Soutenance mémoire
Technique de la surveillance des Systèmes électro-énergétiques
Récemment, il existe plusieurs techniques pour surveiller l’état des systèmes électroénergétique par exemple l’analyse vibratoire, analyse d’huile, analyse thermique, etc. [Bensana 08, Rahmoune 11].
La thermographie infrarouge La méthode thermographie permet de détecter rapidement les défauts d’échauffement anormal sur la surface de l’équipement. Cette méthode permet de faire des mesures à distance pour obtenir des images thermiques sur les zones inspectées.
L’analyse des huiles Cette méthode est basée sur l’analyse d’un échantillon du lubrifiant (huile ou graisse) afin de détecter l’état de l’équipement et permet de déterminer l’usure anormale de l’un des composants de la machine, le mauvais état d’un filtre, ou encore la dégradation du lubrifiant. On peut appliquer cette méthode a toute machine contiennent un fluide.
L’analyse vibratoire La méthode de surveillance de défauts basés sur l’analyse des signaux de vibration s’est avérée efficace dans plusieurs défauts mécaniques [Immovilli 09, Lin 03]. Par conséquent, l’analyse des signaux de vibration est considérée comme une approche importante pour le diagnostic et la classification des défauts [Henriquez 14], son principe est basé sur la traduction des efforts qui subit la machine par des signaux vibratoire. En plaçant des accéléromètres aux endroits où se transmettent ces efforts, on peut détecter l’apparition des défauts dans l’équipement. Ces signaux contiennent des informations de diagnostic utiles qui sont extraites par le calcul d’indicateurs qui sont ensuite sélectionnés en fonction de leur sensibilité aux défauts considérés, et sont fournis comme entrées dans un système de classification [Wang 16, Zhang 11]. Parmi les avantages de l’analyse vibratoire : détection défauts a un stade précoce, et la surveillance continu de la machine.
L‘analyse par Ultrasons Elle permet de réaliser la surveillance continue de la machine pour détecter l’apparition de bruit anormal à l’aide des capteurs audible qui sont placé à distance de l’équipement.
Choix d’outils de surveillance Pour pouvoir assurer une meilleure surveillance des machines, il faut utiliser la mesure pertinente qui dépend de leur fonctionnement. Cette mesure est extraite à partir des grandeurs physiques entourant la machine à surveiller « vibrations, bruits, vitesses, etc. ». La sélection d’une source d’information et d’une technique d’analyse adéquate est une étape primordiale quant à la réussite de la campagne de surveillance d’une machine. Ce choix est fait en tenant compte des caractéristiques cinématiques de la machine à surveiller, de son environnement et de la nature des défauts qui peuvent l’atteindre [Khelf 14] Marie-Line Zani [Zani 03] a montré que l’analyse vibratoire, l’analyse d’huiles, la thermographie infrarouge et l’analyse acoustique sont les principales méthodes de surveillance des machines tournantes, en suite, il a donné quelques critères de choix entre telle méthode ou technique et leur domaine d’application.
Défaillances des Systèmes électro-énergétiques
Engrenage Les transmissions par engrenages sont d’une grande utilité lorsqu’il s’agit de transmettre des couples importants, de produire de grandes vitesses de rotation, d’effectuer un changement de direction du mouvement de rotation, etc. Puisqu’elles travaillent dans des conditions sévères, elles sont soumises à une détérioration progressive de leur état ce qui implique des défauts. On classe généralement les défauts d’engrenages en trois catégories [Chaari 06] :
• Les défauts de fabrication (erreurs de profil des dents, excentricité des roues);
• Les défauts de montage (défauts de parallélisme, d’entraxe) ;
• Les défauts apparaissant lors du fonctionnement (usure ou fissuration des dents, en général, la détérioration de dentures d’engrenages).
