Comment réduire les faux positifs en maintenance prédictive vibration sur pompes centrifuges en combinant capteurs piezo et apprentissage embarqué

Sur le terrain, l'un des défis les plus frustrants en maintenance prédictive vibration sur pompes centrifuges, ce sont les faux positifs : des alertes qui signalent une anomalie alors que la pompe est en réalité en bon état. Ils épuisent la confiance des équipes maintenance, génèrent des interventions inutiles et finissent par noyer les véritables signaux d'alerte. Dans cet article, je partage mon retour d'expérience sur une approche pragmatique et reproductible : combiner des capteurs piézoélectriques bien choisis et positionnés avec de l'apprentissage embarqué (edge learning) pour réduire drastiquement ces faux positifs.

Pourquoi les faux positifs surviennent-ils ?

Avant de parler solutions, il faut comprendre les causes racines. Voici les plus fréquentes que j'ai rencontrées :

• Bruitage environnemental : vibrations mécaniques externes (pompes voisines, tuyauterie, compresseurs).
• Mauvaise fixation ou positionnement du capteur : un capteur mal vissé génère des signaux parasites.
• Variations opératoires : changements de débit, vanne partiellement ouverte, régimes transitoires.
• Conditions ambiantes : température, humidité ou processus hydrodynamiques (cavitations temporaires).
• Traitement de signal inadapté : filtrage insuffisant, métriques non discriminantes (ex. RMS seul).
• Modèles statiques : seuils fixes ou modèles entraînés sur un jeu de données non représentatif.

Pourquoi combiner capteurs piézo et apprentissage embarqué ?

Les capteurs piézoélectriques (accéléromètres piézo) offrent une excellente sensibilité et un large bande passante pour détecter les signatures vibrationnelles fines, notamment dans les hautes fréquences caractéristiques d'usure de roulements ou d'équilibrage. En parallèle, l'apprentissage embarqué permet de mettre le traitement au plus près de la source, réduire la latence, et adapter les décisions aux conditions locales sans remonter tout le flux vers le cloud — ce qui est précieux pour diminuer les faux positifs en tenant compte du contexte machine.

Architecture recommandée

Voici l'architecture que j'ai déployée sur plusieurs sites industriels avec des résultats concrets :

• Capteur piézo accéléromètre monté sur palier et sur carter (deux points) pour capter signatures locales et globales.
• Acquisition analogique avec conditionnement (préamplification + filtrage anti-aliasing) et conversion A/N 16 bits, 2 kHz à 10 kHz selon la pompe.
• Edge controller (ex. STM32H7, Raspberry Pi Compute Module ou microcontrôleur ARM M7) exécutant le prétraitement et le modèle TinyML.
• Features extraites en local : enveloppe, spectre (FFT court), bandes énergétiques, kurtosis, crest factor, fréquence de roulement, fréquence de cavitation.
• Modèle embarqué (régression/étiquetage) pour décider entre normal / attention / alerte et ajuster seuils adaptatifs.
• Télémetrie périodique et hypographes d'événements envoyés au cloud pour validation humaine et réentraînement si nécessaire.

Bonnes pratiques capteur et montage

Un capteur performant mal monté reste une source d'erreurs. Je veille à :

• Privilégier une fixation vissée (M4/M6) sur surface plane, utilisation d'une pastille soudée si besoin pour surfaces fines. Éviter les adhésifs seuls sur environnement industriel brut.
• Positionner au plus près des points critiques : palier non lubrifié, arbre, ou près du tuyau d'aspiration pour capturer cavitation.
• Utiliser deux capteurs (palier + carter) pour différencier sources locales vs globales par corrélation croisée.
• Appliquer blindage/masquage pour réduire interférences électriques et assurer un bon câblage coaxial ou blindé.

Prétraitement et features robustes

Le choix des caractéristiques extraites localement fait souvent la différence :

• Analyse temporelle : RMS n'est pas suffisant. J'extrais kurtosis et crest factor pour détecter impulsions liées aux roulements.
• Enveloppe : l'enveloppe RMS après filtrage en bande de modulation révèle les impacts périodiques.
• Spectre : FFT courte (ex. 1024 pts) pour suivre harmoniques et fréquences caractéristiques (BPFO, BPFI, 1X, 2X).
• Band Energy Ratio : rapport d'énergie entre bandes basses et hautes pour isoler cavitation ou déséquilibre.
• Corrélation croisée entre deux capteurs pour distinguer bruit structurel externe d'une source locale.
• Features dérivées : variation temporelle (delta sur fenêtres glissantes) pour détecter transitoires persistants vs événements passagers.

Modèles embarqués et stratégies pour réduire les faux positifs

Sur l'edge, je favorise des modèles peu gourmands qui restent interprétables :

• Classificateurs légers : Random Forests compactes, SVM linéaire, ou réseaux de neurones très compacts (TinyML via TensorFlow Lite ou Edge Impulse).
• Apprentissage par transfert : entraîner un modèle général puis l'adapter localement avec quelques heures de données labellisées.
• Seuils adaptatifs : utiliser modèles probabilistes pour estimer confiance. Si la confidence est faible, on passe en mode observation prolongée avant d'émettre une alerte.
• Filtrage temporel des alertes (debouncing) : exiger une persistance sur plusieurs fenêtres pour lever une alerte.
• Fusion de capteurs : décision basée sur consensus entre capteurs (ex. alerte si 2/3 capteurs détectent anomalie) pour éviter fausses alarmes dues à un capteur défaillant.
• Apprentissage en ligne / ré-entraînement périodique : incorporer retours opérateurs pour réduire biais et s'adapter aux évolutions du procédé.

Exemples d'outils et composants

Pour illustrer, voici des composants que j'ai utilisé avec succès :

Validation et mesure de performance

Pour mesurer l'impact sur les faux positifs, j'utilise ces indicateurs :

• Taux de faux positifs (FPR) mensuel avant/après déploiement.
• Temps moyen entre fausse alerte et confirmation humaine.
• Coût total des interventions évitées.
• Amplitude de confiance du modèle (score moyen) sur événements réels vs bruit.

Sur un site industriel où nous avons testé la solution, nous avons réduit le FPR de ~40-60% en combinant corrélation multi-capteurs, features d'enveloppe et seuils adaptatifs, tout en maintenant une sensibilité élevée aux défauts réels.

Précautions et points d'attention

Quelques avertissements pratiques :

• Ne pas surajuster le modèle au bruit local (overfitting) : garder un jeu de validation provenant d'autres périodes.
• Prendre en compte la cybersécurité de l'edge (firmware signé, chiffrage des flux).
• Documenter clairement les procédures de calibration et de remontée d'alerte pour les équipes terrain.
• Prévoir une stratégie de maintenance des capteurs (contrôle de fixation, remplacement périodique).

En résumé, réduire les faux positifs sur pompes centrifuges passe par une approche combinée : capteurs piézo bien montés et placés, extraction de features robustes, fusion multi-capteur, modèles embarqués légers avec confiance probabiliste et logique d'alerte temporelle. C'est une démarche itérative qui nécessite collaboration étroite entre ingénieurs vibration, équipes IT/OT et techniciens terrain — mais les gains en fiabilité et en confiance opérationnelle valent largement l'effort.