Diagnostic et pronostic des défaillances des roulements d'essieu des trains à grandes vitesses par analyse du signal acoustique (MARAIL)

Diagnosis and Prognosis of High-Speed Train Axle Bearing Failures through Acoustic Signal Analysis (MARAIL)

• Auteur / Autrice : Meryem Abtane
• Direction : Herve Martinez
• Type : Projet de thèse
• Discipline(s) : Physique
• Date : Inscription en doctorat le 01/11/2024
• Etablissement(s) : Pau
• Ecole(s) doctorale(s) : Sciences Exactes et leurs Applications
• Partenaire(s) de recherche : Laboratoire : Institut des sciences analytiques et de Physico-chimie pour l'Environnement et les Matériaux

Mots clés

Mots clés libres

Diagnostic

Pronostic

Roulements d'essieu

Trains à grande vitesse

Diagnosis

Prognosis

Axle bearings

High-speed trains

Résumé

Le projet de thèse porte sur la détection et le diagnostic des défaillances des roulements d'essieux dans les trains à grande vitesse, en mettant l'accent sur l'utilisation de l'intelligence artificielle et de l'analyse des signaux acoustiques pour une détection précoce des défauts. Ces défaillances, souvent responsables de retards et de pannes dans les systèmes ferroviaires, peuvent avoir des conséquences graves si elles ne sont pas détectées à temps. L'objectif de ce projet est de développer un système innovant capable de détecter, localiser et évaluer la gravité des défauts des roulements d'essieux en s'appuyant sur des techniques avancées de traitement du signal et des algorithmes d'intelligence artificielle. Le projet repose sur l'acquisition de données en temps réel issues de capteurs acoustiques (émission acoustique et microphones), de capteurs de vibrations et de capteurs de température. Ces données sont ensuite analysées afin d'extraire des caractéristiques pertinentes permettant d'identifier les anomalies. Des techniques telles que l'analyse spectrale, l'analyse de l'entropie, ainsi que des méthodes d'apprentissage automatique et de deep learning seront utilisées pour développer des modèles intelligents capables de détecter les défauts et de prédire leur évolution.

The thesis project focuses on the detection and diagnosis of axle bearing failures in high-speed trains, emphasizing the use of artificial intelligence and acoustic signal analysis for early defect detection. These failures, often responsible for delays and breakdowns in railway systems, can have severe consequences if not identified in time. The goal of this project is to develop an innovative system capable of detecting, locating, and assessing the severity of axle bearing defects using advanced signal processing techniques and artificial intelligence algorithms. The project is based on real-time data acquisition from acoustic sensors (acoustic emission and microphones), vibration sensors, and temperature sensors. This data is then analyzed to extract relevant features for anomaly detection. Techniques such as spectrum analysis, entropy analysis, as well as machine learning and deep learning methods, will be applied to develop intelligent models capable of detecting defects and predicting their progression.