Analyse vibratoire IA : détecter les pannes de machines tournantes

L'analyse vibratoire par IA permet de détecter les défauts de machines tournantes - roulements dégradés, balourd, désalignement - plusieurs semaines avant la panne, en analysant automatiquement les signatures fréquentielles du signal vibratoire. C'est la technique de maintenance prédictive la plus déployée en industrie, représentant environ 40 % des implémentations selon les enquêtes sectorielles, précisément parce qu'elle fonctionne sur pratiquement tous les équipements rotatifs sans modification matérielle lourde.

Cet article couvre la chaîne complète : pourquoi la vibration révèle les défauts avant toute symptomatologie visible, les outils de traitement du signal (FFT, analyse d'enveloppe, domaine temporel vs fréquentiel), les signatures de chaque type de défaut, les features utilisées en machine learning (RMS, kurtosis, facteur de crête), la comparaison ML classique vs deep learning sur signal brut, et les étapes concrètes de mise en oeuvre pour une PME industrielle.

Pourquoi la vibration révèle les défauts mécaniques bien avant la panne

Une machine tournante en bon état a une signature vibratoire stable et prévisible. Un moteur tourne à une fréquence donnée, ses composants génèrent des harmoniques identifiables, le niveau global reste dans des plages connues. Dès qu'un défaut apparait - une légère usure sur la bague d'un roulement, un déséquilibre de masse progressif, un désaxage après remontage - cette signature change. Ces changements sont souvent imperceptibles pour l'opérateur, inaudibles au quotidien, mais parfaitement mesurables par un accéléromètre.

L'intérêt clé : le signal vibratoire se dégrade bien avant que la machine ne chauffe anormalement, ne fasse du bruit ou ne montre des signes visibles d'usure. Selon les données terrain issues de programmes industriels matures, plus de 60 % des pannes mécaniques sont détectables 2 à 6 mois avant la casse. Ce délai est ce qui rend la maintenance prédictive vibratoire économiquement intéressante : on passe de la gestion d'urgence à la planification.

Les mécanismes physiques derrière le signal

Chaque type de défaut génère des forces à des fréquences spécifiques, qui se traduisent en composantes identifiables dans le spectre. Un balourd (déséquilibre de masse) crée une force centrifuge tournante à exactement la fréquence de rotation - on parle de composante à 1x la vitesse. Un défaut de roulement génère des chocs impulsifs à une fréquence calculable à partir de la géométrie du roulement et de sa vitesse. Un engrenage produit une vibration à sa fréquence d'engrènement (nombre de dents multiplie la vitesse de rotation).

Cette physique sous-jacente est la raison pour laquelle l'analyse vibratoire est robuste : les fréquences caractéristiques des défauts ne sont pas des seuils empiriques mais des valeurs calculables. L'IA ne remplace pas cette physique, elle l'exploite pour automatiser le diagnostic à grande échelle.

Traitement du signal : domaine temporel, FFT et analyse d'enveloppe

Un signal vibratoire brut est une série temporelle - l'accélération mesurée à haute fréquence (typiquement 5 à 25 kHz pour les applications industrielles). Trois approches complémentaires permettent d'en extraire l'information diagnostique.

Analyse dans le domaine temporel

L'analyse temporelle travaille directement sur le signal brut et en extrait des indicateurs statistiques globaux. Ce sont les features les plus simples à calculer et souvent les premières à donner l'alerte :

• RMS (Root Mean Square) : la racine carrée de la moyenne des carrés - mesure l'énergie globale du signal. Un RMS qui dérive lentement sur plusieurs semaines signale une dégradation progressive.
• Valeur crête : l'amplitude maximale du signal sur une fenêtre donnée. Réagit rapidement aux chocs impulsifs.
• Facteur de crête (Crest Factor) : ratio valeur crête / RMS. Un facteur de crête élevé (supérieur à 6-8) indique des chocs impulsifs caractéristiques des défauts de roulement en stade précoce.
• Kurtosis : mesure la "peakedness" de la distribution du signal. Une valeur kurtosis élevée (supérieure à 3-4) révèle la présence de chocs non périodiques - signe classique d'un roulement dégradé. C'est souvent le premier indicateur à réagir, avant même que le spectre FFT ne montre quelque chose de net.

