Contribution au diagnostic des systémes par les méthodes de traitement du signal avancées

Voir Plus Voir Moins

Afficher le Résumé

Le présent travail de thèse est structuré en deux parties complémentaires. La première est consacrée à l’étude approfondie des principaux défauts mécaniques affectant les entraînements électromécaniques des machines électriques, ainsi qu’au développement d’outils avancés de surveillance et de diagnostic destinés à améliorer leur fiabilité et leur disponibilité. La seconde partie repose sur une campagne expérimentale réalisée au laboratoire d’Électromécanique. Elle vise à valider l’efficacité de différentes approches de diagnostic prédictif appliquées aux défauts mécaniques. Cette validation s’appuie, d’une part, sur l’analyse vibratoire d’un système éolien à l’aide de techniques de traitement du signal et, d’autre part, sur l’analyse de la signature du courant moteur (MCSA) ainsi que des signaux vibratoires d’un moteur à induction au moyen de techniques d’intelligence artificielle. Les travaux menés permettent d’établir une comparaison détaillée entre les méthodes de diagnostic basées sur le traitement du signal, notamment la transformée de Fourier rapide (FFT) et la transformée en ondelettes discrètes (DWT), et celles fondées sur l’intelligence artificielle, en particulier l’apprentissage automatique (Machine Learning, ML), représenté par les k plus proches voisins (k-NN), les machines à vecteurs de support (SVM) et les arbres de décision (DT), ainsi que l’apprentissage profond (Deep Learning, DL), représenté par les réseaux de neurones profonds (DNN), les réseaux de neurones convolutifs (CNN) et les réseaux de neurones récurrents de type Long Short-Term Memory (LSTM). Les performances de ces différentes approches sont évaluées et comparées afin d’identifier leurs avantages et leurs limites, ainsi que de déterminer leur pertinence pour la détection et le diagnostic des défauts mécaniques dans les systèmes électromécaniques.

Télécharger Document