Compte tenu de la fréquence d’utilisation des machines asynchrones dans le domaine industriel, la détection précoce des défauts dans ces machines est devenue un enjeu économique très important. Le travail présenté dans ce mémoire expose l'apport des méthodes de reconnaissance des formes au diagnostic des défauts des machines asynchrones.
Pour aborder l'étude, nous avons établi un état de l'art des défauts pouvant intervenir dans la machine asynchrone et des méthodes classiques permettant de les identifier. Ce travail préliminaire a mis en évidence deux catégories d’approches en vue du diagnostic spécifique de la machine asynchrone :
• le premier type d’approches consiste à utiliser des modèles analytiques du processus machine asynchrone. Ceux-ci fournissent une estimation en ligne des grandeurs non mesurables, inhérentes à la machine et variant en fonction des états de cette dernière.
• la seconde catégorie d’approches consiste à analyser les signaux mesurés sur la machine en cours de fonctionnement. Les analyses sont réalisées, pour la plupart, dans le domaine fréquentiel et en régime permanent.
Les informations issues de ces analyses permettent souvent une identification efficace des défaillances présentes au stator, au rotor et sur les paliers (roulements).
Cette première étude est typiquement du ressort de l’expert du processus qu’il faut surveiller. Elle permet d’acquérir une connaissance substantielle de la machine asynchrone, de partir sur une première base de mesures directes ou indirectes accessibles sur la machine. Mais cette expertise ne résout pas en elle-même la problématique du diagnostic automatique des défauts ; elle sert de point de départ à la mise en place d’un éventuel système de décision.
La deuxième partie du travail de la thèse consiste à introduire la procédure de mise en oeuvre d’un système de décision basé sur la reconnaissance des formes. Cette méthodologie est générique. En effet, elle peut s’appliquer à tout système complexe (êtres humains, réseaux téléphoniques, véhicules automobiles…) et n’est donc pas spécifique au problème de la machine asynchrone. Le mécanisme de mise en place d’un système de diagnostic à base de reconnaissance des formes nécessite l’existence d’une bibliothèque de mesures réalisées sur le processus et totalement étiquetées. Un ensemble d’apprentissage et un ensemble de test, totalement disjoints, en sont extraits. L’ensemble d’apprentissage est utilisé pour effectuer le choix des paramètres pertinents par rapport aux défauts recherchés.
L’analyse en composantes principales, le critère de Fisher ou les autres méthodes citées dans cette thèse donnent des indicateurs permettant de juger la qualité des paramètres retenus. Ceux-ci sont rassemblés dans un vecteur forme, appelé aussi signature caractéristique du processus à surveiller. Sur la base de cette signature sont alors construits un espace de représentation des échantillons mesurés sur le processus, puis un espace de décision permettant d’identifier une structure de classes caractérisant géométriquement les différents modes de fonctionnement de l’ensemble d’apprentissage. L’ajout d’une règle de décision permet de classer automatiquement une nouvelle mesure ou observation, c’est à dire de décider automatiquement du mode de fonctionnement que représente cette mesure.
L’algorithme des k – plus proches voisins (k – PPV) consiste à associer une mesure à la classe majoritairement représentée parmi les mesures voisines les plus proches.
Au niveau de l’application nous nous sommes intéresses à l’affectation d’une nouvelle observation retenue sur une machine asynchrone avec deux barres cassées en charge, tout en appliquant la méthode d’analyse en composantes principales afin de mieux séparer les différentes classes relatives aux différents modes de fonctionnement, ainsi le calcul du critère de Fisher pour chaque paramètre du vecteur forme. En effet le vecteur forme est en fin réduit à trois paramètres plus pertinents, qui à leur tour ont permet une bonne affectation de la nouvelle signature en se basant sur une base de données contenant un programme MATLAB.
En conclusion, ce travail a permis de monter l'efficacité de l'application des méthodes de reconnaissance des formes au diagnostic des machines asynchrones. Ici seuls ont été abordés les défauts sur la machine d’entraînement, sans tenir compte de l’apparition par exemple d’un défaut au niveau de réseau d’alimentation et de sa répercussion sur le fonctionnement de la machine. La possibilité d'étendre ces méthodes à une approche globale du diagnostic des systèmes électriques ne fait aucun doute.
Les travaux réalisés dans le cadre de cette thèse pourraient donner lieu à des études supplémentaires sur plusieurs points :
• Calculer d'autres paramètres avec des méthodes de traitement des signaux plus performantes, pour améliorer la pertinence du vecteur forme. Et chercher des signatures spécifiques au régime transitoire.
• Utiliser ces machines en alimentation onduleur.