Analyse dans le domaine fréquentiel : la FFT

La transformée de Fourier rapide (FFT) décompose le signal temporel en ses composantes fréquentielles. Le résultat est un spectre d'amplitude en fonction de la fréquence, où chaque pic correspond à une source vibratoire identifiable.

Sur un spectre FFT d'une machine en bon état, on voit principalement la fréquence de rotation (1x) et ses harmoniques (2x, 3x...). Les défauts s'ajoutent sous forme de pics aux fréquences caractéristiques ou de bandes latérales autour des composantes existantes. C'est l'outil diagnostic de référence pour localiser la source d'un problème une fois l'alerte donnée.

Analyse d'enveloppe pour les défauts de roulement

L'analyse d'enveloppe est une technique dédiée aux défauts de roulement en stade précoce, quand les pics BPFO/BPFI sont encore noyés dans le bruit du spectre global. Elle exploite un phénomène physique : un défaut de bague génère des chocs à haute fréquence qui excitent les résonances structurelles de la machine, et ces résonances sont modulées périodiquement à la fréquence du défaut.

La procédure : filtrer le signal autour de la fréquence de résonance (typiquement 5 à 20 kHz), calculer l'enveloppe du signal filtré (signal analytique via transformation de Hilbert), puis appliquer une FFT sur cette enveloppe. Le spectre d'enveloppe fait apparaître clairement BPFO ou BPFI et leurs harmoniques, même quand ils sont invisibles sur le spectre direct. C'est la méthode de référence pour le diagnostic précoce des roulements.

Signatures des défauts : ce que cherche le modèle

Connaitre les signatures de chaque défaut est essentiel pour comprendre ce que le modèle ML doit apprendre - et pour interpréter ses résultats.

Défaut	Signature fréquentielle principale	Indicateurs temporels sensibles
Balourd	Pic dominant à 1x vitesse de rotation, faibles harmoniques	RMS élevé, facteur de crête modéré
Désalignement	Harmoniques élevées à 2x et 3x, forte composante axiale	RMS élevé en axial, kurtosis modéré
Défaut bague ext. (BPFO)	Pics à BPFO = (N/2) x (1 - d/D x cos(alpha)) x fr	Kurtosis élevé, facteur de crête fort
Défaut bague int. (BPFI)	Pics à BPFI avec bandes latérales à fr	Kurtosis élevé, impulsif
Jeu mécanique	Harmoniques multiples de 0,5x et 1x (sous-harmoniques)	RMS variable, spectre riche
Défaut engrenage	Fréquence d'engrènement (Z x fr) et harmoniques	Kurtosis élevé si écaillage localisé

Dans le tableau, N est le nombre de billes, d le diamètre de bille, D le diamètre primitif, alpha l'angle de contact, fr la fréquence de rotation. Ces formules sont connues et permettent de calculer a priori les fréquences à surveiller pour chaque roulement - sans attendre que le défaut soit visible.

Le cas particulier des roulements : stades de dégradation

Les défauts de roulement progressent en quatre stades. Le stade 1 (plusieurs mois avant panne) : le kurtosis monte, le spectre d'enveloppe montre BPFO ou BPFI. Le stade 2 : les pics apparaissent sur le spectre direct. Le stade 3 : les harmoniques se multiplient, le bruit de fond monte. Le stade 4 (quelques jours avant panne) : le spectre est bruité, la température monte, le bruit est audible. Un système de détection précoce vise les stades 1 et 2.

Features ML et approches algorithmiques

Une fois le traitement du signal fait, deux grandes stratégies s'affrontent : le machine learning classique sur features extraites, et le deep learning sur signal brut ou représentation intermédiaire.

