Synthèse des travaux publiés sur l’utilisation de l’émission acoustique pour détecter les défauts de roulements

Synthèse des travaux publiés sur l’utilisation de l’émission acoustique pour détecter les défauts de roulements

Analyse temporelle Mba et Rao (2006) ont présenté une revue de littérature détaillée couvrant la période de 1969 à 2005 sur le développement de la technologie de l’EA et son application pour le diagnostic et la surveillance des machines tournantes. Plusieurs recherches publiées sur l’application de l’EA pour le diagnostic des défauts de roulement ont été entreprises sur des plates-formes expérimentales, et beaucoup de chercheurs ont exploité les caractéristiques du signal temporel déjà utilisées dans la caractérisation de l’endommagement des matériaux. La Figure 1.2 illustre les principaux paramètres mesurés sur une salve typique d’EA. Les méthodes temporelles sont basées sur le suivi de plusieurs descripteurs statistiques du signal. Une multitude d’indicateurs existent, plus ou moins performants pour l’observation de certaines défaillances. Les indicateurs les plus utilisés sont décrits par les équations cidessous : En calculant par rapport à la moyenne (selon l’écart type)

Ces indicateurs évaluent l’état de fonctionnement global des équipements, mais ne localisent pas le défaut. Ce sont des méthodes utiles à la surveillance pour la détection mais pas pour le diagnostic. De nombreux indicateurs (ou métriques) existent dans la littérature (Jardine, Lin et Banjevic (2006)) et certains sont le résultat de la combinaison de plusieurs d’entre eux (Sassi, Badri et Thomas (2008 )). L’aspect le plus abordé pour la caractérisation du défaut est de trouver, en considérant les paramètres de fonctionnement que le roulement subit (vitesse, charge), une corrélation significative et répétitive entre les indicateurs temporels et les paramètres géométriques du défaut. Comme pour les vibrations, les indicateurs calculés sur les signatures d’EA présentent de fortes corrélations avec les paramètres géométriques des défauts. Le comptage du nombre de coups reste l’indicateur le plus employé pour caractériser l’endommagement du roulement (Tandon et Nakra (1990), Choudhury et Tandon (2000)). Plusieurs chercheurs ont mis en évidence l’existence d’une forte corrélation entre la taille du défaut et la sévérité de cet indicateur. Aussi, ils ont noté qu’il dépend de la vitesse de rotation du roulement; par contre la charge n’a pas d’influence.

Le comptage des coups est sensible pour des défauts ayant une largeur supérieure à 1 mm. Il est important de signaler au lecteur que le comptage des coups est fortement lié au niveau de déclenchement imposé pour le comptage, et que la méthode de détermination de ce seuil est à la discrétion de l’investigateur. Mba (2003) recommande un seuil de 30% de l’amplitude maximale pour des systèmes fonctionnant à faible vitesse. Des études comparatives entre l’EA et les vibrations ont été réalisées (Roget (1988), Holroyd (1993), Tandon et Choudhury (1999); Choudhury et Tandon (2000) , Yoshioka et Fujiwara (1982), Yoshioka et Fujiwara (1984), Yoshioka et Takeda (1995). Dans la plupart de ces études, les mesures ont été effectuées sur des roulements avec des défauts simulés. Les mesures vibratoires incluent les niveaux crête et efficace de la vibration (énergie), le Kurtosis, le facteur de crête et les paramètres de mesure par émissions acoustiques comme montrés à la Figure 1-2. Comme mentionné précédemment, les études se penchent précisément sur l’identification d’une corrélation significative entre les paramètres géométriques du défaut et les indicateurs temporels utilisés.

Les études les plus complètes ont été publiées par Al-Ghamdi et Mba (2006) et Al-Ghamdi et al. (2004). Ces deux études comparatives indiquent que l’EA permet une détection précoce du défaut. Cette affirmation est fortement contestée par d’autres auteurs et nous pouvons signaler l’étude de Shiroishi et al. (1997) qui arrive à une conclusion opposée. Ils suggèrent que l’emploi des mesures vibratoires est meilleur que l’EA, et que cette dernière n’est pas recommandée pour la détection des défauts de roulement situé sur la bague interne. En effet, l’EA est sensible à plusieurs paramètres et un changement d’un seul indicateur EA dans la surveillance des roulements n’indique pas inéluctablement une défaillance du roulement, car l’indicateur peut mettre en évidence les changements de l’état de la machine lors des essais. Ce phénomène explique l’utilité d’exploiter les représentations fréquentielles pour comprendre au mieux la nature du phénomène associé à ce changement d’état.

