CONTRIBUTION AU DIAGNOSTIC NUMERIQUE ET A L’ANALYSE DES DEFAUTS DANS LES MACHINES ASYNCHRONES PAR APPROCHE D’APPRENTISSAGE ET CLASSIFICATION AU SERVICE DE L’INDUSTRIE 4.0

Abstract

La surveillance et le diagnostic des défauts des systèmes d'entraînement électrique, particulièrement les Machines Asynchrones (MAS), représentent un défi majeur pour assurer la fiabilité et la sécurité des installations de production. En raison de l'intégration croissante des procédures intelligentes dans l'industrie, il est aujourd'hui plus que nécessaire de passer de la maintenance corrective et préventive traditionnelle à des politiques de maintenance intelligente. Le travail de recherche, présenté dans cette thèse, vise à élaborer une architecture de Système Intelligent Hybride de Détection des Défauts (SIH2D) de roulement de la MAS. Cette architecture repose sur l’utilisation des méthodes avancées de traitement du signal et des approches d’intelligence artificielle. L'architecture développée est basée, en premier lieu, sur l'extraction des indicateurs de défaut en appliquant des techniques appropriées de traitement du signal. Ces techniques, orientées données, utilisent les signaux de courant et de vibration recueillies par des capteurs placés sur la machine, et/ou à partir des signaux générés par des modèles de simulation analytique de l'organe en question. Cela est fait afin de construire un vecteur de paramètres indicateurs de défaut. La normalisation est également appliquée sur les indicateurs extraits pour créer un ensemble de données bien traitées. Les évolutions de ces indicateurs seront étudiées, par la suite, en fonction du type et de la sévérité de défauts. Cette étude a pour objectif de sélectionner ceux qui sont les plus pertinents grâce aux algorithmes de sélection. Dans la dernière phase concernant la prise de décision, dix classificateurs ont été testés et appliqués en se basant sur les indicateurs sélectionnés et fusionnés. Les méthodes de classification développées permettent de classer les observations, décrites par le vecteur de paramètres, par rapport aux différents modes de l’état de roulement (Défaut de bague extérieure BPFO, défaut de bague intérieur BPFI où bien état sain). Afin d'augmenter la fiabilité de l'architecture (SIH2D) et de concevoir un modèle robuste de détection des défauts de roulements, nous avons procédé à la réduction du problème de classification de trois classes à deux classes en combinant plusieurs classifieurs. L'étude théorique, les résultats numériques et expérimentaux issus de ce travail montrent l’efficacité de l’architecture élaborée. Enfin, nous avons présenté une solution efficace et économique qui mérite toute sa place dans l'industrie du futur (Industrie 4.0), notamment pour la surveillance et le diagnostic des défauts de roulement.