Aperçu
Qu'est-ce que l'ATC ?
La conférence technique annuelle de la CMVA est l'événement canadien par excellence pour les professionnels de la surveillance d'état et de l'analyse vibratoire. En 2025, nous vous accueillons à Halifax, en Nouvelle-Écosse, pour un rassemblement en personne de quatre jours. Cette conférence nationale propose des séances de formation immersives, des ateliers techniques stimulants, des conférenciers experts et une exposition d'outils et de services de fiabilité de pointe.
Calendrier
Aperçu du calendrier
- Jour 1 – 20 octobre:
Formation certifiante (sujets et instructeurs à venir) - Jour 2 – 21 octobre:
Sessions de formation continue et séries d'ateliers - Jour 3 – 22 octobre:
Coup d'envoi de la conférence — discours de Claver Diallo, sessions techniques (2 en anglais + 1 en français), ouverture du salon - Jour 4 – 23 octobre:
Tables rondes, démonstrations d'exposants, réseautage et tirages au sort
Entraînement
Ateliers de certification
- Préparation aux certifications de catégorie I et II
- Démonstrations en direct et apprentissage basé sur des cas
- Exposition pratique d'équipements et simulation de scénarios
Intervenants
Conférenciers principaux et présentateurs
Nous sommes fiers d'accueillir des leaders d'opinion en matière d'IA, de maintenance prédictive et de diagnostic des vibrations, aux côtés de professionnels universitaires et industriels qui stimulent l'innovation dans la surveillance de l'état.
Conférenciers principaux
De la vibration à la connaissance : faire progresser la maintenance prédictive grâce à l'IA et aux diagnostics basés sur les données
Face à la complexité et à l'interdépendance croissantes des systèmes industriels, les stratégies de maintenance traditionnelles ne répondent plus aux exigences de résilience, de rentabilité et de prise de décision en temps réel. Cette présentation plénière explore les stratégies de maintenance prédictive de pointe qui exploitent l'apprentissage profond, la prévision de la durée de vie utile restante (RUL) et l'optimisation pour améliorer la fiabilité et la résilience des systèmes industriels.
Nous explorons comment des modèles avancés, tels que les réseaux neuronaux Bi-LSTM et les estimateurs probabilistes de durée de vie utile (RUL), transforment les signaux vibratoires bruts en pronostics exploitables pour les machines tournantes. Des exemples illustreront comment ces modèles permettent une détection précoce des défauts, une optimisation du calendrier de maintenance et une réduction des temps d'arrêt imprévus. Parmi les principaux enseignements, citons : i) l'intégration des données vibratoires dans des architectures d'apprentissage profond pour une prédiction précise des défauts ; ii) l'utilisation de prédictions de durée de vie utile (RUL) tenant compte des incertitudes pour guider les décisions de maintenance en fonction des risques ; iii) des modèles d'optimisation évolutifs qui transforment les prévisions d'état de santé en programmes de maintenance rentables pour les flottes et les systèmes complexes.
À propos du conférencier
Claver Diallo, Ph. D., ing., est professeur au Département de génie industriel de l'Université Dalhousie à Halifax, en Nouvelle-Écosse, où il enseigne depuis 2007. Ses recherches portent sur l'optimisation de la performance des systèmes de production et de service, avec une expertise en ingénierie et gestion de la maintenance, en ingénierie de la fiabilité et de la disponibilité, en reconditionnement, en ordonnancement de projets et en conception durable de chaînes d'approvisionnement en boucle fermée. Les travaux récents du Dr Diallo explorent l'intégration de l'ingénierie de la fiabilité et de la maintenance prédictive à la production intelligente et aux systèmes logistiques hyperconnectés dans le paradigme de l'industrie 4.0/5.0. Il est titulaire d'un doctorat et d'une maîtrise en génie industriel, ainsi que d'un baccalauréat en génie mécanique, de l'Université Laval (Québec). Il est membre de l'Institute of Industrial and Systems Engineering (IISE), d'Engineers Nova Scotia, de la Société canadienne de recherche opérationnelle (CORS) et du comité technique 5.2 de la Fédération internationale de l'automatisation et du contrôle (IFAC).