• Rechercher de nouvelles méthodes, sans modèles en particulier, utilisant les réseaux neuronaux, la logique floue…
Pour aborder l'étude, nous avons établi un état de l'art des défauts pouvant intervenir dans la machine asynchrone et des méthodes classiques permettant de les identifier. Ce travail préliminaire a mis en évidence deux catégories d’approches en vue du diagnostic spécifique de la machine asynchrone :
• le premier type d’approches consiste à utiliser des modèles analytiques du processus machine asynchrone. Ceux-ci fournissent une estimation en ligne des grandeurs non mesurables, inhérentes à la machine et variant en fonction des états de cette dernière.
• la seconde catégorie d’approches consiste à analyser les signaux mesurés sur la machine en cours de fonctionnement. Les analyses sont réalisées, pour la plupart, dans le domaine fréquentiel et en régime permanent.
Les informations issues de ces analyses permettent souvent une identification efficace des défaillances présentes au stator, au rotor et sur les paliers (roulements).
Cette première étude est typiquement du ressort de l’expert du processus qu’il faut surveiller. Elle permet d’acquérir une connaissance substantielle de la machine asynchrone, de partir sur une première base de mesures directes ou indirectes accessibles sur la machine. Mais cette expertise ne résout pas en elle-même la problématique du diagnostic automatique des défauts ; elle sert de point de départ à la mise en place d’un éventuel système de décision.
La deuxième partie du travail de la thèse consiste à introduire la procédure de mise en oeuvre d’un système de décision basé sur la reconnaissance des formes. Cette méthodologie est générique. En effet, elle peut s’appliquer à tout système complexe (êtres humains, réseaux téléphoniques, véhicules automobiles…) et n’est donc pas spécifique au problème de la machine asynchrone. Le mécanisme de mise en place d’un système de diagnostic à base de reconnaissance des formes nécessite l’existence d’une bibliothèque de mesures réalisées sur le processus et totalement étiquetées. Un ensemble d’apprentissage et un ensemble de test, totalement disjoints, en sont extraits. L’ensemble d’apprentissage est utilisé pour effectuer le choix des paramètres pertinents par rapport aux défauts recherchés.
L’analyse en composantes principales, le critère de Fisher ou les autres méthodes citées dans cette thèse donnent des indicateurs permettant de juger la qualité des paramètres retenus. Ceux-ci sont rassemblés dans un vecteur forme, appelé aussi signature caractéristique du processus à surveiller. Sur la base de cette signature sont alors construits un espace de représentation des échantillons mesurés sur le processus, puis un espace de décision permettant d’identifier une structure de classes caractérisant géométriquement les différents modes de fonctionnement de l’ensemble d’apprentissage. L’ajout d’une règle de décision permet de classer automatiquement une nouvelle mesure ou observation, c’est à dire de décider automatiquement du mode de fonctionnement que représente cette mesure.
L’algorithme des k – plus proches voisins (k – PPV) consiste à associer une mesure à la classe majoritairement représentée parmi les mesures voisines les plus proches.
Au niveau de l’application nous nous sommes intéresses à l’affectation d’une nouvelle observation retenue sur une machine asynchrone avec deux barres cassées en charge, tout en appliquant la méthode d’analyse en composantes principales afin de mieux séparer les différentes classes relatives aux différents modes de fonctionnement, ainsi le calcul du critère de Fisher pour chaque paramètre du vecteur forme. En effet le vecteur forme est en fin réduit à trois paramètres plus pertinents, qui à leur tour ont permet une bonne affectation de la nouvelle signature en se basant sur une base de données contenant un programme MATLAB.
En conclusion, ce travail a permis de monter l'efficacité de l'application des méthodes de reconnaissance des formes au diagnostic des machines asynchrones. Ici seuls ont été abordés les défauts sur la machine d’entraînement, sans tenir compte de l’apparition par exemple d’un défaut au niveau de réseau d’alimentation et de sa répercussion sur le fonctionnement de la machine. La possibilité d'étendre ces méthodes à une approche globale du diagnostic des systèmes électriques ne fait aucun doute.
Les travaux réalisés dans le cadre de cette thèse pourraient donner lieu à des études supplémentaires sur plusieurs points :
• Calculer d'autres paramètres avec des méthodes de traitement des signaux plus performantes, pour améliorer la pertinence du vecteur forme. Et chercher des signatures spécifiques au régime transitoire.
• Utiliser ces machines en alimentation onduleur.
• Rechercher de nouvelles méthodes, sans modèles en particulier, utilisant les réseaux neuronaux, la logique floue…
Aucun commentaire:
Enregistrer un commentaire