Résumé:
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.