Application des ondelettes pour l’émission acoustique Notons que les ondelettes sont déployées soit pour réaliser un débruitage du signal, soit pour réaliser un diagnostic des machines tournantes (plus précisément en analyse vibratoire). Dans le cas des mesures vibratoires, Peng et Chu (2004) ont présenté une revue de littérature détaillée sur l’utilisation des ondelettes dans la surveillance des machines tournantes. L’utilisation des ondelettes a soulevé l’intérêt de beaucoup de chercheurs à l’appliquer pour les signatures d’EA. Elforjani et Mba (2010) ont démontré l’applicabilité de l’EA pour la détection et la localisation de l’initiation des fissures sur des roulements. Chiementin et al. (2010b) ont examiné l’effet de débruitage de trois méthodes différentes (SANC, Soustraction Spectrale et les ondelettes). Il existe d’autres recherches (ex. Hua Qing et al. (2011b), Yongyong, Xinming et Friswell (2010), He, Zhang et Friswell (2010), Liao, Li et Liu (2009), Hao, Feng et Chu (2009), Zhang et al. (2007), Jingzi et Ran (2013) et Xin, Xuejun et Guangbin (2013)) qui ont été menées dans ce contexte pour appuyer la pertinence de cette technique pour l’EA et son utilité pour la détection des défauts de roulements. La méthode EWT n’a jamais été appliquée pour le diagnostic des machines tournantes, spécifiquement les roulements. La difficulté dans l’utilisation de EWT réside dans le fait d’avoir une connaissance à priori du nombre de modes N à estimer car le banc de filtre en dépend. D’autre part, la segmentation proposé par Gilles (2013) pour définir les support du banc de filtres n’est pas une solution générale pour tout type de signatures. Une première application de cette méthode a été adaptée et introduite dans le Chapitre 6

Cyclostationnarité

La plupart des outils classiques de traitement du signal reposent sur l’hypothèse de stationnarité des phénomènes étudiés. Cependant, cette hypothèse n’est souvent admise que pour des raisons de simplification et n’est généralement pas valide en pratique, où les processus physiques rencontrés sont plutôt de nature non stationnaire (Antoni (2009), Capdessus, Sidahmed et Lacoume (2000)). Les propriétés des signaux issus de ces processus évoluent en fonction du temps et lorsque ces propriétés évoluent cycliquement au cours du temps, on parle de cyclostationnarité. La notion de cyclostationnarité a initialement été introduite très tôt dans les années 50. Elle a connu un essor important à partir des années 80 notamment grâce à son application dans le domaine des télécommunications. Son application plus tardive dans le domaine de la mécanique a permis d’obtenir de nouveaux outils pour le diagnostic des machines tournantes, l’identification de systèmes mécaniques et la séparation de sources vibratoires (Antoni (2009)). L’exploitation des propriétés de cyclostationnarité des signaux issus de machines tournantes est en particulier très répandue dans le cadre de la surveillance de réducteurs (Capdessus, Sidahmed et Lacoume (2000)) et des roulements (Randall et Antoni (2011)).

Il a été démontré par beaucoup de groupes de chercheurs que les signaux issus de roulement défectueux sont cyclostationnaires d’ordre 2 (Antoni et al. (2004), Antoni (2009), Antoni (2007a), Randall et Antoni (2011)). Un signal cyclostationnaire au second ordre (CS2), est celui dont les moments d’ordre deux sont périodiques. L’étude de l’aspect cyclostationnaire des signatures d’EA générées par un roulement défectueux a été faite pour la première fois par Kilundu et al. (2011). L’hypothèse de base est que les signaux EA issus d’un roulement endommagé renferment des périodicités associées à la fréquence du défaut. Une étude comparative entre la corrélation spectrale et l’analyse d’enveloppe montre l’efficacité de la cyclostationnarité à déceler les signatures de défaut (Kilundu et al. (2011)) Une série de tests sur différents types de défauts a été réalisée dans le but de faire une comparaison entre les indicateurs statistiques utilisés traditionnellement (RMS, Kurtosis, Facteur crête) et l’indicateur ICS (Integrated Spectral Corrélation : équation (1.46)) qui caractérise l’évolution de l’énergie cyclique du signal.

