Sur le terrain, l'un des cauchemars des équipes de maintenance est le flot d'alarmes inutiles générées par la surveillance vibration des roulements. Les faux positifs grèvent la confiance dans le système, mobilisent des ressources pour des diagnostics inutiles et, in fine, augmentent les coûts opérationnels. Dans mes projets, j’ai souvent constaté que la combinaison capteurs fiables – edge analytics – règles de corrélation réduit drastiquement ces déclenchements intempestifs. Ici je partage une approche pragmatique, testée en usine, pour diminuer ces faux positifs tout en restant sensible aux signes précoces de défaillance.

Pourquoi les faux positifs surviennent-ils ?

Avant de corriger un problème, il faut le comprendre. Les faux positifs en surveillance vibration proviennent généralement de plusieurs facteurs combinés :

  • Variabilité du contexte machine : variations de vitesse (RPM), changements de charge, démarrages/arrêts, conditions transitoires.
  • Qualité et installation des capteurs : mauvais couplage mécanique, câblage, interférences électromagnétiques.
  • Seuils statiques inadaptés : seuils définis une fois et non ajustés aux conditions opérationnelles.
  • Analyse limitée : se fier uniquement à un indicateur RMS ou crête sans exploiter le spectre, l'enveloppe et les corrélations.
  • Absence de contexte machine (température, courant moteur, events PLC) pour filtrer les anomalies non liées au roulement.

Choisir et positionner des capteurs SKF pour une base fiable

La première ligne de défense, ce sont des capteurs de qualité et un bon montage. J'utilise régulièrement des capteurs SKF adaptés à l'industrie — des capteurs robustes, souvent de la famille des capteurs de vibration industriels SKF ou des enregistreurs Microlog pour les campagnes approfondies. Quelques règles pratiques :

  • Préférer des capteurs industriels (IP67) montés solidement sur une surface plane ou sur un adaptateur usiné pour éviter les résonances parasites.
  • Placer au moins deux points de mesure autour du siège du roulement (axial et radial) pour capter les phénomènes directionnels.
  • Acquérir simultanément la vitesse (tachymétrie), la température du palier et, si possible, le courant moteur pour contextualiser les événements.
  • Calibrer et vérifier périodiquement : un capteur mal calibré génère autant de faux positifs qu'un algorithme mal réglé.

Edge analytics : réduire le bruit et décider localement

Envoyer tout le bruit au cloud est une erreur : la latence, le coût et le volume de données rendent l'approche inefficace. Je recommande de traiter en priorité en bordure (edge) pour filtrer et pré-qualifier les événements :

  • Prétraitement du signal : filtrage passe-bande, windowing, suppression d'impulsions transitoires identifiées comme non-pertinentes.
  • Extraction de features sur edge : RMS, crest factor, kurtosis, enveloppe, bandes d'ordre liées à la vitesse. Calculer aussi des features temporelles et des indicateurs spectrogramme.
  • Détection d’événements basés sur des modèles légers : modèles statistiques adaptatifs (ex. seuils dynamiques basés sur rolling percentile) ou petits modèles ML (Isolation Forest, One-Class SVM) déployés sur micro-contrôleurs ou gateways (EdgeX Foundry, Azure IoT Edge, AWS IoT Greengrass selon l’architecture).
  • Compression et priorisation : ne remonter au cloud que les windows jugées suspectes avec un score d'anomalie supérieur à un seuil, accompagnées des métadonnées (RPM, température, charge).

Règles de corrélation : la clé pour filtrer les faux positifs

Le vrai changement vient quand on corrèle la vibration avec d'autres variables et événements. Voici des règles opérationnelles que j'implémente systématiquement :

  • Corrélation vitesse-vibration : vérifier si la bande fréquentielle correspond à un ordre harmonique de la vitesse. Une impulsion spectrale à une fréquence indépendante de la vitesse est souvent un bruit mécanique externe.
  • Température et dérive : combiner une montée de vibration avec une hausse de température du palier pour augmenter la confiance d'alarme.
  • Événements PLC : suspendre les alarmes pendant les séquences de démarrage/arrêt ou maintenance connues (ex. cycles de nettoyage, changements de régime).
  • Score d’anomalie multi-sensoriel : calculer un score composite (vibration, température, courant) — n’alerter que si le score composite dépasse un seuil ou si plusieurs capteurs indépendants indiquent une anomalie.
  • Filtrage temporel : exiger que l'anomalie persiste au-delà d’une fenêtre temporelle configurable (p.ex. 3 fenêtres de 10 s consécutives) avant de déclencher une alarme.
  • Règles de priorité : classer les alarmes en fonction de la sévérité et du risque opérationnel (alarme d'urgence vs ticket d'inspection planifiée).

Combiner méthodes analytiques : spectre, enveloppe et corrélation statistique

Sur les roulements, l'enveloppe et l'analyse spectrale restent des incontournables pour détecter défauts de rouleaux, pistes ou cage. Mais pour réduire les faux positifs, je préconise :

  • Utiliser l’enveloppe pour détecter les défauts impulsionnels et filtrer les signaux qui n’ont pas le pattern impulsionnel attendu.
  • Appliquer la spectrogramme pour identifier si l’énergie se concentre sur des orders liés à la vitesse — ce qui renforce la fiabilité de l'alerte.
  • Mettre en place des tests de corrélation croisée entre capteurs voisins : si une impulsion n’apparaît que sur un capteur isolé, elle est probablement locale (bruit, mauvais montage).

Architecture type et flux d’alerte

Voici le flux que j’implémente souvent :

  • Capteurs SKF → Gateway edge (prétraitement & feature extraction) → moteur de règles local (corrélation RPM/temp/events) → classification légère (anomalie oui/non).
  • Si anomalie confirmée localement et score élevé → envoi au cloud avec buffer de données brutes pour analyse approfondie et historisation.
  • Alertes contextuelles remontées vers GMAO/CMMS avec recommandation d'action (inspection visuelle, surveillance renforcée, arrêt planifié) plutôt qu'alarme binaire.

Tableau comparatif des approches

Technique Avantage Limitation
Seuils statiques Simple à implémenter Beaucoup de faux positifs en conditions variables
Edge analytics + features Réduit le bruit et la latence, économie de bande Nécessite déploiement et maintenance logicielle locale
Corrélation multi-sensorielle Très efficace pour filtrer faux positifs Exige intégration de données (température, RPM, events)
ML / score composite Détection précoce et adaptative Besoin de données d'entraînement et de validation

Métriques et gouvernance : comment savoir que ça marche ?

Pour mesurer l'efficacité, j'utilise des KPIs simples :

  • Taux de faux positifs (nombre d'alarmes invalidées / total alarmes).
  • Taux de détection (vrais défauts détectés / défauts avérés).
  • Délai moyen de réparation (MTTR) après alerte valide.
  • Nombre d'interventions évitées grâce au filtrage local.

Un pilote de plusieurs semaines permet d'ajuster les règles de corrélation et les seuils dynamiques avant un déploiement à grande échelle.

En pratique, réduire les faux positifs n'est pas l'affaire d'une seule technologie, mais d'une chaîne : capteurs SKF bien installés, traitement robuste sur edge, règles de corrélation contextuelles et une gouvernance des alertes tournée vers l'action utile. Quand ces éléments sont alignés, la surveillance vibration des roulements devient un véritable outil d'aide à la décision, et non une source d'alertes incessantes.