Réduction des Temps d’Arrêt de 42% dans les Systèmes de Réfrigération Critiques grâce à une Surveillance Intelligente des Vibrations

Des capteurs de vibration sans fil et le machine learning ont révélé une résonance cachée au démarrage des compresseurs, permettant des améliorations de fiabilité basées sur les données.

Profil du Client

Le client est une grande chaîne de supermarchés alimentaires qui exploite plusieurs grands centres logistiques pour le traitement et la distribution de produits.

Cette histoire de succès se déroule dans l’un de ces centres, dédié au stockage et au traitement de produits frais et congelés (viande, poisson, fruits et légumes). Toutes les installations sont entièrement réfrigérées et comprennent des salles de compresseurs de réfrigération industrielle, essentielles pour garantir la conservation des produits et la continuité opérationnelle.

Le Défi

Un système de réfrigération industrielle critique nécessite un contrôle accru de l’état réel de ses compresseurs.

L’équipement subissait une usure constante de composants critiques, provoquant des arrêts d’urgence. La cause profonde n’était pas détectée par la surveillance conventionnelle.

Les objectifs étaient de :

• Comprendre le comportement dynamique de la machine
• Effectuer une analyse des causes profondes
• Optimiser le fonctionnement grâce à une analyse vibratoire avancée

La Solution

Un système de surveillance vibratoire sans fil a été mis en place, conçu pour capturer les données pertinentes uniquement lorsque la machine est en fonctionnement.

Capacités du capteur :

• Surveillance des vibrations et de la température
• Notifications d’alarme configurables selon la vitesse
• Visualisation des données en ligne
• Collecte simultanée de données pour l’analyse de modèles

Mise en Œuvre

Chaque compresseur a été instrumenté avec quatre capteurs PHANTOM® couvrant le moteur, le compresseur et le séparateur.

Quatre spectres vibratoires sont enregistrés quotidiennement pour chaque machine, offrant une vue continue et fiable du comportement dynamique.

Un système de mesure de vitesse (RPM) (PHANTOM® – ERBESSD INSTRUMENTS®) a également été ajouté pour compléter les données vibratoires, bien que cela soit optionnel.

Identification des Patterns de Comportement

Un système de Machine Learning a été utilisé pour détecter les modes vibratoires.

En d’autres termes, lorsqu’une machine commence à se comporter différemment de son schéma habituel, le système identifie le changement et le classifie comme un nouvel état opérationnel.

Détection Précoce

Le système a automatiquement détecté un changement de comportement ne correspondant à aucun pattern connu, générant une alerte précoce avant qu’une défaillance mécanique ne survienne.

Après analyse du nouveau pattern vibratoire (mode), des fréquences de résonance associées à la rampe de démarrage de chaque compresseur ont été identifiées.

Actions Menées

• Des vitesses de fonctionnement ont été définies sur la base de données solides
• Les rampes de démarrage ont été ajustées pour éviter les fréquences de résonance
• Les critères d’alarme ont été modifiés en fonction des conditions normales de fonctionnement

Résultats

• Réduction de 42% des arrêts non planifiés en 2025 par rapport à 2024
• Tendances vibratoires clairement identifiées
• Alertes en temps réel lors de changements inattendus
• Comportement stable des machines dans des conditions normales

Impact sur l’Industrie

Les entreprises qui mettent en œuvre la maintenance prédictive et la surveillance conditionnelle réalisent généralement des réductions moyennes de 30 à 50% des temps d’arrêt non planifiés.

Conclusion

Le système est passé d’une approche réactive à une maintenance prédictive basée sur les données.