Le rapport de stage ou le pfe est un document d’analyse, de synthèse et d’évaluation de votre apprentissage, c’est pour cela rapport-gratuit.com propose le téléchargement des modèles complet de projet de fin d’étude, rapport de stage, mémoire, pfe, thèse, pour connaître la méthodologie à avoir et savoir comment construire les parties d’un projet de fin d’étude.

Table des matières

INTRODUCTION ET PRESÉNTATION DE LA PROBLEMATIQUE
CHAPITRE 1 REVUE DE LA LITTERATURE ET STRUCTURE DE LA THESE
1.1 Introduction
1.2 Synthèse des travaux publiés sur l’utilisation de l’émission acoustique pour détecter les défauts de roulements
1.2.1 Analyse temporelle
1.2.2 Analyse d’enveloppe
1.2.2.1 La transformée de Hilbert
1.2.2.2 Teager Kaiser Energy Operator (TKEO)
1.2.2.3 Application de l’analyse d’enveloppe pour l’émission acoustique
1.3 Synthèse des travaux publiés sur le traitement de signal
1.3.1 Le Kurtosis spectral (KS) et le Kurtogram
1.3.1.1 La méthode MED (Minimum Entropy Deconvolution)
1.3.1.2 Application de SK et du Kurtogram pour l’émission acoustique
1.3.2 Les ondelettes
1.3.2.1 La transformé en ondelette continue (TOC)
1.3.2.2 La transformé en ondelette discrète (TOD)
1.3.2.3 Les paquets d’ondelettes
1.3.2.4 Empirical Wavelet Transform (EWT)
1.3.2.5 Application des ondelettes pour l’émission acoustique
1.3.3 Cyclostationnarité
1.3.4 La méthode EMD (Empirical Mode Decomposition) et Ensemble EMD (EEMD
1.3.4.1 EMD (Empirical Mode Decomposition)
1.3.4.2 EEMD (Ensemble Empirical Mode Decomposition)
1.3.4.3 Application de l’EMD et EEMD pour l’émission acoustique
1.4 Sévérité des défauts étudiés
1.5 Objectifs et originalités de la recherche
1.6 Structure de la thèse
1.6.1 Analyse comparative entre l’EA et les mesures de vibrations
1.6.2 Développement de nouveaux outils de traitement de signal pour une meilleur détection
1.6.3 Indicateurs non linéaires comme outils de diagnostic
CHAPITRE 2 MONITORING BEARINGS BY ACOUSTIC EMISSION: A COMPARATIVE STUDY WITH VIBRATION TECHNIQUES FOR EARLY DETECTION
2.1 Présentation
2.2 Article
2.2.1 Abstract
2.2.2 Introduction
2.2.3 Experimental methodology
2.2.4 Results analysis
2.2.4.1 Analysis of vibration signals
2.2.4.2 Analysis of ultrasonic signals
2.2.4.3 Comparison of RMS level between vibration and ultrasound measurements
2.2.4.4 Time descriptors
2.2.5 Conclusion
2.2.6 Acknowledgments
CHAPITRE 3 APPLICATION INDUSTRIELLE
3.1 Introduction
3.2 Objectif
3.3 Contexte de l’étude
3.4 Protocole expérimental
3.5 Régime haute vitesse
3.6 Essais à basse vitesse
3.7 Comparaison entre les descripteurs statistiques
3.8 Conclusion
CHAPITRE 4 CYCLOSTAIONARITY APPLIED TO ACOUSTIC EMISSION AND DEVELOPMENT OF NEW INDICATOR FOR MONITORING BEARING DEFECTS
4.1 Présentation
4.2 Article 2
4.2.1 Abstract
4.2.2 Introduction
4.2.3 Cyclostationarity
4.2.3.1 Methodologies for processing cyclostationary signals
4.2.4 Experimental study
4.2.4.1 Results analysis and applications
4.2.4.1.1 Vibration signal
4.2.4.1.2 Acoustic emission signal
4.2.4.1.3 Comparison between vibration and acoustic emission
4.2.4.1.4 New Indicator of cyclostationary
4.2.5 Conclusion
4.2.6 Acknowledgments
CHAPITRE 5 MONITORING MACHINES BY USING A HYBRID METHOD COMBINING MED, EMD, AND TKEO
5.1 Présentation
