Prédire la durée de vie utile restante, méthode par méthode.

Ce qu'est réellement une prédiction de RUL

Le pronostic, la discipline dont relève la prédiction de RUL, est défini dans la norme ISO 13381-1 comme l'estimation du temps avant défaillance et du risque associé aux modes de défaillance existants ou futurs. La distinction avec le diagnostic compte : le diagnostic dit ce qui ne va pas dans la machine maintenant, le pronostic dit combien de temps avant qu'elle cesse de faire son travail. Le diagnostic regarde en arrière, vers le dommage déjà causé; le pronostic projette ce dommage vers l'avant dans le temps.

Une prédiction de RUL sérieuse est une distribution, pas un nombre. « Ce roulement tombera en panne dans 42 jours » est une fausse précision; « entre 30 et 60 jours avec 90 % de confiance » est une information sur laquelle un planificateur peut agir. La largeur de cet intervalle est une information en soi : elle dit à quel point de meilleures données sont urgentes, et elle se resserre typiquement à mesure que l'actif se dégrade et que les preuves s'accumulent.

Une prédiction n'est jamais définitive non plus. Chaque nouvelle lecture de vibration, courbe de température ou analyse d'huile est une preuve, et l'estimation doit se mettre à jour à mesure qu'elle arrive. La prédiction de RUL est un processus continu qui suit l'actif, pas un rapport qu'on classe.

Les modèles fondés sur la physique : simuler le dommage

Les méthodes fondées sur la physique modélisent le mécanisme de dégradation lui-même avec des équations de premiers principes. Les fissures de fatigue en sont le cas d'école : la loi de Paris relie la vitesse de propagation d'une fissure aux cycles de contrainte que subit le composant. À partir de l'état d'endommagement actuel et du chargement futur attendu, le modèle intègre le dommage vers l'avant jusqu'au seuil de défaillance. Le temps que cela prend est la RUL. La même logique s'applique à l'écaillage des roulements, à l'usure, au fluage et à la corrosion, partout où le mécanisme possède une description mathématique établie.

Les forces en découlent directement. Un modèle fondé sur la physique n'a besoin de peu ou pas d'historique de pannes, parce que les équations encodent déjà comment la défaillance se déroule. Il extrapole vers des conditions d'exploitation jamais vues dans les données, parce que la physique y tient aussi. Et ses prédictions arrivent en grandeurs d'ingénierie (longueur de fissure, contrainte, cycles restants) qu'un ingénieur peut confronter à la machine réelle.

Les coûts sont tout aussi réels. Chaque mode de défaillance exige son propre modèle, construit et validé par quelqu'un qui comprend le mécanisme, et les paramètres du modèle doivent être identifiés pour l'actif en question. Plus difficile encore : l'état d'endommagement interne est rarement observable directement. Personne ne voit la fissure à l'intérieur d'une boîte d'engrenages en fonctionnement. Estimer cet état caché à partir de mesures indirectes est une part substantielle du travail, et ses erreurs se propagent dans la prédiction.

Les modèles statistiques de dégradation : extrapoler la tendance

Les méthodes statistiques contournent le mécanisme et modélisent le symptôme. Un indicateur de santé est construit à partir des données de surveillance (énergie vibratoire, température, comptage de particules dans l'huile), son évolution dans le temps est modélisée comme un processus aléatoire, et la RUL est le temps jusqu'au premier franchissement d'un seuil de défaillance par ce processus. Les processus de Wiener avec dérive et les processus gamma pour les dommages strictement cumulatifs sont les outils standards, et la revue de Si et ses collègues reste la carte de référence de ce territoire.

L'attrait, c'est que l'incertitude est native. Le modèle étant un processus aléatoire, le temps jusqu'au seuil est naturellement une distribution de probabilité, exactement la forme dont une décision de maintenance a besoin. Les besoins en données sont modérés : des trajectoires de dégradation suffisent, et des pannes complètes ne sont pas strictement requises pour ajuster la tendance, même si un minimum de preuves de défaillance est nécessaire pour placer le seuil de façon crédible.

Le poids de la méthode repose sur deux hypothèses. D'abord, que l'indicateur de santé suit réellement le dommage; un indicateur qui réagit aux changements de charge ou à la dérive des capteurs plutôt qu'à la dégradation produit des absurdités confiantes. Ensuite, que l'avenir se dégrade comme le passé. Un changement de régime d'exploitation, un mélange de produits différent ou une réparation intermédiaire brise l'extrapolation, et le modèle n'a aucune physique sur laquelle se rabattre quand cela arrive.

