois d'ajustement.
Coûts et considérations pratiques
L'instrumentation d'une presse hydraulique pour la surveillance par IA coûte entre 8 000 et 15 000 $ par presse, selon le nombre de vérins et l'infrastructure de capteurs existante. La plateforme logicielle ajoute 12 000 à 25 000 $ par an selon le nombre de presses et le fournisseur.
Un avantage sous-estimé réside dans les données que ces systèmes génèrent pour l'ingénierie des procédés. Les formes d'onde de pression contiennent des informations sur la variation des matériaux, l'usure de l'outillage et la dérive des procédés qui sont utiles bien au-delà de la maintenance. Plusieurs usines ont rapporté avoir utilisé les données historiques de formes d'onde pour optimiser les paramètres de la presse et réduire les taux de rebut de 3 % à 8 %, un gain d'efficacité qui ne faisait pas partie de la justification initiale mais qui s'est avéré significatif.