Roulement Les roulements sont les composants les plus fondamentaux et les plus importants des machines tournantes. Les défauts de roulement sont considérés comme la source de défaillance la plus courante dans les machines tournantes, leur pourcentage varie entre 40% et 90% [Immovilli 09]. Selon la référence [SNR 04] il y a 11 types de défauts de roulements :
• Ecaillage par fatigue : Présent sous forme de fissuration et enlèvement de fragment de matière ;
• Ecaillage superficiel : Taches en surface provenant d’arrachement superficiel de métal;
• Grippage : Echauffement violent, déformation des corps roulants, laminage du métal ;
• Empreintes par déformation : Empreintes sur les pistes et les corps roulants;
• Faux effet Brinell : Enlèvement de matière par abrasion au niveau des points de contact internes du roulement ;
• Usure : Usure généralisée des corps roulants, des pistes et des cages, teinte grise ;
• Cratères et cannelures : Piqûres à bord net ou succession de plages étroites parallèles, liées à un passage de courant électrique ;
• Coups, fissures, cassures : Chocs violent, enlèvement de matière en surface, fissures, rupture des bagues ;
• Corrosion de contact : Coloration rouge ou noire sur les surfaces d’appui du roulement, dans l’alésage et sur le diamètre extérieur ;
• Corrosion : Oxydation localisée ou généralisée, à l’extérieur ou à l’intérieur du roulement ;
• Détérioration des cages : Déformation, usure, rupture [Khelf 14].
Arbres L’arbre dans une machine tournante est un organe de transmission assurant le mouvement de rotation, supporté par un ou plusieurs paliers selon la configuration de la ligne d’arbre [Morel 05]. L’arbre sert de soutient et d’élément de liaison pour les autres organes de la machine. L’ensemble des éléments tournants, assemblés sur l’arbre est appelé rotor. Les défauts d’arbres tournants, et plus globalement de rotors sont assez courants dans les machines tournantes. En réalité, il est pratiquement impossible de réaliser un centrage parfait de tous les éléments d’un rotor, ce qui est en cause d’une des plus récurrentes défaillances sur une machine tournantes, le balourd. Un balourd peut avoir comme initiateur plusieurs origines ; défauts d’usinage, d’assemblage des rotors ou de montage. Les rotors peuvent aussi se déformer sous l’influence d’un échauffement dissymétrique.
ANN dans le diagnostic de panne
De nombreux travaux de recherche ont montré que l’ANN possède une meilleure capacité de classification et de reconnaissance de formes. En conséquence, l’ANN est l’un des Classifieurs les plus couramment utilisés dans le diagnostic intelligent des défauts. Comme l’SVM, l’application d’ANN est également accompagnée d’extraction des indicateurs appropriés. Le perceptron multicouche (MLP) est un ANN constitué d’unités disposées en couches avec des connexions directes avec les unités des couches suivantes [Hu 01] qui a été utilisé dans plusieurs applications. Rafiee et al. [Rafiee 07] adoptent un réseau MLP avec une structure 16: 20: 5 de couches d’entrée-sortie-cachée pour la détection des défauts des boîtes de vitesses. L’écart type de signaux prétraités des ondelettes sont utilisés comme vecteurs d’indicateurs. Sadeghian et al. [Sadeghian 09] Présentent un algorithme pour la détection de rupture barre de rotor d’un moteurs à induction, basée sur la combinaison de la décomposition en paquets d’ondelettes (WPD) et ANN. Bin et al. [Bin 12] utilisent les indicateurs extraits par WPT et EMD, en tant qu’entrées d’un réseau neuronal à trois couches de rétro propagation (BP) classique pour identifier la fissure latérale du rotor dans les machines tournantes. Kankar et al. [Kankar 12] ont comparés les performances d’ANN et de l’SVM pour le diagnostic des défauts de roulement du rotor: les résultats expérimentaux indiquent que l’ANN a une précision de classification plus élevée que l’ SVM dans les cas considérés dans cette étude.
