Analyse de roulements : diagnostiquer tôt, prévenir les défaillances

Notre but est de cultiver un état d'esprit qui priorise la détection et la résolution de problèmes plutôt que le simple constat de défaillances. En pratique, les roulements échouent souvent spectaculairement, pourtant les données vibratoires ayant signalé la défaillance sont rarement examinées au-delà du remplacement. Une approche structurée, multi-étapes, est essentielle : un programme de surveillance vibratoire doit signaler un problème au premier signe, et la maintenance doit agir en conséquence — parfois en ajustant la lubrification, parfois en remplaçant un roulement. Le timing du remplacement est critique ; des changements prématurés peuvent être perçus comme un défaut du système, tandis qu'une action retardée peut endommager d'autres composants et effacer les preuves diagnostiques. La maintenance proactive, pas le remplacement réactif, est la voie vers la fiabilité.

Le système d'aide à la décision SKF Bearing Inspector accélère, standardise et améliore la qualité du diagnostic de roulements. En agrégeant principes fondamentaux et résultats d'ingénierie pratique sur les dommages de roulements à billes, il prévient les défaillances récurrentes. Contrairement aux arbres cause-symptôme traditionnels qui peuvent induire en erreur, cet outil modélise la causalité des conditions vers les symptômes observables, assignant des probabilités reflétant les incertitudes réelles. L'intelligence computationnelle de pointe sous-tend cette approche, assurant que le diagnostic miroite la physique de l'opération des roulements.

Cet article s'aligne sur l'ISO 15243:2004, le référentiel pour l'analyse de données de surveillance d'état.

Comprendre le problème

Les outils de surveillance d'état sont les plus précieux quand ils aident à prédire les défaillances avant qu'elles ne deviennent critiques. Pour en exploiter pleinement le potentiel, il faut d'abord saisir la terminologie et développer une stratégie de collecte et conversion de données en insights actionnables. Prenons un exemple de roulement : avons-nous simplement détecté une défaillance, ou avons-nous découvert la cause racine et prévenu la récurrence ? Les signatures vibratoires peuvent révéler zones de charge, désalignement et motifs d'usure qui, adressés tôt, évitent des arrêts coûteux.

Figure 1. Spectre enveloppé du roulement

Figure 2. Forme d'onde du roulement

Figure 3. Analyse temps cyclique du roulement

Dans ce cas, des défaillances répétées n'ont mené qu'à des remplacements de roulement — une correction coûteuse et chronophage. En segmentant un bloc de données pour représenter un tour unique et en le moyennant synchrone avec un déclencheur virtuel à 1 tr/min, deux zones de charge distinctes sont apparues. Ces zones indiquent un stress imminent sur la piste intérieure et la cage, guidant l'action corrective. L'inspection subséquente du journal a révélé une ovalisation ; l'usinage a corrigé l'ajustement, et le roulement fonctionne sans faille depuis.

L'analyse de cause racine combinée à la maintenance proactive a été décisive. La leçon : dépanner le problème, pas seulement la défaillance.

Gestion de la lubrification

Quand la lubrification se dégrade, vibrations, bruit ou émissions acoustiques montent généralement. Si l'inspection auditive peut signaler des problèmes, la méthode la plus fiable est de suivre les données vibratoires en unités d'ingénierie. La Figure 4 illustre la tendance vibratoire d'un roulement avant, pendant et après graissage.

Figure 4. Tendance vibratoire pendant lubrification

Bien que le graissage ait semblé résoudre le problème, les niveaux de vibration ne sont jamais revenus aux niveaux pré-problème. L'augmentation résiduelle provenait de débris dans la graisse. Une forme d'onde capturée pendant le graissage (Figure 5) montre clairement comment l'opération de graissage a masqué le problème sous-jacent.

Figure 5. Forme d'onde pendant graissage

Système d'aide à la décision pour analyse de défaillance roulements

Une vision précise des dommages de roulements à billes est stratégiquement vitale pour SKF et ses clients. Le SKF Bearing Inspector — base de connaissances web-enabled — capture toute l'information disponible, des principes fondamentaux aux résultats d'ingénierie réels. Cela permet une prise de décision rapide, cohérente et de haute qualité et aide à prévenir les dommages récurrents.

Contrairement aux systèmes experts des années 1980, basés sur des arbres de décision rigides, le système actuel modélise la causalité des conditions vers les symptômes avec probabilités quantifiées. Cela reflète la réalité physique qu'une cause spécifique (ex: montage incorrect) se manifeste par un dommage observable (ex: fretting), pas l'inverse.

Représentation des connaissances

Le système utilise un réseau probabiliste liant visuellement des nœuds représentant :

• Conditions : vitesse de fonctionnement, charge, type de roulement, détails installation, environnement, etc.
• Mécanismes internes : état lubrification, rupture film, contact glissant.
• Modes de défaillance : fatigue sous-surface, corrosion fretting, usure adhésive, etc.
• Symptômes observés : décoloration, écaillage, rouille, piqûres.

Avec environ 150 nœuds et 250 images support, le réseau incarne à la fois connaissance experte et données empiriques. Les probabilités sont calculées en avant et en arrière, miroir du flux diagnostique d'un clinicien : générer hypothèses, puis vérifier ou rejeter par inspections ciblées.

Figure 6. ISO 15243:2004

Figure 7.

Étude de cas : Roulement moteur électrique dans une papeterie

Sous « Cas Typiques », le Bearing Inspector présente des scénarios réels. Un cas implique un roulement à rouleaux cylindriques isolé NU 322 ECM/C3VL024 dans un bobineur papier. Fonctionnant entre 1 000 et 1 500 tr/min, le roulement a montré une usure lourde sur les deux bagues après juste un mois.

Le chargement des données d'application (Étape 1) peuple automatiquement l'analyse. L'outil signale initialement de fortes probabilités pour faux brinelling, usure adhésive et fuite de courant. Guidé par le logiciel, l'utilisateur vérifie les symptômes spécifiques de chaque mode :

1. Faux brinelling — aucune dépression peu profonde trouvée, donc rejeté.
2. Usure adhésive — aucun signe caractéristique présent.
3. Fuite de courant — piqûres mineures observées au grossissement, confirmant le diagnostic.

L'investigation ultérieure a révélé un défaut de mise à la terre dans la construction du bobineur, confirmant la recommandation du logiciel.

Figure 8. Étape 1 : Conditions d'application

Figure 9. Étape 2 : Diagnostic initial et facteurs de confiance

Figure 10. Étape 3 : Inspection symptômes pour fuite de courant

Figure 11. Diagnostic final et génération de rapport

Au lieu d'inspecter chaque symptôme possible, le système priorise les observations les plus discriminantes selon l'hypothèse courante, réduisant l'effort diagnostique. Les utilisateurs peuvent exporter des rapports complets en Word ou HTML, avec conditions, observations et classements de probabilité.

Conclusion

Le SKF Bearing Inspector délivre un processus de prise de décision rapide, cohérent et de haute qualité pour les investigations de dommages de roulements. Accessible via interface web, il permet aux ingénieurs SKF et clients d'identifier les causes de défaillance et d'implémenter des mesures préventives — assurant que la même défaillance ne se reproduise pas et guidant la configuration de programmes de surveillance d'état basés vibration.