Speakers
Description
L’apprentissage automatique à partir de données provenant de campagnes de mesure ou de systèmes de surveillance permet d’entraîner un modèle à estimer les signaux provenant de capteurs d’intérêts lorsque ceux-ci ne sont plus disponibles. L'utilisation de ce type de méthodologie soulève cependant plusieurs défis. L’une des principales problématiques est la quantification de l’incertitude. Par exemple, pour les déformations des aubes d’une turbine de groupe turbine-alternateur qui sont difficiles et coûteuses à mesurer, ces valeurs sont directement liées aux dommages de fatigue et leur incertitude au risque de fissuration des pales. Ces valeurs constituent donc une information importante pour réduire la probabilité de pannes imprévues. Cependant, ces mesures ne sont pas disponibles pour la surveillance à long terme; elles ne sont disponibles que lors de campagnes de mesure effectuées à la mise en service de l’équipement. Afin d’utiliser cette information pour la surveillance et la planification de la maintenance, nous proposons la création de capteurs virtuels avec une architecture de type long short-term memory (LSTM) combiné à une méthodologie permettant d’évaluer les incertitudes adaptées à la maintenance et l’évaluation des risques industriels. Pour ce faire, nous proposons une méthode d’ensemble de modèles combinés avec une approche d’estimation conforme pour obtenir une incertitude calibrée sur des données d’entraînement. De plus, un auto-encodeur est utilisé pour détecter lorsque les mesures
d’intrants sont significativement en dehors des données d’entraînement. La méthodologie est appliquée à la fissuration des aubes de la turbine d’un groupe turbine-alternateur afin de mettre en évidence les difficultés liées à l’utilisation de l’apprentissage automatique pour la maintenance et l’évaluation des risques dans un contexte industriel.
