Prédiction de la dégradation de l'huile de lubrification dans les engins miniers

L’analyse d’huile est un outil pratique et utile qui permet aux mines de suivre la santé de leurs engins, la dégradation de l’huile ainsi que l’usure des différents composants. Cette méthode de surveillance peut être considérée comme un outil à court terme. L’huile est échantillonnée, l’échantillon est analysé et les résultats de l’analyse sont disponibles en quelques jours. Les résultats sont ensuite stockés dans une base de données. Après des années d’utilisation, les mines ont acquis d’importantes quantités de données. Même si ces bases de données présentent des erreurs d’entrée ou sont incomplètes, elles sont le reflet de l’usure et de la maintenance d’un équipement, voire d’un site. L’existence de telles bases de données n’est pas sans rappeler les progrès réalisés en traitement de données portés par l’Industrie 4.0. Cette propension à l’analyse de données est présente dans tous les secteurs. Le secteur minier ne déroge pas à la tendance. Ainsi, exploiter les bases de données d’analyses d’huile à l’aide d’outils de traitement de données pourrait permettre d’améliorer les politiques de changement d’huile du secteur minier. C’est l’une des étapes dans la numérisation des mines en vue d’atteindre la mine 4.0. Cette recherche a pour objectif d’explorer des données historiques en vue d’améliorer la politique de changement d’huile. Un partenaire industriel a fourni une base de données retraçant presque 70 000 analyses faites sur cinq ans sur plus de 1 300 véhicules. Ces données ont été nettoyées et consolidées. Notamment des erreurs sur les compteurs horométriques ont dû être corrigées. Certaines erreurs, telles que des changements d’huile non recensés, n’ont pas pu être corrigées. La base de données couvrant une grande variété de véhicules, un sous-ensemble de travail a alors été défini. Un site parmi les cinq représentés a été choisi. Deux types de véhicules ont été sélectionnés : les semi-remorques et les tombereaux de surface. La recherche se limite sur seulement deux composants : les moteurs et les différentiels. Un objectif intermédiaire a été défini : développer une stratégie de traitements des données. Ce sous-objectif a été atteint. La stratégie consiste en une sélection des variables d’études, une réduction de dimension et l’application d’un modèle pour tenter de prédire le temps d’utilisation de l’huile. La méthode de sélection de variables se base sur la fréquence à laquelle une variable est considérée comme la pire d’un résultat d’analyse. Cette sélection est systématique, elle permet alors de s’adapter au sous-ensemble de travail choisi. La dimension de l’espace d’étude est réduite à l’aide d’une analyse des composantes principales. Cette réduction est linéaire, elle permet de garder une clarté dans le processus de traitement des données. Une régression des composantes principales ainsi qu’une régression des moindres carrés partiels ont été appliquées. Ces modèles, eux aussi linéaires, préservent la limpidité des liens entre les entrées et la sortie. Une étape de validation a révélé les résultats largement insatisfaisants des modèles. Ceux-ci ne peuvent pas être utilisés par le partenaire industriel. En fonction des données mises à notre disposition pour nos analyses, il s’est avéré impossible d’atteindre notre objectif principal. Toutefois, ce mémoire propose une tactique de traitement des données et des avenues afin d’ajouter des paramètres qui seraient pertinents pour l’atteinte de cet objectif. D’autres outils tels que des arbres et des réseaux de neurones ont également été utilisés. Ceux-ci ne fournissent pas non plus des résultats satisfaisants. Les pistes d’amélioration proposées touchent tout aussi bien à la collecte des données qu’aux outils de traitement de données qui pourraient être employés.

Abstract

Oil analysis is a useful tool in the mining industry. It allows mining companies to monitor the health status of their vehicles, the wear of the oil and the deterioration of multiple components. This practice may be considered as a short-term tool. In fact, the oil is sampled, the sample is analysed, and the results are saved in a database. By using this method for years, the mining companies managed to collect thousands of analyses results. Those databases contain a lot of information regarding the habits of mines and how vehicles behave through years. Having such huge databases recall all the tools used in data processing. This domain has known a lot of progress during past years. This progress is enhanced by the growth of the industry 4.0. The craze for data processing reaches every industry, even the mining one. Therefor, using data processing tool on oil analyses databases may lead to an evolution of the oil change politics in mines. This is one of the many steps to achieve the digitalization of the mining industry and finally reach the mine 4.0. The objective of this research is to utilize historical data to enhance the oil change politic. An industrial partner provided its oil analyses database. This database contains almost 70 000 analyses from five different mining sites. Those analyses were done on the oil from more than 1 300 vehicles. The data have been cleaned up and consolidated. Some errors, such as inaccurate meter reading values, were corrected. Other errors, such as undeclared oil change, weren’t. Because the database contains information about a lot of different vehicles, we decided to restrain our research on a subset of data. Among the five mining sites, one was kept. Two kinds of vehicles were chosen: trailers and surface haul trucks. Mainly two components were studied: the engine and the differential. A secondary objective has been defined: create a data processing strategy. This objective has been completed. The developed strategy follows three main steps: select key parameters to keep, reduce the working space dimension, and implement a predictive model to forecast the oil service time. The selection of key parameters is based on the frequency a parameter is considered the worst one in the analysis results. This method is systematic. Hence, it adapts to the selected data subset. The dimensionality reduction is achieved through a principal components analysis. This transformation is linear. Therefor it is easier to follow the modification made to the data. As predictive models, a principal components regression and a partial least square regression were used. Those models are also linear. This allows to tract the transformation applied to the data. It is then easier to trace back