Simulateur vibratoire de machines tournantes à base de machine-learning

Machine-learning-based vibration simulator for rotating machinery

• Auteur / Autrice : Souleymane Sow
• Direction : Xavier Chiementin, Lanto Rasolofondraibe
• Type : Thèse de doctorat
• Discipline(s) : SI - Sciences de l’Ingénieur
• Date : Soutenance le 12/12/2024
• 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 : Philippe Ravier
• Jury : Examinateurs / Examinatrices : Xavier Chiementin, Lanto Rasolofondraibe, Abdenour Soualhi, Olivier Cousinard, Roger Serra, Ramla Saddem, Samuel Crequy
• Jury : Rapporteurs / Rapporteuses : Abdenour Soualhi

Mots clés

Mots clés contrôlés

Apprentissage supervisé (intelligence artificielle)

Applications industrielles

Algorithmes

Intelligence artificielle

Systèmes experts (informatique)

Paliers et coussinets

Jumeaux numériques

Maintenance automatisée

Mots clés libres

Maintenance 4.0

Jumeau numérique

Roulements

Flexibilité des paliers

Intelligence Artificielle

Hybridation de données

Maintenance 4.0

Digital twin

Bearings

Bearing flexibility

Artificial Intelligence

Data hybridisation

Résumé

Placée dans le cadre de la maintenance 4.0, cette thèse vise à développer un simulateur vibratoire pour un banc d’essais de roulements à gorges profondes, afin d’améliorer la précision des diagnostics basés sur des algorithmes de machine learning. Le travail se concentre d’abord sur l’intégration de la flexibilité des paliers dans un modèle numérique existant, créant ainsi un jumeau numérique plus représentatif des conditions réelles d’exploitation. La méthodologie s’articule autour de la conception d’un modèle numérique hybride, combinant un modèle méso (éléments discrets) et un modèle macro (éléments finis). Ces deux sous-modèles communiquent pour décrire la dynamique du système et simuler différents modes de fonctionnement. Les données générées par le simulateur sont ensuite exploitées pour mettre à jour le modèle et entraîner des algorithmes de classification (MSVM, KNN, arbres de décision), obtenant un taux de classification de 94 %. Ce résultat montre une amélioration de 10 % par rapport aux méthodes précédentes, confirmant l’efficacité de l’approche. Dans le but de mesurer l’apport qualitatif et quantitatif des données dans un diagnostic par classification, les données issues de ce modèle numérique mis à jour sont utilisées dans différentes stratégies d’hybridation de données avec les celles mesurées sur le système.

Framed within maintenance 4.0, this thesis aims to develop a vibratory simulator for a deep-groove ball bearing test bench to improve the accuracy of diagnostics based on machine learning algorithms. The work initially focuses on integrating the flexibility of the bearing supports into an existing numerical model, thereby creating a digital twin that more accurately reflects real operating conditions. The methodology is centred around the design of a hybrid numerical model, combining a meso-model (discrete elements) and a macro-model (finite elements). These two sub-models interact to describe the system's dynamics and simulate different operating modes. The data generated by the simulator is then used to update the model and train classification algorithms (MSVM, KNN, decision trees), achieving a classification accuracy of 94%. This result demonstrates a 10% improvement compared to previous methods, confirming the approach’s effectiveness. To assess the qualitative and quantitative contributions of the data in a classification-based diagnostic, the data from the updated numerical model is used in various data hybridization strategies with those measured from the physical system.