Partenaires

Ampère

Nos tutelles

CNRS Ecole Centrale de Lyon Université de Lyon Université Lyon 1 INSA de Lyon

Nos partenaires

Ingénierie@Lyon



Rechercher


Accueil > Thèses et HDR > Thèses en 2013

24/09/2013 : Abdenour SOUALHI

publié le , mis à jour le

Abdenour SOUALHI soutient sa thèse le 24 septembre 2013 à 10 heures à l’amphithéâtre Dirac, Bâtiment Paul Dirac, 4-6, Rue Enrico Fermi, Domaine Scientifique de la Doua. Villeurbanne.

Titre :

Du diagnostic au pronostic de pannes des entraînements électriques

Jury :

  • Directeur de thèse : Guy CLERC ; Hubert RAZIK
  • Rapporteurs : Mohamed BENBOUZID ; Pascal MAUSSION
  • Examinateurs : Pham-Hiep LE ; Farid MEYBODY-TABAR ; Franklin RIVAS

Résumé :

Le diagnostic et le pronostic de pannes des systèmes d’entraînement électriques est un enjeu majeur pour assurer une compétitivité optimale de l’outil de production notamment dans les secteurs sensibles (militaire, l’aéronautique, l’aérospatiale et nucléaire, etc.). Le travail de recherche présenté dans cette thèse vise à introduire de nouvelles méthodes de diagnostic et de pronostic des défauts d’une machine asynchrone ainsi que des roulements à rouleaux. Ces méthodes, orientées données, utilisent les données de mesure recueillies à partir de capteurs placés sur le système (machine asynchrone, roulement à rouleaux) afin de construire un vecteur de paramètres indicateur de défaut. Les méthodes de classification développées (supervisée, non supervisée) permettent de classer les observations, décrites par le vecteur de paramètres, par rapport aux différents modes de fonctionnement connus ou inconnus, avec ou sans défaut. Des défauts ont été créés au rotor et aux roulements de la machine asynchrone, alimentée par le biais d’un onduleur de tension. La classification non supervisée, basée sur l’algorithme des fourmis artificielles, permet d’analyser les observations inconnues et inexplorées afin de mettre en évidence les classes regroupant des observations similaires. Cela permet d’améliorer la classification et de détecter l’apparition de nouveaux modes de fonctionnement. La classification supervisée, basée sur les modèles de Markov cachés, permet d’associer un degré d’appartenance (sous forme d’une probabilité) lors de l’affectation d’une observation à une ou plusieurs classes. Cela permet de définir un indice de fiabilité à l’affectation réalisée mais aussi de détecter l’apparition de nouveaux modes de fonctionnement. Ces méthodes ne se limitent pas qu’à diagnostiquer les défauts, elles peuvent aussi contribuer au pronostic des défauts. En effet, le pronostic peut être défini comme une extension du problème de diagnostic. La prédiction d’un défaut est réalisée par trois méthodes basées sur les modèles de Markov cachés pour la détection de l’imminence d’un défaut ainsi que deux méthodes basées le système neuro-flou (ANFIS pour Adaptive Neuro Fuzzy Inference System et le neurone neo-flou) pour estimer le temps restant avant son apparition. Des données de vieillissement d’un ensemble de roulements à rouleaux ont été utilisées afin de tester les méthodes proposées. Les résultats obtenus montrent l’efficacité de ces méthodes pour le diagnostic et le pronostic des défauts dans les entraînements électriques.

Abstract :

Faults diagnosis and prognosis of electrical drives play a key role in the reliability and safety of systems especially in key sectors (military, aviation, aerospace and nuclear, etc.). The research presented in this thesis aims to introduce new methods of faults diagnosis and prognosis of induction motors and roller bearings. These methods use measured data collected from sensors placed on the system (asynchronous machine, roller) in order to construct a feature vector which indicates the state of the system. Supervised and unsupervised classification methods are developed to classify measurements (observations) described by the feature vector compared to known or unknown operation modes, with or without failures. Defects were created in the rotor and the bearing of the induction motor, fed by a voltage inverter. The unsupervised classification technique, based on artificial ant-clustering, allows analyzing the unknown and unexplored observations to highlight classes with similar observations. This allows improving the classification and the detection of new operating modes. The supervised classification, based on hidden Markov models, allows associating a degree of similarity when we affect an observation to one or more classes. This defines a reliability index which allows the detection of new operating modes. These methods are not limited to diagnose faults; they can also contribute to the prognosis of faults. Indeed, the prognosis can be defined as an extension of the problem of diagnosis. The prognosis of faults is carried out by three methods based on hidden Markov models for the detection of impending degradation stages and two methods based neuro-fuzzy system (ANFIS for Adaptive Neuro fuzzy Inference System and the neo-fuzzy neuron) to estimate the remaining time before their appearance. A set of historical data collected on roller bearings is used to validate the proposed methods. The obtained results show the effectiveness of the proposed methods in the diagnosis and prognosis of faults in electrical drives.

Voir en ligne : Texte complet