Thèse soutenue

Du diagnostic au pronostic de pannes des entraînements électriques
FR  |  
EN
Accès à la thèse
Auteur / Autrice : Abdenour Soualhi
Direction : Hubert Razik
Type : Thèse de doctorat
Discipline(s) : Génie électrique
Date : Soutenance le 24/09/2013
Etablissement(s) : Lyon 1
Ecole(s) doctorale(s) : École doctorale Électronique, électrotechnique, automatique (Lyon)
Partenaire(s) de recherche : Laboratoire : Laboratoire AMPERE (Ecully, Rhône)
Jury : Président / Présidente : Farid Meibody-Tabar
Examinateurs / Examinatrices : Guy Clerc, Francklin Rivas, Pham-Hiep Le
Rapporteurs / Rapporteuses : Mohamed Benbouzid, Pascal Maussion

Résumé

FR  |  
EN

Le diagnostic et le pronostic de pannes des systèmes d'entraînement électriques est un enjeu majeur pour assurer la fiabilité et la sûreté de fonctionnement des outils de production notamment dans les secteurs sensibles (militaire, l'aéronautique, l'aérospatiale et nucléaire, etc.). Le travail de recherche présenté dans cette thèse vise à introduire de nouvelles méthodes de diagnostic et de pronostic des défauts d'une machine asynchrone ainsi que des roulements à rouleaux. Ces méthodes, orientées données, utilisent les données de mesure recueillies à partir de capteurs placés sur un système (machine asynchrone, roulement à rouleaux) afin de construire un vecteur de paramètres indicateur de défaut. Les méthodes de classification développées (supervisée, non supervisée) permettent de classer les observations, décrites par le vecteur de paramètres, par rapport aux différents modes de fonctionnement, connus ou inconnus du système, avec ou sans défauts. Des défauts ont été créés au rotor et aux roulements de la machine asynchrone, alimentée par le biais d'un onduleur de tension. La classification non supervisée, basée sur l'algorithme des fourmis artificielles, permet d'analyser les observations inconnues et inexplorées afin de mettre en évidence les classes regroupant les observations similaires. Cela permet d'améliorer la classification et de détecter l'apparition de nouveaux modes de fonctionnement. La classification supervisée, basée sur les modèles de Markov cachés, permet d'associer un degré d'appartenance (sous forme d'une probabilité) lors de l'affectation d'une observation à une ou plusieurs classes. Cela permet de définir un indice de fiabilité à l'affectation réalisée mais aussi de détecter l'apparition de nouveaux modes de fonctionnement. Ces méthodes ne se limitent pas qu'à diagnostiquer les défauts, elles peuvent aussi contribuer au pronostic des défauts. En effet, le pronostic peut être défini comme une extension du problème de diagnostic. La prédiction d'un défaut est réalisée par trois méthodes basées sur les modèles de Markov cachés pour la détection de l'imminence d'un défaut ainsi que par deux méthodes basées sur le système neuro-flou (ANFIS pour Adaptive Neuro Fuzzy Inference System et le neurone neuro-flou) pour estimer le temps restant avant son apparition. Des données de vieillissement d'un ensemble de roulements à rouleaux ont été utilisées afin de tester les méthodes proposées. Les résultats obtenus montrent l'efficacité de ces méthodes pour le diagnostic et le pronostic des défauts dans les entraînements électriques