Les roulements de moteur sont des composants clés dans le moteur. Leurs performances et leur durée de vie affectent directement la fiabilité de fonctionnement et les coûts de maintenance du moteur. La prédiction précise de la durée de vie des roulements de moteur aide à prendre des mesures à l’avance pour l’entretien ou le remplacement et à éviter les accidents d’arrêt causés par des dommages aux roulements. Nous présenterons l’état actuel de la recherche sur la prévision de la durée de vie en partant de la structure de base et du principe de fonctionnement des roulements de moteur. Nous explorerons les méthodes et les pratiques de prévision de la durée de vie.
Les roulements de moteur sont principalement utilisés pour soutenir le rotor, réduire la friction entre le rotor et le stator et assurer le fonctionnement normal du moteur. Les roulements de moteur communs ont deux types: roulements à rouleaux et roulements de glissement. Les roulements se composent principalement de la bague intérieure, de la bague extérieure, du corps de roulement et de la cage, tandis que les roulements lisses se composent principalement des coussinets et des fusées d’essieu. Pendant le fonctionnement du moteur, les roulements sont soumis à des charges radiales et axiales qui génèrent frottement et usure.
Les méthodes de prévision de la durée de vie des roulements de moteur comprennent principalement des méthodes basées sur des modèles théoriques et des méthodes basées sur des données.
Méthode de prévision basée sur un modèle théorique: cette méthode analyse le mécanisme de défaillance du roulement et établit un modèle mathématique pour prévoir la durée de vie du roulement. Les mécanismes de défaillance courants comprennent les défaillances par fatigue, par abrasion et par corrosion. Les méthodes de prévision par modèles théoriques ont l’avantage de pouvoir expliquer mécaniquement le processus de défaillance du roulement, mais nécessitent souvent une connaissance approfondie des matériaux et du processus de fabrication du roulement.
Méthode prédictive basée sur les données: cette méthode permet de prédire la durée de vie des roulements en collectant et en analysant un grand nombre de données sur le fonctionnement des roulements, en construisant des modèles statistiques ou des modèles d’apprentissage automatique. Les modèles statistiques courants incluent les modèles de distribution weibull, les modèles de distribution exponentielle, etc. Les modèles d’apprentissage automatique incluent les réseaux neuronaux, les machines de vecteurs de support, etc. Les méthodes de prévision basées sur les données ont l’avantage de pouvoir exploiter au mieux les données opérationnelles existantes, tout en exigeant davantage de qualité et de quantité de données.
Voici un cas de prédiction de la durée de vie d’un roulement de moteur basé sur les données:
Un parc éolien a un lot de générateurs du même modèle, chacun équipé des mêmes roulements. Afin de prévoir la durée de vie de ces roulements, l’équipe a recueilli des données sur le fonctionnement des roulements de chaque générateur, y compris des paramètres tels que le temps de fonctionnement, la température et les vibrations. En nettoyant et en prétraitant ces données, le personnel a sélectionné les paramètres caractéristiques appropriés pour entrer dans le modèle.
Ensuite, l’équipe a utilisé une machine de vecteurs de support (SVM) comme modèle prédictif pour prévoir la durée de vie des roulements. Dans un premier temps, ils ont formé le modèle avec une partie des données, puis ont validé et testé avec une autre partie des données. Au cours de la formation sur le modèle, le personnel a utilisé des méthodes telles que la recherche en grille et la vérification croisée pour optimiser les paramètres du modèle afin d’améliorer la précision des prévisions.
Enfin, le personnel a comparé les prévisions avec les conditions d’exploitation réelles et a constaté une bonne concordance entre les prévisions du modèle et la durée de vie réelle. À travers ce cas, nous pouvons voir la valeur de l’application pratique d’une méthode de prévision de la durée de vie basée sur les données.
La structure de base et le principe de fonctionnement des roulements de moteur sont présentés, ainsi que l’état actuel de la recherche et des cas pratiques de prévision de la durée de vie. La pratique montre que les méthodes de prédiction de la durée de vie basées sur les données sont très utiles et permettent de prédire avec précision la durée de vie des roulements de moteur. Toutefois, cette méthode impose des exigences élevées en termes de qualité et de quantité de données, ce qui nécessite une attention particulière à la collecte et au traitement des données dans la pratique. De plus, les méthodes de prévision basées sur des modèles théoriques présentent l’avantage unique de pouvoir expliquer mécaniquement le processus de défaillance du roulement. Des recherches futures pourraient explorer davantage la combinaison de ces deux méthodes avec l’optimisation afin d’améliorer la précision et la fiabilité de la prévision de la durée de vie des roulements des moteurs.
