Thèse soutenue

Surveillance multidimensionnelle des machines tournantes par classification dynamique dans un but de maintenance conditionnelle
FR  |  
EN
Accès à la thèse
Auteur / Autrice : Khalil Hamouche
Direction : Lanto RasolofondraibeXavier ChiementinAhmed Felkaoui
Type : Thèse de doctorat
Discipline(s) : ATS - Automatique et Traitement de Signal
Date : Soutenance le 28/06/2022
Etablissement(s) : Reims en cotutelle avec Université Ferhat Abbas (Sétif, Algérie)
Ecole(s) doctorale(s) : Ecole doctorale Sciences du Numérique et de l’Ingénieur (Reims, Marne)
Partenaire(s) de recherche : Laboratoire : Centre de Recherche en Sciences et Technologies de l'Information et de la Communication (CRESTIC) EA 3804 (Reims, Marne)
Equipe de recherche : Equipe ATS-CRESTIC
Jury : Président / Présidente : Radouane Laggoune
Examinateurs / Examinatrices : Lanto Rasolofondraibe, Xavier Chiementin, Ahmed Felkaoui, Said Benlahmidi, Francois Guillet
Rapporteurs / Rapporteuses : Said Benlahmidi, Francois Guillet

Mots clés

FR  |  
EN

Résumé

FR  |  
EN

Le roulement est un composant essentiel d'une machine tournante car il assure la rotation des éléments tournants tels que les arbres ou les paliers. Il permet d'avoir une très faible résistance au pivotement tout en supportant des efforts importants. C'est pourquoi de nombreux travaux ont été réalisés pour diagnostiquer ce composant. La méthode la plus récente est basée sur la classification. Cette méthode est conditionnée par les données d'entrée en termes de qualité et de quantité. Cette thèse propose une méthode basée sur la méta-analyse des indicateurs de défaut afin de choisir les indicateurs les plus appropriés pour la localisation et le suivi du défaut d'un roulement. La méthode proposée est basée sur une méthode de classification dynamique utilisant les données d'entrée de la méta-analyse, ainsi l'étape de réduction de dimension a été supprimée dans l'architecture de la méthode de classification. Cette méthode de classification dynamique appelée SRT-OPTICS (Supervised Real Time Ordering Point to Identify Clustering Structure) sera comparée aux méthodes classiques utilisant plusieurs indicateurs de défauts. Cette méthode a été validée numériquement et expérimentalement sur un banc d'essai de roulement pour montrer la validité de l'approche proposée.