5.2 Article 3
5.2.1 Abstract
5.2.2 Introduction
5.2.3 Empirical Mode Decomposition (EMD)
5.2.4 Teager Operator Energy
5.2.5 Minimum Entropy Deconvolution (MED)
5.2.6 Bearing faults diagnosis based on MED-EMD and TKEO
5.2.6.1 Proposed method for defect detection of ball bearings
5.2.6.2 Numerically simulated signal
5.2.6.2.1 Method 1: TKEO Applied to x(􀝐)
5.2.6.2.2 Method 2: Applying EMD and TKEO
5.2.6.2.3 Method 3: MED+EMD+ TKEO
5.2.6.3 Experimental study
5.2.6.4 Experimental application
5.2.6.4.1 Acoustic emission
5.2.6.4.2 Vibration measurements
5.2.7 Conclusions
5.2.8 Acknowledgements
CHAPITRE 6 A COMPARATIVE STUDY BETWEEN EMPIRICAL WAVELET TRANSFORMS AND EMPIRICAL MODE DECOMPOSITION METHODS: APPLICATION TO BEARING DEFECT DIAGNOSIS
6.1 Présentation
6.2 Article 4
6.2.1 Abstract
6.2.2 Introduction
6.2.3 Empirical Mode Decomposition (EMD)
6.2.3.1 Mode mixing
6.2.4 Ensemble Empirical Mode Decomposition (EEMD)
6.2.4.1 Review of EEMD parameter selection
6.2.4.2 A new method for improved EEMD
6.2.5 Empirical Wavelet Transforms (EWT)
6.2.6 Bearing faults diagnosis based on EWT and EEMD
6.2.6.1 Simulated signal
6.2.6.1.1 Application of EMD and EEMD
6.2.6.1.2 Application of EWT
6.2.6.2 Experimental application to bearing defect diagnosis
6.2.6.2.1 Experimental set up
6.2.6.2.2 Experimental application
6.2.6.2.3 Selection of IMF
6.2.7 Conclusions
6.2.8 Appendix: Empirical Wavelet Transform
6.2.9 Acknowledgements
CHAPITRE 7 EMPIRICAL MODE DECOMPOSITION COMBINED WITH EMPIRICAL WAVELETS FOR EXTRACTING BEARING FREQUENCIES IN A NOISY ENVIRONMENT AND EARLY DETECTION OF DEFECTS
7.1 Présentation
7.2 Article
7.2.1 Abstract
7.2.2 Introduction
7.2.3 Empirical Mode Decomposition (EMD)
7.2.4 Empirical wavelet transforms (EWT)
7.2.5 A new indicator combining Energy, Kurtosis and ApEn
7.2.6 A detection method based on EMD and EW
7.2.7 Case studies for validating the method
7.2.7.1 A simulated signal with one resonant frequency
7.2.7.1.1 Case A: The variance of the noise is 0.2
7.2.7.1.2 Case B: The variance of the noise is 0.5
7.2.7.2 A simulated signal with two resonances
7.2.7.3 A simulated signal with gear and bearing signatures
7.2.8 Experiments on a bearing test bench
7.2.8.1 Application 1
7.2.8.2 Application 2
7.2.9 Conclusions
7.2.10 Acknowledgements
CHAPITRE 8 INDICATEURS NON LINÉAIRES COMME OUTILS DE DIAGNOSTIC
8.1 Introduction
8.2 Fondements théoriques
8.2.1 Approximate entropy (ApEn)
8.2.2 Sample Entropy (SampEn)
8.2.3 Lempel-Ziv Complexity (LZC)
8.2.4 Les paramètres d’analyse
8.3 Application pour le diagnostic des défauts de roulement
8.4 Application pour le diagnostic des défauts d’engrenage
8.5 Conclusion partielle du chapitre 8
CONCLUSION ET SYNTHESE
RECOMMANDATIONS
ANNEXE I CARACTÉRISTIQUES MÉTROLOGIQUES COMPLÈTES DU CAPTEUR UE 10 000
ANNEXE II MONITORING GEARS BY USING A METHOD COMBINING
ENERGY SEPARATION, EMPIRICAL MODE DECOMPOSITION
AND MINIMUM ENTROPY DECONVOLUTION
ANNEXE III NONLINEAIR PARAMETERS FOR MONITORING GEARS
COMPARAISON BETWEEN LIMPEL ZIV, APPROXIMATE
ENTROPY AND SAMPLE ENTROPY COMPLEXITY
LISTE DE RÉFÉRENCES BIBLIOGRAPHIQUES

Rapport PFE, mémoire et thèse PDFTélécharger le rapport complet

Télécharger aussi :

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *