Application Des Techniques De L Intelligence Artificielle A La Detection Et Au Diagnostic De Defauts Dans Les Machines Asynchrones
Download Application Des Techniques De L Intelligence Artificielle A La Detection Et Au Diagnostic De Defauts Dans Les Machines Asynchrones PDF/ePub or read online books in Mobi eBooks. Click Download or Read Online button to get Application Des Techniques De L Intelligence Artificielle A La Detection Et Au Diagnostic De Defauts Dans Les Machines Asynchrones book now. This website allows unlimited access to, at the time of writing, more than 1.5 million titles, including hundreds of thousands of titles in various foreign languages.
APPLICATION DES TECHNIQUES DE L'INTELLIGENCE ARTIFICIELLE A LA DETECTION ET AU DIAGNOSTIC DE DEFAUTS DANS LES MACHINES ASYNCHRONES
LES MACHINES ASYNCHRONES CONSTITUENT L'ELEMENT CRITIQUE DE NOMBREUX PROCESSUS INDUSTRIELS ET SONT FREQUEMMENT INTEGREES DANS LE MATERIEL DISPONIBLE DANS LE COMMERCE. DES APPLICATIONS CRITIQUES DE MACHINES ASYNCHRONES, DE DIFFERENTES PUISSANCES, SE RETROUVENT DANS PRATIQUEMENT TOUTES LES INDUSTRIES. IL EXISTE DE NOMBREUSES TECHNIQUES PUBLIEES ET DE NOMBREUX OUTILS DISPONIBLES DANS LE COMMERCE DEDIES A LA SURVEILLANCE DES MACHINES ASYNCHRONES POUR LEUR ASSURER UN DEGRE DE FIABILITE ELEVE. CEPENDANT, BEAUCOUP DE COMPAGNIES SONT ENCORE CONFRONTEES A DES PANNES DE SYSTEME INATTENDUES ET A UNE REDUCTION DE LA DUREE DE LEUR PARC MACHINE. L'ENVIRONNEMENT, LES CONDITIONS D'UTILISATION, ETC., PEUVENT SE COMBINER POUR ACCELERER LES DEFAILLANCES DU PARC MACHINE EN AFFECTANT SA DUREE DE VIE. ON A CONSTATE QUE PLUSIEURS PRODUITS COMMERCIAUX DEDIES A LA SURVEILLANCE DES MACHINES ASYNCHRONES NE SONT PLUS RENTABLES UNE FOIS UTILISES POUR LES MACHINES DE PETITE ET MOYENNE PUISSANCE. DANS CE CONTEXTE, UNE VARIETE DE CAPTEURS PEUT ETRE EMPLOYEE POUR COLLECTER UN CERTAIN NOMBRE DE MESURES D'UNE MACHINE ASYNCHRONE POUR SURVEILLER SON ETAT. CES CAPTEURS PEUVENT MESURER LES TENSIONS ET LES COURANTS STATORIQUES, LE FLUX D'ENTREFER, LA POSITION ET LA VITESSE DU ROTOR, LE COUPLE DE CHARGE, LES TEMPERATURES INTERNES ET EXTERNES, ET DES VIBRATIONS, ETC. LE SYSTEME DE DETECTION ET DE DIAGNOSTIC PEUT SURVEILLER UN CERTAIN NOMBRE DE DEFAUTS. CES DEFAUTS PEUVENT ETRE DES COURTS-CIRCUITS ET DES OUVERTURES DE SPIRES OU DE BOBINES, DES CASSURES DE BARRES OU D'ANNEAUX ROTORIQUES, DES ENDOMMAGEMENTS DE ROULEMENTS, ETC. IL EST EVIDENT QUE LE SYSTEME DE SURVEILLANCE DE L'ETAT DE LA MACHINE DOIT ETRE CAPABLE D'EXTRAIRE, D'UNE FACON COHERENTE, L'EVIDENCE DE DEFAUTS POSSIBLES DES MESURES ISSUES DES DIFFERENTS CAPTEURS. EN GENERAL, LES SCHEMAS DE SURVEILLANCE D'UNE MACHINE ASYNCHRONE ETAIENT DEDIES A LA DETECTION DE DEFAUTS SPECIFIQUES DANS L'UNE DES TROIS COMPOSANTES SUIVANTES : LE STATOR, LE ROTOR, OU LES ROULEMENTS. BIEN QUE LES SURVEILLANCES THERMIQUES ET VIBRATOIRES AIENT ETE SOUVENT UTILISEES, LA MAJORITE DES RECHERCHES RECENTES ETAIT ORIENTEE VERS LA SURVEILLANCE DE L'ETAT D'UNE MACHINE ASYNCHRONE EN UTILISANT LE COURANT STATORIQUE (SON SPECTRE) COMME VARIABLE PERMETTANT LA DETECTION ET LE DIAGNOSTIC DE CERTAINS DEFAUTS. TOUTES LES TECHNIQUES ACTUELLEMENT DISPONIBLES EXIGENT DE L'UTILISATEUR D'AVOIR UN CERTAIN DEGRE D'EXPERTISE AFIN DE DISTINGUER UN FONCTIONNEMENT NORMAL D'UN MODE DE DEFAILLANCE POTENTIEL, SACHANT QUE DES COMPOSANTES SPECTRALES SURVEILLEES (VIBRATION OU COURANT) PEUVENT RESULTER D'UN CERTAIN NOMBRE DE SOURCES, Y COMPRIS CELLES LIEES AU FONCTIONNEMENT NORMAL. CE MEMOIRE CONTRIBUE ALORS A LA DETECTION ET AU DIAGNOSTIC DE DEFAUTS DANS UNE MACHINE ASYNCHRONE EN UTILISANT DEUX TECHNIQUES DE L'INTELLIGENCE ARTIFICIELLE, A SAVOIR LES RESEAUX DE NEURONES ET LA LOGIQUE FLOUE. EN EFFET, LA MAJORITE DES TECHNIQUES, DITES CLASSIQUES, DE DETECTION ET DE DIAGNOSTIC DE DEFAUTS DANS LES MACHINES ASYNCHRONES DEMANDE AUX TECHNICIENS DE SURVEILLANCE OU DE MAINTENANCE UNE CAPACITE ELEVEE, VU LE NOMBRE D'INFORMATION A MAITRISER, LEUR PERMETTANT DE DISTINGUER UNE CONDITION DITE DE MACHINE SAINE D'UNE CONDITION DITE DE MACHINE EN DEFAUT. CES TECHNIQUES NOUS ONT PERMIT, D'UNE PART DE NOUS AFFRANCHIR DE CERTAINES CONNAISSANCES THEORIQUES SUR LA MACHINE ASYNCHRONE OU SUR DES SIGNAUX PARFOIS DIFFICILES A IDENTIFIER ET, D'AUTRE PART, DE CONNAITRE LE PROCESSUS DE DETECTION DU DEFAUT PAR L'INTERMEDIAIRE D'UN RAISONNEMENT HEURISTIQUE. LES CAPACITES DE CES TECHNIQUES ONT PAR AILLEURS ETE EXPERIMENTALEMENT TESTEES SUR UNE MACHINE ASYNCHRONE DE 4 KW.
Diagnostic Des Défaillances Des MacHines Asynchrones
La détection des défaillances des processus industriels devient de plus en plus essentielle en raison de la faiblesse de l'opérateur humain par sa nature; qui est une conséquence de la fatigue, le surmenage, et parfois par la pression de l'environnement comme bruit et chaleur. En fait, nous nous intéressons obligatoirement au diagnostic automatique, ce qui permet de détecter de façon précoce les anomalies, chose qui représente l'un des moyens sûr pour contribuer à l'amélioration de la productivité des différents secteurs. En effet, ce travail consiste à étudier les dispositifs de diagnostic automatique des machines asynchrones. Ce système de diagnostic est basé sur des techniques de l'intelligence artificielle afin de pouvoir classifier les défauts. Le processus d'identification de l'état de la machine est principalement fondé sur la reconnaissance et la comparaison des signaux acquis en temps réel.