Machine learning classique sur features extraites

C'est l'approche standard et la plus deployée en industrie. On extrait un vecteur de features à partir de chaque fenêtre temporelle du signal :

• Features temporelles : RMS, kurtosis, facteur de crête, skewness, valeur crête, facteur de forme (RMS / valeur moyenne absolue).
• Features fréquentielles : énergie par bande fréquentielle, amplitude aux fréquences caractéristiques (1x, 2x, BPFO, BPFI...), fréquence centroïde du spectre.
• Features d'enveloppe : énergie dans le spectre d'enveloppe, amplitudes aux fréquences de défaut de roulement.

Ces features alimentent des algorithmes comme Random Forest, SVM, XGBoost ou Gradient Boosting. L'avantage : interprétabilité (on sait quelle feature a déclenché l'alerte), bonne performance avec des jeux de données de taille modeste (quelques milliers d'exemples suffisent), intégration facile dans des systèmes existants.

Pour la détection d'anomalies sans données labellisées (cas fréquent au démarrage), les approches non supervisées fonctionnent bien : Isolation Forest, Autoencoder, One-Class SVM. On apprend la baseline "machine saine" et on alerte dès que le signal s'en éloigne significativement. Notre article sur les méthodes non supervisées pour capteurs sans données de panne étiquetées détaille ces algorithmes et leurs critères de choix.

Deep learning sur signal brut ou spectrogramme

Le deep learning évite l'extraction manuelle de features : le modèle apprend lui-même les représentations pertinentes. Deux approches dominent :

• CNN sur spectrogrammes : on convertit la série temporelle en image temps-fréquence (spectrogramme STFT ou CWT), puis on applique un réseau convolutif. Le CNN apprend à reconnaître les patterns visuels caractéristiques de chaque défaut. Performances souvent excellentes sur des datasets suffisamment grands.
• LSTM / Transformer sur séries temporelles brutes : le modèle traite directement la séquence temporelle. Plus flexible, mais plus gourmand en données et en calcul.

La limite principale : le deep learning demande des volumes de données labellisées que peu de PME possèdent au démarrage (plusieurs centaines à milliers d'exemples par classe de défaut). Sans données labellisées, il décroche nettement face au ML classique non supervisé. Des approches de transfer learning depuis des datasets publics comme la base CWRU Bearing Data Center permettent de réduire ce besoin, mais ne l'éliminent pas.

Mise en oeuvre pour une PME industrielle : étapes concrètes

L'analyse vibratoire par IA n'est pas réservée aux grands groupes industriels. Une PME avec 10 équipements critiques peut équiper son parc pour 5 000 à 8 000 euros HT en capteurs, et commencer à générer des alertes pertinentes en 6 à 8 semaines. Voici les étapes dans l'ordre.

Etape 1 : prioriser et instrumenter

Commencer par identifier les 5 à 10 équipements dont un arrêt non planifié coûte le plus cher - en production perdue, en délais clients, en risque sécurité. Sur ces équipements, installer des capteurs d'accélération : capteurs ICP (câblés, précis, adaptés aux hautes fréquences) pour les applications critiques, ou capteurs MEMS sans fil pour les machines difficiles d'accès ou en zone ATEX. Positionner les capteurs dans la direction radiale et axiale sur les paliers, au plus près des roulements.

La question des capteurs et des architectures de collecte est traitée en détail dans l'article architectures de collecte et protocoles IoT pour l'instrumentation industrielle.

Etape 2 : collecter la baseline et extraire les features

Avant d'entrainer quoi que ce soit, collecter 2 à 4 semaines de données en conditions normales de fonctionnement - charges variées, températures ambiantes différentes, plusieurs cycles de démarrage/arrêt. Cette baseline est la référence de "machine saine". Calculer automatiquement les features temporelles (RMS, kurtosis, facteur de crête) et fréquentielles (énergie par bande, amplitudes aux fréquences caractéristiques calculées pour chaque roulement identifié).

