Please use this identifier to cite or link to this item: http//localhost:8080/jspui/handle/123456789/9863
Full metadata record
DC FieldValueLanguage
dc.contributor.authorFares, Noureddine-
dc.date.accessioned2023-08-31T10:20:56Z-
dc.date.available2023-08-31T10:20:56Z-
dc.date.issued2023-
dc.identifier.urihttp//localhost:8080/jspui/handle/123456789/9863-
dc.description.abstractLa 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.en_US
dc.language.isofren_US
dc.publisherUniversité Echahid Cheikh Larbi-Tebessi -Tébessaen_US
dc.subjectSurveillance de l’état du moteur à induction, algorithmes d'optimisations (BPSO, BBAT et PCA), barre de rotor cassée, caractéristiques statistiques, transformation en paquets d'ondelettes (WPT), forêt aléatoire (RF), réseau de neurones artificiels (ANN)en_US
dc.titleContribution à la maintenance et au bon fonctionnement des équipements industriclsen_US
dc.typeThesisen_US
Appears in Collections:7- institut des mines

Files in This Item:
File Description SizeFormat 
Fares Noureddine.pdf9,1 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.