Table des Matières
La surveillance de l'état des compresseurs et turbines suit l'état mécanique d'un train de machines (vibrations, paliers, garnitures, huile de lubrification) et sa performance aérothermique (puissance, rendement, débit, pressions, températures) par rapport à une référence de fonctionnement normal. Le but est de voir l'encrassement, l'usure et les problèmes de garnitures des semaines avant qu'ils n'imposent un déclenchement ou un arrêt non planifié.
Points clés
- Protection et prédiction sont deux fonctions distinctes. Un système de protection API 670 arrête la machine ; la surveillance d'état détecte une dégradation qui se mesure en heures, en jours ou en mois.
- L'encrassement du compresseur est la principale cause de perte de performance des turbines à gaz, avec des estimations de 70 à 85 % de l'ensemble des pertes, et il peut normalement être éliminé par nettoyage.
- La performance doit être comparée dans les mêmes conditions : corrigez la température, la pression et l'humidité à l'aspiration, sinon les variations ambiantes masquent la dégradation.
- Les données de performance mesurées sur site présentent une incertitude de 2 à 3 % ou plus : suivez donc chaque machine par rapport à sa propre référence, et pas seulement par rapport à la fiche technique.
- Le machine learning est surtout utile comme modèle du comportement attendu et pour la détection d'anomalies multivariée ; les modèles de durée de vie restante exigent des historiques de pannes dont peu d'usines disposent.
Que couvre la surveillance de l'état des machines ?
La surveillance en ligne des machines tournantes se divise généralement en surveillance de protection et surveillance prédictive, et le choix dépend de la criticité de l'équipement. Un grand train turbocompresseur entraîné par turbine à gaz a besoin des deux.
La couche de protection est définie par la norme API 670, dont la sixième édition est parue en juillet 2025. Elle fixe les exigences minimales d'un système de protection machine mesurant la vibration radiale de l'arbre, la vibration du carter, la position axiale, la vitesse, la survitesse et les températures critiques, y compris la logique de vote pour l'arrêt (Emerson). Elle est conçue pour des défaillances rapides, violentes et dangereuses.
La surveillance de l'état se place à côté. Elle lit les mêmes signaux, plus des données procédé et de performance, et cherche les évolutions lentes : un compresseur qui perd du rendement, une garniture qui fuit un peu plus chaque semaine, une température de palier qui monte peu à peu. Elle conseille les équipes ; elle ne déclenche jamais la machine.
Quels signaux comptent sur un train de compression ?
Un train typique de traitement ou de boosting de gaz est une turbine à gaz entraînant un compresseur centrifuge. À Hassi R'Mel, par exemple, le projet de boosting comprend 20 trains de compression basés sur des turbines à gaz Frame 5 et des compresseurs BCL, répartis sur trois stations dont Sonatrach a programmé la mise en service entre octobre 2026 et avril 2027.
| Sous-ensemble | Signaux | Ce qu'un changement peut révéler |
|---|---|---|
| Rotor et paliers lisses (à film d'huile) | Déplacement de l'arbre (sondes de proximité X-Y), position axiale, température du métal des paliers, vitesse | Balourd, désalignement, frottements, usure de la butée |
| Aérothermique de la turbine à gaz | Puissance ou couple, température des gaz d'échappement, pression et température au refoulement du compresseur, température et pression à l'aspiration, débit de combustible, vitesses | Encrassement du compresseur, dégradation des parties chaudes, problèmes de filtration d'air |
| Compresseur entraîné | Pression et température à l'aspiration et au refoulement, débit, composition du gaz, position de la vanne anti-pompage | Perte de hauteur ou de rendement, fuites internes, fonctionnement près du pompage |
| Garnitures à gaz sec | Débit et pression de l'évent primaire, pression d'alimentation en gaz de barrage | Fuite de garniture, défaut de régulateur, contamination |
| Circuit d'huile de lubrification | Pression et température d'alimentation, perte de charge des filtres, analyse d'huile en laboratoire | Usure, dégradation de l'huile, contamination |
| Admission d'air | Perte de charge des filtres | Colmatage des filtres, qui favorise aussi l'encrassement |
Sur les paliers lisses, la vibration de l'arbre est mesurée par rapport au palier avec des capteurs à courants de Foucault, généralement deux par palier montés à 90 degrés, ce qui permet d'enregistrer l'orbite de l'arbre.
Pourquoi la performance d'une turbine à gaz se dégrade-t-elle ?
Rainer Kurz et Klaus Brun énumèrent les mécanismes : encrassement, érosion, corrosion à chaud, oxydation et modification de la géométrie des étanchéités (Turbomachinery Magazine, 2018). Ils distinguent deux catégories. L'encrassement peut normalement être éliminé par nettoyage. L'augmentation des jeux en bout d'aube et la modification de la géométrie des aubages conduisent généralement à une dégradation non récupérable, que le lavage ne corrige pas. Ils notent aussi qu'un compresseur dégradé a une marge au pompage ou au décrochage réduite.
L'encrassement domine. Meher-Homji, Bromley et Stalder expliquent que les dépôts réduisent le débit d'air et le rendement isentropique du compresseur, ce qui diminue la puissance et rapproche la ligne de pompage de la ligne de fonctionnement (Meher-Homji et al., 2013). Leur tutoriel donne des chiffres qui comptent pour les sites d'Afrique du Nord :
- La charge en particules de l'air va typiquement de 0,01 à 0,1 ppm en masse en zone rurale à 0,1 à 700 ppm en zone désertique.
- Dans une simulation portant sur 92 turbines à gaz, les machines les plus petites ont perdu une part plus importante de leur puissance pour un même encrassement imposé.
- La forme de la tendance compte : dans leur exemple, la puissance baisse de 5 % en 8 000 heures dans tous les cas, mais une baisse linéaire coûte 2,5 % de la production annuelle et une baisse exponentielle environ 4,65 %.
Comment détecter l'encrassement et la perte de performance ?
Le même tutoriel cite trois indicateurs : une baisse de puissance à température ambiante et vitesse corrigée données, une baisse du débit massique du compresseur sur les machines à géométrie fixe, et une baisse du rendement et du taux de compression du compresseur. Le débit massique est le plus sensible des trois. Les données déjà présentes dans le système de contrôle de la turbine suffisent souvent pour commencer.
Les valeurs brutes sont trompeuses, car les conditions ambiantes les font aussi varier. Une approche courante, notent les auteurs, consiste à suivre un facteur de capacité en puissance, soit la puissance réelle divisée par la puissance corrigée de l'essai à l'état neuf et propre, avec des corrections pour la température d'aspiration, la pression d'aspiration, l'humidité et les pertes de charge. Sur un champ compresseur, la vitesse corrigée et le débit corrigé absorbent les variations de température ambiante et de perte de charge des filtres. Les mêmes tendances corrigées montrent si chaque lavage a récupéré ce qu'il devait.
C'est là que le machine learning trouve sa première utilité. Au lieu d'une courbe de correction unique du constructeur, un modèle de régression entraîné sur des données de fonctionnement propres, après lavage, prédit la température d'échappement, la pression de refoulement ou la puissance attendues pour les conditions ambiantes et la charge du moment. Le résidu, mesure moins valeur attendue, devient l'indicateur d'état à suivre.
Comment surveiller le compresseur centrifuge entraîné ?
Brun, Omatick et Jacoby décrivent une surveillance du compresseur qui suit dans le temps la hauteur polytropique, le rendement polytropique, la puissance sur l'arbre, la pression de refoulement et le taux de compression, et les compare à la performance attendue d'après les données de conception d'origine (H2TECH, 2023). Ils mettent en garde contre les « trous d'instrumentation » : vannes, débitmètres et tuyauteries situés entre les transmetteurs et les brides faussent à la fois la mesure et la prédiction.
La précision limite ce que l'on peut voir. Des ingénieurs du Southwest Research Institute indiquent que l'incertitude sur la performance va de moins de 0,5 % en essais de laboratoire à 2 à 3 % ou plus sur site, et que des résultats obtenus dans des conditions de fonctionnement différentes ne peuvent être comparés qu'en reproduisant les conditions ou au moyen de paramètres adimensionnels (Poerner et al., 2019). Brun et Kurz ajoutent que, comme référence pour la surveillance d'état, des données d'essai sur site suffisamment précises sont préférables aux données d'essai en usine, car l'essai sur site se fait avec le gaz et les tuyauteries réels (Turbomachinery Magazine, 2025).
En pratique, une lente perte de rendement inférieure à l'incertitude de mesure ne devient visible qu'en suivant une machine par rapport à sa propre référence sur plusieurs semaines.
Et les vibrations, les garnitures et l'huile de lubrification ?
Vibrations. Les systèmes de surveillance peuvent se raccorder aux sorties bufferisées du moniteur de vibrations existant et ajouter spectres, orbites, diagrammes en cascade et diagrammes de Bode sans nouveau matériel (H2TECH, 2023). Les niveaux globaux, la composante à la vitesse de rotation (1x) et la position de l'arbre, suivis par vitesse de fonctionnement, constituent de bonnes variables pour un modèle.