Conclusion
Les systèmes électro-énergétiques représentent une classe dominante, dans les systèmes industriels, et peuvent y occuper des positions stratégiques. La surveillance de leurs états de fonctionnement présente donc un intérêt important, afin d’atteindre les objectifs visés. Ainsi, pour surveiller et diagnostiquer les systèmes électro-énergétiques, plusieurs techniques et approches avec différents niveaux d’efficacité sont utilisées. Un objectif global était visé. Celui de développer une nouvelle approche de diagnostic de défauts des systèmes électro énergétiques, qui soit la plus appropriée et qui présenterait les meilleurs avantages. Pour atteindre cet objectif, notre démarche était basée sur des études théoriques, sur l’expérimentation et sur l’évaluation de l’adaptabilité et l’efficacité des méthodes de surveillance et de diagnostic de défauts. Ainsi, nous avons donné au premier chapitre, un aperçu sur les techniques de la surveillance des systèmes électro-énergétiques, et les méthodes de traitement de signal appliquées pour la surveillance et le diagnostic des défauts des systèmes électro-énergétiques. Le deuxième chapitre, a été consacré à l’étude théorique des méthodes de diagnostic de défaut basé sur l’intelligence artificielle, une brève introduction sur les différents algorithmes d’intelligence artificielle, y compris les méthodes suivantes: machine à vecteurs de support SVM, réseau de neurones artificiels ANN ,et système d’inférence neuro floue adaptatif ANFIS. Les systèmes de diagnostic des défauts basés sur l’intelligence artificielle se compose souvent de deux étapes : traitement des données (extraction des indicateurs), et reconnaissance des défaut (étape de classification). Dans le troisième chapitre on a démontré les Intérêts de l’utilisation des Réseaux neuronaux convolutif (CNN) dans le processus de classification des défauts afin d’assurer un diagnostic automatique de défauts des systèmes électro-énergétiques, et de compenser les inconvénients des méthodes de diagnostic de défaut basé sur l’intelligence artificielle. On a proposé une nouvelle méthode de classification de défauts basés sur le réseau neuronal convolutif (CNN) et l’imagerie du spectre vibratoire (VSI); les amplitudes normalisées du contenu spectral extrait des signaux vibratoires temporels en utilisant une fenêtre glissante sont transformés en images spectrales pour la formation et le test du Classifieur CNN. L’étude comparative des différentes techniques de classification intelligentes avec celle basée sur le Classifieur CNN, présentée au quatrième chapitre dont le but était d’examiner les différentes techniques par des données expérimentales relevées sous forme de signaux vibratoires de roulements sur le banc d’essai du laboratoire URMA/CRTI et des données fournies par la banque de données « Case Western Reserve University » (CWRU), L’étude a révélé que : Les méthodes de classification de défauts basés sur l’intelligence artificielle telle que SVM, ANN, et ANFIS donnent un bon pourcentage de classification. La méthode de classification basée sur le CNN avec le signal temporelle est appliquée pour classer huit types de défauts qui sont les défauts de roulement, déséquilibre, et balourd ; elle a donné une grande précision de classification. Pour surmonter les limitations et les insuffisances des méthodes de classification de défauts basés sur l’intelligence artificielle, une nouvelle approche a été introduite pour classer les défauts de roulements. Cette technique de classification se caractérise par les principaux avantages suivants :
• Ne nécessite pas l’extraction ou la sélection d’indicateurs ayant un effet significatif sur la classification, ces étapes reposent généralement sur l’expertise des spécialistes du domaine.
• Donne une classification très précise des défauts de roulement pour différentes vitesses de fonctionnement.
• L’approche proposée est capable de classer les données à vitesse de fonctionnement variable avec un taux de classification élevé.
• Les résultats ont montré que cette méthode a la capacité de généraliser la classification pour les données inconnues et donne une précision élevée.
• Les tests de robustesse au bruit dans différentes conditions SNR montrant que cette méthode est robuste au bruit.
• L’approche proposée est capable de classer les données de charges d’exploitation variables avec une bonne précision de classification.