L'avenir de la surveillance de l'état de santé des actifs dans un monde en pénurie de main-d'œuvre
Les organisations investissent depuis des années dans les technologies et la formation afin de mettre en œuvre et de maintenir des programmes de surveillance de la santé des actifs. Cependant, la disponibilité des ressources qualifiées pour soutenir ces activités essentielles diminue. En conséquence, les organisations explorent diverses solutions pour combler cet écart et accomplir davantage avec moins de ressources. Dans ce contexte, nous examinons différentes possibilités pour l'avenir de la surveillance de la santé des actifs, telles que le suivi à distance, l'intégration de l'intelligence artificielle et de l'apprentissage automatique, la surveillance en ligne appliquée à la collecte manuelle des données, et bien plus encore. Nous évaluons également le retour sur investissement de ces différentes options.
À propos du conférencier
Alain Pellegrino est un professionnel certifié en maintenance et fiabilité (CMRP) fort de plus de 20 ans d'expérience comme consultant en fiabilité. Il est président de Reliability Solutions LP, à Pensacola, en Floride. Il dirige et gère une équipe de 50 consultants techniques spécialisés en maintenance de précision, inspections opérateurs et ingénierie de fiabilité. Leur mission est d'aider les clients à atteindre des résultats rentables grâce à l'excellence en matière de fabrication fiable.
Identifier et résoudre la résonance, une étude de cas – Pompe DPS
Cette étude de cas retrace l'intégralité du processus, de la découverte initiale à la solution finale, d'identification et de résolution d'un problème de résonance impliquant une pompe submersible en fosse sèche. La présentation commence par la présentation du problème et la frustration du client de ne pas disposer d'une solution efficace, malgré les essais préalables. Nous expliquons comment nous avons élaboré un plan de test pour identifier et confirmer le problème à l'aide de plusieurs essais, notamment des tests de résistance au choc, des essais de démarrage et de décélération, et une analyse de phase à l'aide de courbes de déflexion en fonctionnement. Nous présentons ensuite les résultats des tests à l'aide de divers graphiques, notamment des tracés de données, des photographies et des animations. Les détails pertinents de la spécification 9.6.4 de l'AINSI / Hydraulic Institute et de la spécification de vibration OEM sont examinés et analysés. Des explications sur les forces hydrauliques générées par les pompes centrifuges et les vibrations qui en résultent sont également fournies. Enfin, les options disponibles pour résoudre le problème de résonance dans ce cas sont présentées. Certaines sont impossibles, d'autres non acceptables pour le client. Dans ces conditions, une solution est déterminée et mise en œuvre. Cette solution est présentée avec des photographies supplémentaires illustrant ses tests et sa mise en œuvre. De nombreux tests originaux ont été réexécutés sur la solution pour prouver son efficacité.
À propos du conférencier
Grant est un ingénieur mécanicien spécialisé dans l'analyse des vibrations des équipements rotatifs et de leurs structures. Fort de plus de 30 ans d'expérience dans le secteur, il est expert en mesure et analyse des vibrations, en analyse de données transitoires, en essais de déformation opérationnelle et en analyse de phase, ainsi qu'en équilibrage dynamique.
Grant a débuté sa carrière en 1991 comme spécialiste de la surveillance conditionnelle chez SKF Canada Limited à Scarborough, en Ontario. Il a ensuite travaillé pendant trois ans pour SKF Condition Monitoring, basée à Houston, au Texas, comme spécialiste sectoriel au sein des groupes Métaux et mines et Pâtes et papiers. Il a ensuite occupé divers postes de chef d'équipe en maintenance prédictive pour des entreprises de services opérant dans le sud de l'Ontario, avant d'acquérir PDM Technologies en 2007. Grant est ingénieur agréé et analyste en vibrations certifié de catégorie III depuis 2017.
Développement d'une méthode de mesure de couple sans contact sur un arbre d'un groupe turbine alternateur d'hydro-électricité
Les augmentations de puissances des centrales existantes prévues par Hydro-Québec dans le plan d'action 2035 préalablement des études approfondies de faisabilité afin d'assurer la sécurité du personnel et de l'installation. Les rejets de charges sont particulièrement d'intérêt en raison de l'augmentation potentielle de la force des phénomènes transitoires alors que le groupe est déconnecté du réseau. Dans le cadre de ces études, afin de bien caractériser le comportement de la turbine, il est requis de mesurer avec précision le couple en temps réel sur un arbre dont le diamètre peut être de plus de 4 pieds. Les méthodes conventionnelles de mesure de couple se font à l'aide de jauges de contraintes et éventuellement des systèmes de télémétrie ou encore des contacts tournants. Ce type d'installation nécessite invariablement des équipements spécialisés et plusieurs heures de travail. Dans la recherche d'alternative à ce type d'instrumentation, une nouvelle méthode de mesure de couple sans contact basée sur la mesure visuelle de l'angle de torsion a été testée à l'aide d'un montage dédié puis les apprentissages ont été transposés pour une utilisation réelle.