Reconnaissance des défauts de la machine asynchrone
Les machines asynchrones sont omniprésentes dans les systèmes de production automatisé à cause de leur robustesse et leur facilitée de mise en oeuvre. Néanmoins, ces moteurs électriques concèdent tout de même des défauts (ex : court-circuit entre spires, barre rotoriques rompues) menant à des arrêts non planifiés. Par conséquent, les industries manufacturières investissent des ressources importantes afin de les éviter avec des programmes de maintenance qui sont partiellement inefficace. C'est dans ce contexte que, depuis plusieurs décennies, des chercheurs proposent des travaux permettant de diagnostiquer l'état des machines asynchrones. Cependant, les solutions ne donnent que très rarement la localisation et l'estimation du degré de sévérité des anomalies qui ne permet pas de prioriser les actions pour l'amélioration de la maintenance. De plus, la majorité des moyens de diagnostic ne sont pas adaptifs à d'autres gammes de moteur et les études ne prennent pas en compte la commande des machines asynchrones pour les applications à vitesse et couple variables. Ainsi, nous proposons dans cette thèse une nouvelle approche pour l'amélioration du processus de maintenance par la reconnaissance des défauts de la machine asynchrone reposant principalement sur l'exploitation des modèles d'intelligence artificielle. Celle-ci permettra de détecter, de localiser et d'estimer le degré de sévérité des anomalies du moteur grâce à ses courants statoriques. La solution donnée dans cet ouvrage est adaptif et surtout a été testé pour une machine possédant une commande et un asservissement de vitesse avec des différents profils de vitesse et couple variables. Pour ce faire, la recherche proposée exploite les modèles mathématiques de la machine asynchrone et de ses défauts afin de simuler les différents comportements de celle-ci. Les simulations serviront à créer des bases de données grâce à l'extraction de caractéristiques issue du traitement des signaux. Chacune des séries de données appartient à une catégorie décrivant le défaut du moteur. Par la suite, des algorithmes de classification permettront de reconnaître les anomalies de la machine asynchrone. Nous présentons également une approche hiérarchique qui améliore le taux de reconnaissance des défectuosités du moteur à induction. Ce projet se situant à la frontière des domaines du génie électrique, du génie informatique et des mathématiques constitue un défi complexe et formidable de recherche scientifique. Induction machines are omnipresent in production systems because of their sturdiness and their ease of implementation. Nevertheless, these electrical motors still concede failures (e.g. inter-turn short circuit, broken rotor bar), which may lead to unplanned shutdowns. Consequently, manufacturing industries invest significant resources to avoid them with maintenance, which is partially inefficient. In this context, some studies propose solutions to abnormal diagnostic conditions of the induction machine. Nevertheless, they rarely localize the defect and estimate the severity of the failure, which does not allow prioritizing action for the maintenance improvement. In addition, solutions are not adaptive for other motors, and studies do not include the control part very useful for speed and torque variable applications. Thus, in this thesis, we propose a new approach improving the maintenance process by the recognition of the induction machine failures. It relies mainly on Artificial Intelligence models and will allow to detect, localize and to estimate the degree of severity of the asynchronous motor faults thanks to the exploitation of current signals. The solution given in this project is adaptive and have been tested for induction machines operating with a speed and drives control. In addition, several speed and resistant torque profiles have been applied. To do this, the research proposed exploits the mathematical models of the induction machine operating under the healthy and faulty conditions. Simulations allow creating some datasets thanks to the feature extractions and the signals processing. Each vector of data belongs to a category describing the failure. Then, classification algorithms will recognize the induction machine defects. We also present a hierarchical approach, which improves the recognition rate. This project being a mix of electrical engineering, informatics and mathematic is a complex and amazing challenge of scientific research.