Les performances de l’approche proposée ont été comparées à celles des techniques qui sont largement relevée dans la littérature, et a prouvé son efficacité.
|
Table des matières
Introduction
Chapitre I. Systèmes électro-énergétiques : Défaillances et méthodes de diagnostique
I.1. Introduction
I.2. Systèmes électro-énergétiques
I.3. Technique de la surveillance des Systèmes électro-énergétiques
I.3.1. La thermographie infrarouge
I.3.2. L’analyse des huiles
I.3.3. L’analyse vibratoire
I.3.4. L‘analyse par Ultrasons
I.3.5. Choix d’outils de surveillance
I.4. Activités de l’analyse vibratoire
I.4.1. La surveillance
I.4.2. La détection
I.4.3. Le diagnostic
I.5. Les outils du diagnostic et de la surveillance par l’analyse vibratoire
I.5.1. Les indicateurs scalaires
I.5.2. Les indicateurs spectraux
I.5.3. Le Cepstre
I.5.4. Analyse d’enveloppe
I.5.5. Analyse par ondelettes
I.6. Défaillances des Systèmes électro-énergétiques
I.6.1. Engrenage
I.6.2. Roulement
I.6.3. Arbres
I.7. Chaine de mesure
I.7.1. Accéléromètres
I.7.2. Capteur de vitesse
I.7.3. Capteur de déplacement
I.8. Etat de l’art
I.9. Conclusion
Chapitre II. Diagnostic de défaut basé sur les méthodes de l’intelligence artificielle
II.1. Introduction
II.2. Méthodes de diagnostic des défauts basées sur l’intelligence artificielle
II.2.1. Diagnostic de défaut basé sur le SVM (machines à vecteurs de support)
II.2.2. ANFIS
II.2.3. Réseau neuronal artificiel (ANN)
II.3. Etat de l’art
II.3.1. SVM dans le diagnostic de panne
II.3.2. ANN dans le diagnostic de panne
II.3.3. ANFIS dans le diagnostic de panne
II.4. Conclusion
Chapitre III. Diagnostic de défaut basé sur les Réseaux neuronaux convolutifs
III.1. Introduction
III.2. Intérêts de l’utilisation des réseaux neuronaux convolutifs
III.3. Réseau neuronal convolutif (CNN)
III.4. L’approche proposée
III.4.1. Segmentation temporelle
III.4.2. Image spectrale
III.5. Classification de défauts basés sur CNN avec le signal temporelle
III.5.1. Segmentation temporelle
III.5.2. Construction de l’image vibratoire
III.6. Etat de l’art
III.7. Conclusion
Chapitre IV. Applications des approches intelligentes au diagnostic des défauts de roulements
IV.1. Introduction
IV.2. Défauts de roulement
IV.3. Première partie : Classification des données relevées sur le banc d’essai URMA / CRTI
IV.4. Diagnostic de défauts par les techniques de l’intelligence artificielle
IV.4.1. Classification de défauts de roulement en utilisant l’ANN
IV.4.2. Classification de défauts de roulement en utilisant l’SVM
IV.4.3. Classification de défauts de roulement en utilisant L’ANFIS
IV.4.4. Effet de la vitesse
IV.4.5. Effets de la taille du segment
IV.4.6. Effet de la nature et nombre des entrées
IV.5. CNN avec signal temporelle
IV.6. Méthode proposée
IV.6.1. Apprentissage du modèle CNN
IV.6.2. Test à vitesse unique
IV.6.3. Test à plusieurs vitesses
IV.6.4. Etude de robustesse
IV.7. Étude de cas 2 : banc d’essai CWRU
IV.7.1. Configuration expérimentale et description des données
IV.7.2. Évaluation en condition de charge unique
IV.7.3. Évaluation sous différentes conditions de charges
IV.7.4. Évaluation dans des conditions de bruit
IV.8. Conclusion
Conclusion
Références bibliographiques
Télécharger le rapport complet