L'apprentissage automatique : relier les données à la durée de vie

Les méthodes d'apprentissage automatique apprennent la relation entre données de capteurs et durée de vie restante directement à partir d'exemples. L'apprentissage profond a supprimé la conception manuelle des caractéristiques : les réseaux récurrents et convolutifs ingèrent des séquences brutes de capteurs et produisent une estimation de RUL. La plupart des résultats publiés sont évalués sur le jeu de données C-MAPSS de la NASA, un ensemble de trajectoires simulées de turboréacteurs menés jusqu'à la défaillance, devenu le banc d'essai standard du domaine depuis que Saxena et ses collègues l'ont introduit en 2008.

Ce choix de banc d'essai révèle le problème central. L'apprentissage supervisé exige de nombreux exemples du trajet complet de la santé à la panne, et les équipements industriels critiques sont entretenus précisément pour que ce trajet ne s'achève jamais. Le domaine s'évalue sur des moteurs simulés parce que les historiques réels de fonctionnement jusqu'à la panne sont rares. La revue systématique du pronostic des machines de Lei et ses collègues le dit sans détour : la plupart des méthodes publiées sont validées sur des données de laboratoire ou de simulation, et les déploiements industriels sont bien plus rares que le volume de publications ne le suggère.

Deux autres limites comptent pour les décisions coûteuses. Les modèles purement statistiques extrapolent mal, et ne préviennent pas quand ils quittent les conditions de leur entraînement. Et leurs prédictions arrivent sans raisons d'ingénierie, ce qui les rend difficiles à suivre quand l'action consiste à arrêter une ligne de production. Notre guide sur les réseaux de neurones informés par la physique couvre ces deux défauts en détail.

Les quatre familles, comparées

Les compromis s'alignent clairement dès qu'on demande ce que chaque famille exige avant de pouvoir fonctionner :

Comparaison directionnelle tirée des revues de pronostic citées plus bas. Les implémentations individuelles varient.

À lire comme aide à la décision : si la physique de défaillance est établie et les pannes rares, commencez par le fondé sur la physique ou l'hybride. Si un indicateur de santé fiable existe et que les conditions sont stables, les méthodes statistiques sont efficaces et honnêtes sur l'incertitude. L'apprentissage automatique pur se justifie sur de grandes flottes de composants identiques et peu coûteux, où les données de panne s'accumulent réellement. Plus l'actif est critique, plus la barre d'explicabilité monte, et plus la balance penche vers les méthodes dont les prédictions peuvent être vérifiées.

Les méthodes hybrides : la physique plus l'apprentissage

Les méthodes hybrides associent ce que chaque camp fait de mieux. La physique fournit la structure : la forme de la loi de dégradation, les contraintes de conservation, les bornes de ce que l'actif peut physiquement faire. L'apprentissage comble ce que la physique omet : les effets non modélisés, les particularités de chaque actif, l'écart entre une équation propre et une machine sale. Les revues de pronostic, dont celle de Lei et ses collègues, désignent ces combinaisons comme la direction du domaine, parce qu'elles s'attaquent en même temps au problème des données et au problème de la confiance.

Les réseaux de neurones informés par la physique en sont la forme récente la plus en vue : les équations gouvernantes sont intégrées à l'objectif d'entraînement du modèle, si bien que les prédictions qui violent la physique sont pénalisées avant même d'atteindre un opérateur. L'effet pratique sur la RUL est qu'un modèle peut raisonner sur un mode de défaillance dont il n'a jamais vu d'exemple, parce que la physique de cette défaillance est encodée même là où les données manquent.

Pour un exploitant d'équipements critiques, la famille hybride résout le dilemme que les trois autres laissent chacune ouvert : elle produit des estimations de durée de vie restante sans exiger des années d'historique de pannes, garde ces estimations dans les limites du physiquement possible, et les exprime en termes qu'un ingénieur peut vérifier. Le prix est un effort d'ingénierie en amont, ce qui en fait le choix naturel pour les actifs dont les pannes coûtent cher, et un excès pour ceux dont les pannes ne coûtent rien.

Comment Vermilion estime la durée de vie utile restante

Vermilion se situe pleinement dans la famille hybride. Son modèle de raisonnement à grande échelle raisonne contre des jumeaux numériques de premiers principes des équipements qu'il surveille (dynamique des roulements, harmoniques d'engrènement, stabilité de film fluide), avec des paramètres constitutifs ajustés par actif sous des a priori physiques connus. La dégradation est suivie comme un état physique, et les estimations de durée de vie restante proviennent de la projection de cet état sous le régime d'exploitation attendu de l'actif, avec l'incertitude propagée jusqu'au bout.

Les conséquences sont celles décrites dans ce guide. Vermilion produit des estimations de durée de vie restante utiles sans des années d'historique de pannes étiqueté, refuse les estimations qui violeraient la physique, et énonce chacune en termes d'ingénierie (charges, températures, marge restante) qu'une équipe fiabilité peut confronter à la machine avant d'y engager une fenêtre de maintenance.