À propos du conférencier
Mathieu Soares est un technicien expert en mécanique au Centre de recherche d'Hydro-Québec (CRHQ), spécialisé dans le domaine vibro-acoustique depuis 2001. Diplômé en Technologie Physique, il a développé une expertise approfondie en participant à de nombreux projets de recherche et de développement, ce qui lui a permis d'atteindre un niveau élevé de connaissances et d'expérience en vibro-acoustique. Il a collaboré avec des chercheurs et des technologues de renommée mondiale dans ce domaine. Au fil des années, il a étudié divers types d'équipements liés à l'hydroélectricité, au transport et à la distribution d'électricité. Grâce à son travail au CRHQ, il a contribué au développement de nouvelles méthodes de pronostic des équipements d'Hydro-Québec. Il est membre de l'ACVM et analyste catégorie II.
Optimisation de la maintenance sélective d'une flotte à ressources limitées grâce à des interruptions de maintenance asynchrones
Cette recherche propose une extension novatrice et significative du problème de maintenance sélective de flotte (FSMP) en prenant en compte les interruptions de maintenance asynchrones et la planification de la maintenance sous contraintes de ressources. Il s'agit d'un changement significatif par rapport à l'approche traditionnellement centrée sur les interruptions synchrones pour le FSMP formulé pour planifier la maintenance des flottes de systèmes critiques. Cet article établit un lien théorique entre le problème de maintenance sélective (SMP) et le problème d'ordonnancement de projet sous contraintes de ressources (RCPSP). La formulation du FSMP proposée pour les interruptions asynchrones est plus générale et plus polyvalente, s'adaptant à un large éventail de contraintes opérationnelles et de pénuries de ressources. Des expériences numériques sont menées pour mettre en évidence les compromis entre le calendrier et la qualité des activités de maintenance et la consommation de ressources que les planificateurs de maintenance peuvent réaliser pour optimiser les performances du système en fonction du budget et des fenêtres de maintenance disponibles.
À propos du conférencier
Alireza Amjadian prépare actuellement un doctorat au Département de génie industriel de l'Université Dalhousie, à Halifax, en Nouvelle-Écosse, au Canada. Il est titulaire d'une maîtrise en sciences appliquées et d'une licence en génie industriel de l'Université Kharazmi, en Iran. Ses recherches portent actuellement sur la refabrication, la tarification et la gestion des revenus, la chaîne d'approvisionnement et les opérations de maintenance intelligente.
Utilisation des Bi-LSTM pour le diagnostic et le pronostic dans la planification de la maintenance pilotée par les données
Les industries modernes, qui dépendent d'un fonctionnement fiable de leurs actifs avec des ressources limitées, utilisent des méthodes de maintenance intelligentes pour maximiser leur efficacité. Cependant, les méthodes de maintenance classiques reposent sur des distributions de durée de vie supposées et souffrent d'erreurs d'estimation et d'une complexité de calcul accrue. L'avènement de l'Industrie 4.0 a accru l'utilisation de capteurs pour la surveillance des systèmes, tandis que les modèles d'apprentissage profond (DL) ont permis des prédictions précises de l'état des systèmes, permettant ainsi une planification de la maintenance basée sur les données. Les données des capteurs sont souvent présentées sous forme de séries temporelles, ce qui rend les réseaux de neurones récurrents (RNN) particulièrement adaptés à l'analyse de données. Les modèles bidirectionnels à mémoire à long terme (Bi-LSTM) constituent un sous-ensemble de RNN très prometteurs pour les tâches de diagnostic et de pronostic. Cependant, la littérature antérieure utilisant les Bi-LSTM dans ces tâches n'a pas pleinement testé les limites de l'architecture, soit en limitant la portée des données utilisées, soit en omettant de régler explicitement les hyperparamètres, préférant les compléter par une architecture DL supplémentaire sans justification. Par conséquent, cet article teste un modèle Bi-LSTM minimaliste avec les données de la Case Western Reserve University afin d'évaluer sa capacité à réaliser des diagnostics de défaillances de roulements multidimensionnels. Le modèle comporte sept hyperparamètres explicitement réglés avant les tests et offre des performances comparables à celles de nombreux modèles de pointe. La puissance de l'architecture Bi-LSTM ayant été démontrée, un modèle Bi-LSTM hybride est développé pour générer des prédictions RUL à partir du jeu de données NASA C-MAPSS et d'un jeu de données de filtrage distinct. Grâce à la méthode de décrochage Monte Carlo, des fonctions de fiabilité empiriques sont générées pour l'optimisation du problème de maintenance sélective (SMP). Le cadre proposé est utilisé pour planifier la maintenance d'un système série k sur n:G orienté mission. Des expériences numériques comparent les performances du cadre aux méthodes SMP antérieures et mettent en évidence ses atouts. En minimisant les coûts, les plans de maintenance permettent souvent la survie de la mission tout en évitant les réparations inutiles. La méthode proposée est utilisable dans des scénarios complexes à grande échelle et trouve des solutions exactes tout en évitant le recours à des fonctions de fiabilité paramétriques gourmandes en calculs.
