Contribution au diagnostic vibratoire des engrenages assisté par jumeau numérique : « Application à la surveillance des broyeurs à boulets »

Contribution to vibratory diagnosis of gears assisted by digital twin : « Ball mills monitoring Application »

• Auteur / Autrice : Gauthier Ngandu Kalala
• Direction : Xavier Chiementin, Lanto Rasolofondraibe
• Type : Thèse de doctorat
• Discipline(s) : Mécanique des solides, génie mécanique, productique, transport et génie civil
• Date : Soutenance le 14/12/2022
• Etablissement(s) : Reims
• Ecole(s) doctorale(s) : École doctorale Mathématiques Physique Sciences du Numérique et de l'Ingénieur (Reims ; 2018-)
• Partenaire(s) de recherche : Laboratoire : Institut de Thermique, Mécanique, Matériaux (ITheMM) - EA 7548
• Jury : Président / Présidente : Bovic Kilundu Y'Ebondo
• Jury : Examinateurs / Examinatrices : Xavier Chiementin, Lanto Rasolofondraibe, Didier Rémond, Mohamed El Badaoui, Abir Boujelben
• Jury : Rapporteurs / Rapporteuses : Didier Rémond, Mohamed El Badaoui

Mots clés

Mots clés contrôlés

Vibrations

Engrenages

Classification

Jumeaux numériques

Mots clés libres

Jumeau numérique

Classification

Dynamique des engrenages

Broyeurs à boulets

Analyse vibratoire

Digital Twin

Hybrid classification

Gears dynamic

Ball mills

Vibration analysis

Résumé

L'industrie 4.0 offre des possibilités technologiques pouvant apporter des solutions appropriées aux problèmes d'optimisation de maintenance, parmi lesquelles l'intelligence artificielle est au premier rang. Cependant, l'usage des algorithmes d'intelligence artificielle dans le processus de diagnostic des machines tournantes a longtemps été limité aux équipements ayant une longue durée de vie à cause de l'indisponibilité et de l'insuffisance des données servant à l'apprentissage de modèles de classification. Grâce à d'importants progrès en matière de technologies du numérique et de méthodes de modélisation, l'utilisation d'un jumeau numérique pourrait être considérée comme une alternative aux données expérimentales. Pour répondre à la problématique de l'indisponibilité des données, cette thèse s'est fixée comme objectif de contribuer au processus de diagnostic des défauts d'engrenages en s'appuyant sur un jumeau numérique de machines tournantes dans un contexte industriel minier. Elle intervient plus précisément dans la phase d'entraînement des algorithmes d'apprentissage automatique, en proposant une approche d'entraînement par données hybrides. L'approche combine respectivement un jeu de données issu de l'historique de pannes du processus physique, enrichi par celui issu de la simulation d'un modèle numérique. Deux procédures d'enrichissement de données sont proposées. Une procédure basée sur les données homogènes, qui consiste à compléter le volume de données dans les classes disponibles et celle basée sur les données hétérogènes qui consiste à compléter les classes indisponibles. Le jumeau numérique utilisé dans ce travail, consiste en un modèle dynamique d'un réducteur à engrenages simple étage, tenant compte des efforts d'excitations de la structure dus à la dynamique de broyage. Ce modèle hybride est obtenu en couplant au modèle classique d'engrenages, un modèle éléments discrets d'un broyeur à boulets. Il a permis d'étudier l'influence du broyeur sur le comportement dynamique du réducteur, sous l'angle des paramètres intrinsèques au fonctionnement du système, à savoir, le taux de remplissage, la vitesse critique et la taille des boulets. La procédure de classification par enrichissement de données mise en place dans cette thèse a été testée sur plusieurs algorithmes d'apprentissage supervisé, qui ont permis l'obtention des résultats prometteurs pour la surveillance intelligente des processus miniers.

Industry 4.0 offers technological improvements which provide appropriate solutions to maintenance optimization problems, among which artificial intelligence is at the forefront. However, the use of artificial intelligence algorithms in the diagnostic process of rotating machines has for a long time been limited to equipment with a long service life due to the unavailability and insufficiency of data used for learning classification models. With significant advances in digital technologies and much more advanced modelling methods, the use of a digital twin could be considered an alternative to experimental data. To address the problem of unavailability of data, this thesis has set itself the objective of contributing to the process of diagnosing gear defects by relying on a digital twin of rotating machines in a mining industrial context. It intervenes more precisely in the training phase of machine learning algorithms, proposing a hybrid data training approach. The approach combines, respectively, a data set derived from the history of failures in the physical process, enriched by that derived from the simulation of a numerical model. Two data enrichment procedures are proposed. A procedure based on homogeneous data, which consists in completing the volume of data in the available classes and that based on heterogeneous data which consists in completing the unavailable classes. The digital twin used in this work consists of a dynamic model of a single stage gear reducer, taking into account the excitation forces of the structure due to the grinding dynamics. This hybrid model is obtained by coupling to the classic model of gears, a discrete elements model of a ball mill. The influence of the ball mill on the dynamic behaviour of the reducer has been studied by considering the intrinsic parameters of the system operation such as the filling rate, the critical speed and the ball siez. Data enrichment classification procedure implemented in this thesis has been tested on several supervised learning algorithms, which allows to obtain promising results for intelligent monitoring of mining processes.