Contribution à la maintenance et au bon fonctionnement des équipements industricls

Abstract

La surveillance de l'état des machines à induction est considérée comme une technologie en développement pour la détection en ligne des défauts qui se produisent même au stade initial. L'objectif de cette thèse est de présenter une technique d'intelligence artificielle (IA) pour la détection et la localisation de défauts des barres rotoriques cassées (adjacentes et éloignées) dans la MAS, à travers un modèle multienroulements pour la simulation de ces cas. Dans ce travail, il a été constaté que l'application des réseaux de neurones artificiels (ANN) basés sur l'erreur quadratique moyenne (MSE) et la forêt aléatoire (arbre de décision) joue un rôle important dans la détection et la localisation des défauts. Le signal du courant statorique « 𝑰𝒂𝒔 » d'un moteur à l'état dynamique a été acquis à partir d'un moteur sain et défectueux (barres rotoriques cassées). 9 caractéristiques statistiques et 8 paramètres de paquets d'ondelettes sont extraits de signal du courant statorique. Ces caractéristiques ont été utilisées comme vecteur d'entrée pour entraîner et tester l'ANN et les forêts aléatoires et déterminer si le moteur fonctionnait dans des conditions normales ou anormales. Pour optimiser la procédure de classification de défauts des barres rotoriques, des algorithmes d’optimisations sont adoptés, tels que BBAT et BPSO. Mais concernant les algorithmes de réduction des dimensions, nous avons utilisé l'algorithme d'analyse en composantes principales (ACP). Les résultats obtenus montrent que le classificateur de forêt aléatoire basé sur les paramètres statistiques et les paramètres de paquets d'ondelettes optimisés par PCA peut classer les différents états de fonctionnement de la MAS avec une grande précision (98,3333%) par rapport aux autres méthodes.