À propos du conférencier
Alexandros Noussis est un étudiant diplômé en génie industriel à l'Université Dalhousie, située à Halifax, en Nouvelle-Écosse. Il a obtenu son baccalauréat en génie industriel en 2023 et sa maîtrise en sciences appliquées en 2025, tous deux à Dalhousie. Ses recherches de maîtrise en sciences appliquées portaient sur la maintenance intelligente et conditionnelle des systèmes d'énergie marine renouvelable (EMR) en intégrant l'apprentissage automatique. Il poursuit actuellement son doctorat sur la planification intelligente de la maintenance des actifs de production d'EMR. Ses travaux en EMR se sont élargis pour inclure les cadres de collecte de données et l'utilisation des jumeaux numériques. Il est lauréat de la bourse d'études supérieures du Canada pour étudiants à la maîtrise du Conseil de recherches en sciences naturelles et en génie du Canada (CRSNG) en 2023, ainsi que de la bourse d'études supérieures pour étudiants au doctorat du CRSNG en 2025.
Optimisation de l'allocation budgétaire pour la planification de la maintenance sélective multimission
Les systèmes critiques dans des secteurs tels que l'aérospatiale, la défense, les transports, la pétrochimie et la production d'énergie requièrent une fiabilité élevée afin d'éviter les pannes entraînant des pertes économiques importantes, des dommages environnementaux et des risques pour la sécurité. Pour ces systèmes, la résolution du problème de maintenance sélective (MPS) permet de prendre des décisions optimales de planification de la maintenance pendant les interruptions programmées. Son extension, le MMSMP (Multi-Mission SMP), se concentre sur l'optimisation de la maintenance des composants, des niveaux de maintenance et des affectations des réparateurs sur plusieurs missions consécutives entrecoupées d'interruptions de maintenance. Si les avancées récentes intègrent des stratégies prédictives, à ressources limitées et à l'échelle de la flotte, elles reposent sur l'hypothèse irréaliste de budgets fixes, ignorant la réalité des contraintes financières fluctuantes et strictes auxquelles sont confrontés les planificateurs. Cette étude examine l'impact des différentes allocations budgétaires de maintenance selon les missions sur les performances des systèmes. À l'aide d'un modèle de décomposition en deux phases et de la programmation binaire en nombres entiers, elle explore différentes stratégies de distribution budgétaire : uniforme, linéairement croissante et en V inversé. L'objectif est de déterminer comment une répartition différenciée des ressources entre les missions peut améliorer la fiabilité des actifs dans le cadre de limites budgétaires fixes. Les résultats visent à guider les planificateurs de maintenance dans leurs décisions budgétaires afin d'améliorer la fiabilité globale du système tout en tenant compte des contraintes de ressources.
À propos du conférencier
Farzad Falahaty prépare actuellement une maîtrise en sciences au département de génie industriel de l'Université Dalhousie, à Halifax, en Nouvelle-Écosse, au Canada. Il est titulaire d'une maîtrise en gestion des technologies de l'Université iranienne des sciences et technologies (IUST) et d'une licence en génie industriel de la faculté de génie de l'antenne sud de Téhéran de l'IAU, en Iran. Ses recherches portent actuellement sur l'ingénierie et la gestion de la maintenance, l'ingénierie de la fiabilité et de la disponibilité, ainsi que le contrôle qualité et la fiabilité.
