Capteur de maintenance prédictive
Un système embarqué autonome, alimenté par la chaleur des machines
Surveiller des machines
sans câble ni batterie
Dans l'industrie, la surveillance des machines tournantes (moteurs, pompes, ventilateurs) repose encore largement sur une maintenance systématique — coûteuse, rigide, et souvent trop tardive. La maintenance prédictive, basée sur l'analyse vibratoire, permet d'anticiper les pannes avant qu'elles ne surviennent.
Mais deux obstacles freinent son déploiement massif : le câblage, difficile et coûteux sur des machines déjà en place, et l'alimentation, qui impose des batteries à remplacer régulièrement.
« Comment concevoir un système de mesure sans fil, capable d'assurer un suivi vibratoire précis, en s'alimentant exclusivement à partir du gradient thermique d'une machine industrielle ? »
Gérer une source d'énergie très faible et fluctuante
Assurer une consommation ultra-basse du capteur et du MCU
Maintenir un ΔT suffisant sans refroidissement actif
De la chaleur à la donnée
Le système transforme un gradient de température en données vibratoires exploitables, à travers une chaîne de 4 étages optimisés pour l'ultra-basse consommation.
Récupération
TEG (Seebeck)Un générateur thermoélectrique convertit le gradient de température de la machine en tension électrique (quelques centaines de mV).
Gestion d'énergie
BQ25570MPPT + boost converter. Démarrage à froid à 330 mV, charge optimisée d'un supercondensateur. Supervision de l'état énergétique.
Acquisition
ESP32 + BMA400Réveil périodique depuis le deep sleep, mesure vibratoire 3 axes via I²C, calcul RMS, puis retour en sommeil profond.
Transmission
BLEEnvoi des données synthétisées via Bluetooth Low Energy — le protocole le plus sobre pour des trames courtes.
Dormir, mesurer, transmettre, répéter
Le système fonctionne en boucle cyclique, synchronisée avec la disponibilité réelle de l'énergie. Chaque cycle dure quelques secondes sur plusieurs minutes de sommeil.
Phase de sommeil
Le TEG alimente lentement le supercondensateur. L'ESP32 est en deep sleep (~10 µA). Le BMA400 est en veille (~3.5 µA). L'énergie s'accumule.
~1 à 5 minRéveil
La tension du supercondensateur atteint le seuil. Le BQ25570 autorise l'alimentation. L'ESP32 sort du deep sleep et initialise les interfaces.
~50 msMesure & traitement
Acquisition vibratoire 3 axes via I²C. Filtrage et calcul de la valeur RMS. Préparation de la trame de données.
~200 msTransmission BLE
Envoi de la trame synthétisée via Bluetooth Low Energy. Déconnexion immédiate pour minimiser la consommation.
~100 msRetour en sommeil
Désactivation de tous les périphériques. Retour en deep sleep. Le cycle recommence.
immédiatChaque composant a été choisi pour sa sobriété
Générateur thermoélectrique (TEG)
Convertit l'effet Seebeck en tension exploitable. Fonctionne avec un ΔT modéré grâce à un dissipateur à ailettes surdimensionné (~10 cm) exploitant la gravité pour le contact thermique.
BQ25570 (Texas Instruments)
Circuit de power management spécialisé energy harvesting. Démarrage à froid 330 mV, MPPT intégré, boost converter, supervision de charge avec seuils programmables.
Supercondensateur
Tampon énergétique entre production continue (TEG) et consommation impulsionnelle (ESP32). Grand nombre de cycles, faible ESR, pas de tension minimale.
BMA400 (Bosch Sensortec)
Accéléromètre MEMS triaxial ultra-basse consommation (3.5 µA). Fonction auto-wake-up intégrée, mesure numérique précise, interface I²C.
ESP32 + MicroPython
Microcontrôleur avec deep sleep (~10 µA), BLE intégré, programmé en MicroPython pour un prototypage rapide. Réveil périodique configurable.
Bluetooth Low Energy
Protocole le plus sobre pour l'envoi de trames courtes. Connexion éphémère : envoi des données puis déconnexion immédiate.
Construire une intelligence
à partir des vibrations
Le capteur ne se contente pas de mesurer — il alimente un pipeline de données conçu pour apprendre à détecter les anomalies et anticiper les pannes.
Collecte structurée
À chaque cycle, le capteur transmet via BLE un paquet de données : accélération 3 axes (X, Y, Z), valeur RMS, horodatage et identifiant du capteur. Ces trames sont réceptionnées et stockées dans une base de données pour constituer un historique.
Construction de la base de données
Chaque enregistrement enrichit une base qui trace l'évolution vibratoire de la machine dans le temps. On accumule des signatures vibratoires : amplitudes, fréquences dominantes, tendances sur plusieurs cycles. C'est cette profondeur temporelle qui rend la prédiction possible.
Détection d'anomalies
À partir de cet historique, un modèle de machine learning apprend à distinguer le fonctionnement normal de la machine de ses comportements anormaux. Variations d'amplitude inhabituelles, changements fréquentiels, dérives progressives — autant de signaux avant-coureurs de panne détectables automatiquement.
Maintenance prédictive autonome
L'objectif final : un système qui apprend en continu à partir de ses propres mesures, affine ses seuils d'alerte et anticipe les défaillances avant qu'elles ne surviennent — le tout sans intervention humaine ni source d'énergie externe.
Où en est le projet ?
Ce projet est actuellement en phase de conception et d'assemblage. Voici la roadmap et l'état d'avancement de chaque étape.
Recherche & bibliographie
Étude des fondements de la maintenance prédictive, de la thermoélectricité, et choix des composants.
Architecture système
Définition de la chaîne complète : TEG → BQ25570 → supercondensateur → ESP32 → BMA400 → BLE.
Approvisionnement des composants
Commande et réception du TEG, BQ25570, supercondensateur, BMA400, ESP32 et dissipateur.
Assemblage & câblage
Montage physique du prototype, câblage de la chaîne d'énergie et connexion des capteurs.
Développement logiciel
Code MicroPython : gestion du deep sleep, acquisition I²C, calcul RMS, transmission BLE.
Tests & bilan de puissance
Mesure de l'énergie produite vs consommée. Définition du rapport cyclique optimal.
Validation vibratoire
Test sur ventilateur, analyse fréquentielle, comparaison avec les seuils ISO 10816.
L'objectif de ce projet
Démontrer qu'un monitoring industriel permanent est possible sans aucune source d'énergie externe ni batterie. Une solution concrète pour une industrie plus durable et intelligente, alliant la physique des matériaux à l'informatique embarquée.
Ce projet combine électronique analogique (TEG, BQ25570), numérique (ESP32, MicroPython, BLE), traitement du signal (FFT, RMS) et physique (thermodynamique, mécanique vibratoire) — les fondations de ma spécialisation en Data & IoT.