Garnitures à gaz sec. Les alarmes habituelles sont de simples seuils : alarme haute, déclenchement très haut. Une augmentation progressive du débit d'évent peut donc passer inaperçue, et c'est pourquoi les auteurs d'une communication de symposium de 2018 mettent en avant des alarmes de tendance, fondées sur la variation sur une période donnée (Turbomachinery Magazine, 2018). Une hausse du débit d'évent primaire ne signifie pas toujours une fuite de garniture : un régulateur de gaz de garniture secondaire défaillant produit le même symptôme.
Huile de lubrification. Le guide de maintenance basée sur la fiabilité de la NASA présente l'analyse d'huile comme un moyen de déterminer l'état d'usure de la machine, l'état du lubrifiant et sa contamination, et recommande de corréler les variations des métaux d'usure avec l'analyse vibratoire (NASA, 2008). Les résultats de laboratoire arrivent sous forme de prélèvements périodiques : rattachez-les aux données capteurs par l'heure de prélèvement.
Où le machine learning est-il utile ?
| Approche | Données nécessaires | Utile pour | Précaution |
|---|---|---|---|
| Suivi des paramètres corrigés | Courbes constructeur, données ambiantes | Encrassement, efficacité des lavages | Les courbes de correction peuvent ne plus correspondre à une machine vieillie |
| Régression du comportement attendu | Plusieurs mois de fonctionnement sain | Résidus sur EGT, puissance, rendement | Réentraîner après lavages, révisions et modifications |
| Détection d'anomalies multivariée | Fonctionnement normal, par mode de marche | Combinaisons inhabituelles sur de nombreux tags | Les alertes doivent être diagnostiquées par un ingénieur |
| Classification de défauts | Exemples étiquetés de chaque défaut | Nommer des défauts connus | Peu d'usines disposent d'assez de défauts étiquetés |
| Durée de vie restante | Historiques de fonctionnement jusqu'à la panne | Planifier les interventions | Les jeux de données publics sont simulés |
Pour la détection d'anomalies, un modèle PCA avec T² et SPE est un bon point de départ ; notre guide des méthodes de détection d'anomalies compare les options. Les classifieurs de défauts dépendent d'étiquettes de pannes fiables, sujet traité dans l'étiquetage des pannes dans les séries temporelles.
Méfiez-vous des promesses sur la durée de vie restante. Deux jeux de données publics très utilisés sont des simulations : les données de dégradation de turboréacteur C-MAPSS de la NASA et le jeu de données de propulsion navale de l'UCI, généré par un simulateur de turbine à gaz avec des coefficients de dégradation du compresseur et de la turbine. Ils sont utiles pour s'exercer, pas pour prouver qu'une méthode fonctionne sur votre train.
Par où commencer, étape par étape ?
- Choisir un train critique présentant un problème connu, comme des lavages fréquents, des déclenchements sur garnitures ou un déficit de capacité, et désigner un responsable.
- Réunir les données de référence : courbes de performance ou champ compresseur du constructeur, résultats d'essais, liste des instruments et méthode de correction.
- Extraire au moins un an d'historique de l'historian, avec les lavages, déclenchements, révisions et remplacements de garnitures issus des dossiers de maintenance ; voir les données d'historian pour le machine learning.
- Vérifier d'abord les instruments : des erreurs sur le débit, la température ou la composition du gaz ressemblent à une dégradation.
- Construire les tendances de performance corrigées, puis un modèle du comportement attendu sur des périodes propres, puis une détection d'anomalies sur les signaux mécaniques et de garnitures.
- Faire tourner en parallèle pendant plusieurs semaines et examiner chaque alerte avec les ingénieurs machines tournantes.
- Relier les alertes validées aux ordres de travail ; voir connecter un agent IA à une GMAO.
Comment garder des modèles fiables ?
Un train de compression modifie lui-même sa référence. Un lavage, une révision, un changement de roues ou une nouvelle composition de gaz rend l'ancien « normal » obsolète : enregistrez ces événements et réentraînez ou redéfinissez la référence après chacun. Traitez les démarrages, les changements de charge et le fonctionnement en recyclage comme des modes distincts. Surveillez les modèles comme vous surveillez la machine ; notre guide sur la surveillance de la dérive des modèles décrit la méthode. Pour une vue d'ensemble, voir la maintenance prédictive par IA dans le pétrole et le gaz et, pour les pompes de fond, la prédiction des pannes d'ESP.
Ce que nous avons constaté chez KABAS AI
Notre page pétrole et gaz cite la maintenance prédictive parmi ses cas d'usage, et DALILE relie données de production, dossiers de maintenance et historiques d'équipements dans un même système. Notre service data science couvre la préparation des données, les modèles prédictifs qui anticipent les pannes et les pipelines MLOps qui surveillent les modèles en production. Nous n'avons pas publié de projet de surveillance de compresseurs ou de turbines : cette section est donc un conseil, pas un résultat publié.