Exploiter l'IA et l'apprentissage automatique pour des diagnostics à grande échelle
Et si votre équipe de fiabilité pouvait se fier à chaque information fournie par son système de surveillance d'état ? Et si elle pouvait consacrer son temps à des problèmes plus complexes, sachant que l'IA et le ML surveillent leurs actifs et ne signalent qu'un problème nécessitant une intervention ? L'IA/ML pour la surveillance d'état des machines a atteint sa maturité et évolue rapidement. L'IA/ML existe sous de nombreuses formes, chacune ayant une application spécifique. C'est un outil formidable à ajouter à votre boîte à outils, mais il nécessite une réflexion approfondie. Nous allons examiner comment l'IA/ML peut être appliquée à la surveillance d'état des machines. Des modèles de comportement peuvent être créés pour des machines à roulements non critiques génériques grâce au ML. Cependant, modéliser une machine en se basant sur son historique unique, ou modéliser plusieurs machines similaires pour obtenir une vision plus globale du comportement attendu d'un type particulier de machine ? Chaque approche présente des avantages et des inconvénients, tout comme le type d'IA utilisé pour résoudre le problème. Nous examinerons également les types d’informations que nous pouvons extraire d’un simple échantillon de forme d’onde et comment l’ajout d’autres informations telles que le flux magnétique et la température peut aider à créer une image plus précise du comportement de la machine.
À propos du conférencier
Fort d'une formation en ingénierie de l'instrumentation, Keehan Dowd est passionné par la mesure et la compréhension du comportement des systèmes complexes. Il a débuté chez Bently Nevada en tant qu'intégrateur de systèmes, participant à l'importation et à l'exportation de données machines vers et depuis des logiciels de surveillance d'état et d'historisation d'usine. Au cours de ses 28 années chez Bently Nevada, il a appris que les machines nous parlent par le biais des vibrations et qu'il comprenait leur comportement grâce à l'analyse vibratoire. L'intégration de données autres que les vibrations aux informations de processus présente également des avantages considérables pour permettre d'obtenir une vision contextuelle et plus globale du comportement des machines. Bently Nevada concrétise aujourd'hui ses 60 années d'expertise en surveillance d'état et en comportement des machines en exploitant les nouvelles techniques d'IA et d'apprentissage automatique pour produire des résultats remarquables. Keehan a eu la chance de travailler au cœur de cette technologie prometteuse.
Optimisation des processus des broyeurs à bois
Et si votre équipe de fiabilité pouvait se fier à chaque information fournie par son système de surveillance d'état ? Et si elle pouvait consacrer son temps à des problèmes plus complexes, sachant que l'IA et le ML surveillent leurs actifs et ne signalent qu'un problème nécessitant une intervention ? L'IA/ML pour la surveillance d'état des machines a atteint sa maturité et évolue rapidement. L'IA/ML existe sous de nombreuses formes, chacune ayant une application spécifique. C'est un outil formidable à ajouter à votre boîte à outils, mais il nécessite une réflexion approfondie. Nous allons examiner comment l'IA/ML peut être appliquée à la surveillance d'état des machines. Des modèles de comportement peuvent être créés pour des machines à roulements non critiques génériques grâce au ML. Cependant, modéliser une machine en se basant sur son historique unique, ou modéliser plusieurs machines similaires pour obtenir une vision plus globale du comportement attendu d'un type particulier de machine ? Chaque approche présente des avantages et des inconvénients, tout comme le type d'IA utilisé pour résoudre le problème. Nous examinerons également les types d’informations que nous pouvons extraire d’un simple échantillon de forme d’onde et comment l’ajout d’autres informations telles que le flux magnétique et la température peut aider à créer une image plus précise du comportement de la machine.
À propos du conférencier
Ron Kittle est vice-président des ventes techniques et du support chez SPM Instrument North America, leader mondial de la surveillance d'état qui développe et commercialise en exclusivité des technologies de pointe pour mesurer, analyser et présenter les données d'état de machines complexes. Ron possède plus de 20 ans d'expérience dans les domaines de la maintenance et de la fiabilité, principalement axée sur les produits de surveillance d'état liés à l'analyse vibratoire dans de nombreux secteurs. Il possède une vaste expérience des systèmes de surveillance d'état sans fil et en ligne, ses plus récentes réalisations notables dans les secteurs de l'énergie éolienne et de l'exploitation minière. Il a débuté sa carrière dans l'armée américaine, où il a été mécanicien de véhicules de combat. Ses autres expériences en début de carrière incluent l'analyse d'huile sur des transformateurs haute tension et le travail dans des centrales électriques, où il a commencé à se concentrer sur les techniques de maintenance prédictive. Ron a étudié l'électronique au National Institute of Electronics et est titulaire de nombreuses certifications en technologies de maintenance prédictive, telles que la thermographie et l'analyse vibratoire.