Diagnostics et prognostics de boîtes de vitesses d'hélicoptères utilisant l'analyse des signatures de vibration

La sécurité, la survie et l'efficacité des missions des rotocraft dépendent de l'intégrité structurelle des composants dynamiques. Il est nécessaire de développer un système de diagnostic des vibrations continu et embarqué pour détecter et anticiper les défauts de ces composants avant qu'ils ne tombent en panne. Cet article présente une architecture générique de détection, d'isolement et d'estimation des défauts (FDIE) pour les applications de maintenance des machines basée sur l'état. La reconnaissance des motifs de défauts basée sur des réseaux de neurones est utilisée pour analyser les signatures de vibration normales et défectueuses dans les transmissions d'hélicoptères. Des données issues de neuf expériences d'essai avec défauts semés, chacune correspondant à l'une des six conditions de défaut/sans défaut, ont été utilisées pour former et évaluer des réseaux de neurones polynomiaux lors de tâches de classification de motifs. Des caractéristiques ont été générées en utilisant les spectres d'amplitude des signatures de vibration temporelles. L'Algorithme de Synthèse de Réseaux Polynomiaux pour la Classification (CLASS), un package logiciel de réseaux de neurones qui utilise un critère de perte logistique minimale contraint pour les problèmes multiclasses, a été utilisé pour effectuer les tâches de reconnaissance de motifs. En appliquant une stratégie de post-traitement à multiple regard, une classification parfaite des signatures de vibration a été atteinte.