Etape 3 : premier modèle de détection d'anomalies

Sans données de pannes disponibles au démarrage, un Isolation Forest ou un autoencoder entraine sur la baseline suffit pour les premières semaines. Ces modèles signalent tout écart significatif par rapport à l'état normal. Faux positifs inévitables au début : les affiner en validant les alertes avec les techniciens de maintenance, qui labellisent progressivement les événements. C'est ce historique labellisé qui permettra ensuite de passer à un modèle supervisé.

Pour la gestion dans la durée - drift du modèle quand les conditions de fonctionnement changent, reentrainement périodique, monitoring des performances - notre article sur le déploiement de la maintenance prédictive IA en industrie PME couvre ces aspects opérationnels.

Le marché mondial de la maintenance prédictive atteignait 15,67 milliards de dollars en 2026 selon Coherent Market Insights, avec une croissance annuelle de 27,9 %. Les programmes matures (3 ans ou plus) rapportent 25 % à 50 % de réduction des arrêts non planifiés et un retour sur investissement en 8 à 18 mois selon la criticité des équipements. Ces chiffres s'expliquent simplement : une heure d'arrêt non planifié sur une ligne de production coute souvent plus que l'ensemble du dispositif de surveillance pour un an.

Pour estimer la durée de vie résiduelle d'un équipement une fois le défaut détecté - et donc planifier précisément l'intervention - l'approche complémentaire RUL (Remaining Useful Life) est décrite dans notre article sur la façon de planifier l'intervention au bon moment grâce au pronostic de défaillance.

Limites et conditions de réussite

L'analyse vibratoire par IA ne fonctionne pas en toutes circonstances. Quelques points de vigilance avant de se lancer.

La vitesse de rotation doit être suffisamment stable. Sur des machines à vitesse variable (variateurs de fréquence), le spectre FFT se brouille si on ne prend pas en compte les variations de vitesse. Des techniques d'analyse ordre (Order Analysis) permettent de s'adapter, mais elles compliquent le traitement.

Le montage des capteurs conditionne la qualité du signal. Un capteur mal fixé (vissage insuffisant, surface non plane) introduit des résonances parasites et dégrade les mesures hautes fréquences. L'analyse d'enveloppe notamment exige un bon couplage mécanique.

Les données labellisées sont rares au démarrage. Dans la plupart des PME, les pannes passées ne sont pas documentées avec leur signature vibratoire associée. Le modèle supervisé ne peut pas se construire sur du vide : prévoir une phase de collecte et de labellisation progressive, entre 6 et 18 mois selon la fréquence des événements.

Les conditions opératoires variables sont une source de faux positifs. Un moteur sous charge partielle vibre différemment du même moteur à pleine charge. Un modèle entraine sans prendre en compte la charge comme variable d'entrée va générer des alarmes intempestives à chaque changement de régime. Intégrer les variables de process dans le modèle (charge, débit, pression) est souvent indispensable pour des performances opérationnelles acceptables.

Pour aller plus loin

• Maintenance prédictive IA en industrie : guide pour PME - principes, ROI et déploiement opérationnel.
• Fréquences d'échantillonnage et qualité du signal pour l'instrumentation industrielle - choix des capteurs, architectures de collecte, formats.
• Modèles data-driven pour estimer le temps de vie restant d'un roulement - prognostics et approches probabilistes.
• LSTM-autoencoder et Matrix Profile pour flux capteurs industriels - méthodes non supervisées et supervisées comparées.
• Détection d'anomalies qualité par vision IA en industrie - complément visuel à la surveillance vibratoire.
• Données nécessaires pour un projet ML prédictif - volume, qualité, labellisation : ce qu'il faut vraiment.
• Top librairies machine learning Python - scikit-learn, XGBoost, PyTorch et les outils de traitement du signal.
• Service IA prédictive et maintenance sur mesure - comment Tensoria accompagne les projets de détection de pannes.
• CWRU Bearing Data Center - dataset de référence pour tester vos modèles de détection de défauts de roulements.
• ISO 13374 - Condition monitoring and diagnostics of machines - norme internationale de référence pour les systèmes de surveillance.