Nos conseils pratiques :
- Commencer par la physique. Des tendances de performance corrigées auxquelles les ingénieurs font déjà confiance rendent les alertes du machine learning plus faciles à accepter.
- Ne pas toucher à la protection. La couche de surveillance lit les données ; elle n'écrit jamais dans le système de protection ni dans le système de contrôle.
- Garder les données dans votre réseau. Les données d'état des équipements et de débit sont commercialement sensibles, et les modèles tournent très bien sur site. Avant de commencer, notre checklist de préparation des données pétrole et gaz aide à faire le point sur ce dont vous disposez.
Sources
- Meher-Homji, Bromley et Stalder, Gas Turbine Performance Deterioration and Compressor Washing, 2nd Middle East Turbomachinery Symposium, Texas A&M Turbomachinery Laboratory, 2013
- Kurz et Brun, Causes and effects of gas turbine degradation, Turbomachinery Magazine, 2018
- Emerson, Rotating Machinery Protection and API Standard 670
- Emerson, Measurement Types: Online Machinery Monitoring
- Brun, Omatick et Jacoby, Advanced compressor control and monitoring systems, H2TECH, août 2023
- Poerner, Allison et Delgado, Field Performance Testing for Centrifugal Compressors, Chemical Engineering, 2019
- Brun et Kurz, Myth: Compressor Field Performance Tests are Superfluous, Turbomachinery Magazine, 2025
- Guidelines for dry gas seal troubleshooting, Turbomachinery Magazine, 2018
- NASA, Reliability-Centered Maintenance Guide for Facilities and Collateral Equipment, septembre 2008
- NASA Prognostics Center of Excellence, Data Set Repository (simulation de dégradation de turboréacteur C-MAPSS)
- Coraddu et al., Condition Based Maintenance of Naval Propulsion Plants, UCI Machine Learning Repository
- Sonatrach, visite du PDG au projet Boosting de Hassi R'Mel, 31 juillet 2025
- World Oil, Baker Hughes, SONATRACH partner to increase production from Algeria's largest natural gas field, 23 mai 2024
Questions fréquentes
Quelle est la différence entre protection machine et surveillance d'état ?
Un système de protection, généralement conforme à l'API 670, arrête automatiquement la machine quand la vibration, la position axiale, la vitesse ou la température franchit un seuil. La surveillance d'état examine des tendances sur des heures, des jours ou des mois pour détecter une dégradation assez tôt pour planifier l'intervention. Les deux utilisent en grande partie les mêmes capteurs, mais le système de protection doit rester indépendant et inchangé.
Peut-on utiliser les données de vibration du système de protection existant ?
En général, oui. Les systèmes de surveillance peuvent se raccorder aux sorties bufferisées du moniteur de vibrations, sans nouveaux capteurs. La couche de surveillance doit seulement lire ces données et ne jamais modifier les seuils de protection ni la logique de déclenchement, qui restent sous la responsabilité des équipes instrumentation et machines tournantes.
À quelle fréquence faut-il laver le compresseur d'une turbine à gaz ?
Il n'existe pas d'intervalle unique. Certains exploitants lavent selon un calendrier fixe, d'autres quand les paramètres de performance montrent une perte donnée ; le bon choix dépend de la vitesse d'encrassement du site et de l'efficacité du lavage sur place. Suivre la puissance corrigée ou le rendement du compresseur avant et après chaque lavage montre si le calendrier est adapté.
Faut-il un historique de pannes pour commencer une surveillance par machine learning ?
Non. Les premiers modèles apprennent le comportement normal ou attendu à partir de données de fonctionnement sain et signalent les écarts ; ils ont donc davantage besoin de données propres que d'historiques de pannes. Les pannes, déclenchements et constats d'inspection enregistrés servent à tester ces modèles puis, plus tard, à construire des classifieurs de défauts ou des estimations de durée de vie restante.
Quelles données demander au constructeur ?
Demandez les courbes de performance de conception ou le champ compresseur, les résultats des essais de réception ou de performance, la méthode de correction utilisée pour les conditions ambiantes, et la liste des instruments avec l'emplacement des capteurs. Ces éléments définissent le comportement attendu auquel les mesures sont comparées.
La surveillance des compresseurs et turbines peut-elle fonctionner sans accès à internet ?
Oui. Les calculs de performance, les modèles de détection d'anomalies et les tableaux de bord tournent sur des serveurs ordinaires à l'intérieur du réseau de l'usine, en lisant les données de l'historian. Les garder sur site permet aussi de conserver dans l'entreprise les données de production et d'état des équipements.



