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 systèmes mécaniques complexes (machines industrielles, systèmes de transport)
repose encore largement sur une maintenance systématique, fondées sur des
intervalles fixes. Bien que robustes, ces approches restent rigides et peu représentatives
de l’état réel des machines.
La maintenance prédictive, notamment basée sur
l’analyse vibratoire, permet au contraire de détecter précocement les dégradations mécaniques et
d’anticiper les pannes.
Cependant, son déploiement à grande échelle reste limité par des contraintes pratiques, en particulier le câblage sur des installations existantes et l’alimentation énergétique des capteurs, souvent assurée par des batteries nécessitant une maintenance régulière.
« Comment concevoir un système de mesure sans fil, capable d'assurer un suivi vibratoire précis, en s'alimentant exclusivement à partir du gradient thermique local ? »
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
BQ25570 + LICGestion intelligente de l’énergie permettant un démarrage à très basse tension (~330 mV), une charge optimisée du stockage et une supervision continue 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, un protocole particulièrement adapté aux transmissions courtes et peu énergivores.
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 condensateur Lithium-Ion. L'ESP32 est en deep sleep. Le BMA400 est en veille. L'énergie s'accumule.
~1 à 5 minRéveil
Lorsque la tension du condensateur Lithium-Ion atteint un seuil suffisant, l’alimentation du système est autorisée. L’ESP32 sort alors du mode veille profonde et initialise ses interfaces.
~50-200 msMesure & traitement
Acquisition vibratoire 3 axes via I²C. Filtrage et calcul de la valeur RMS. Préparation de la trame de données.
~100-500 msTransmission BLE
Envoi de la trame synthétisée via Bluetooth Low Energy. Déconnexion immédiate pour minimiser la consommation.
~50-500 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.
Condensateur Lithium-Ion (LIC)
Stockage d’énergie jouant le rôle de tampon entre l’énergie récoltée en continu et les phases actives du système.
BMA400 (Bosch Sensortec)
Accéléromètre MEMS triaxial ultra-basse consommation (~15 µA). Fonction auto-wake-up intégrée, mesure numérique précise, interface I²C.
ESP32 + MicroPython
Microcontrôleur avec deep sleep, 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 → LIC → ESP32 → BMA400 → BLE.
Approvisionnement des composants
Commande et réception du TEG, BQ25570, LIC, 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
Tests expérimentaux sur un système mécanique, avec analyse fréquentielle des vibrations.
L'objectif de ce projet
Démontrer qu’un système de monitoring technique autonome peut fonctionner en continu sans alimentation externe. Une approche orientée fiabilité, gestion des ressources et contraintes réelles, applicable à des systèmes industriels, IoT ou d’énergie.
Ce projet combine électronique analogique (TEG, BQ25570), numérique (ESP32, MicroPython, BLE), traitement du signal (FFT, RMS) et physique (thermodynamique, mécanique vibratoire).