Cette étude se concentre sur la prédiction précise et fiable de la durée de vie résiduelle (RUL) des roulements. Ces dernières années, la prédiction de la RUL basée sur l'apprentissage automatique a attiré l'attention pour assurer la sécurité, l'efficacité et la rentabilité des machines industrielles. Cependant, les signaux vibratoires bruts recueillis lors d'expériences de fonctionnement sur la durée totale de vie présentent souvent un fort bruit, une non-stationnarité et une grande dimensionnalité, rendant l'apprentissage direct des modes de dégradation difficile. Cela conduit souvent à des prédictions incohérentes du RUL à un instant donné, ce qui affaiblit la fiabilité des prévisions. Ainsi, cette étude propose un cadre de prédiction multi-étapes fiable, intégrant un prétraitement robuste du signal, une classification basée sur les données de l'état de santé, ainsi qu'une estimation du RUL basée sur l'apprentissage profond. Le procédé utilise une approximation par agrégation segmentée pour la réduction de dimension, exploite l'analyse spectrale singulière pour supprimer le bruit, et introduit une méthode de détection de points de rupture basée sur les moments centraux pour identifier automatiquement le point de départ de la dégradation. Ensuite, des indicateurs de santé ont été construits pour caractériser le processus de dégradation et la durée de vie efficace. Un classificateur par gradient boosting extrême est utilisé pour différencier l'état de fonctionnement sain de l'état dégradé à partir de la réponse vibratoire. Puis, un réseau hybride convolutif-récurrent à portes (CGR) est proposé pour prédire la RUL. La méthode a été validée sur plusieurs ensembles de données de roulements en conditions de fonctionnement variées sur la durée totale de vie. Les résultats montrent que la moyenne du score F1 du classificateur atteint environ 0,993, et les indices de fiabilité sont supérieurs à 2,0, indiquant sa capacité à identifier clairement l'état de santé. Le réseau CGR proposé présente d'excellentes performances avec une haute précision de régression pour la prédiction de la RUL. Les performances de ce réseau ont été comparées aux méthodes les plus avancées actuelles (incluant les réseaux de mémoire à long et court terme bidirectionnels, les unités récurrentes à portes, les réseaux denses résiduels basés sur des convolutions dilatées causales combinées à des mécanismes d'attention par canal, ainsi que les réseaux convolutifs temporels basés sur les Transformers). Globalement, les résultats confirment que le cadre proposé permet une prédiction précise, efficace en calcul et fiable de la RUL, adaptée à la surveillance en temps réel et à la maintenance prédictive des machines tournantes.

prédiction des pannes; évaluation de la fiabilité de la prédiction RUL; traitement du signal vibratoire; apprentissage profond