Please use this identifier to cite or link to this item: http://archives.univ-biskra.dz/handle/123456789/28866
Title: Contribution au diagnostic des défauts de la machine asynchrone
Authors: GUEDIDI_ASMA
Keywords: Moteur asynchrone, Excentricité mixte, cassure de barres rotoriques, court-circuit, transformée en ondelettes discrète (TOD)
variationel mode décomposition (VMD), réseaux de neurone artificiel (RNA), réseaux de neurones conventionnel .
Issue Date: Jun-2024
Publisher: Université Mohamed Khider-Biskra
Abstract: Les moteurs à induction (MI) sont répandus dans les applications industrielles et domestiques. La mise en oeuvre d'un système de surveillance automatique de l'état des MI s'avère indispensable pour une détection précoce. Cette stratégie proactive vise à prévenir les dysfonctionnements des machines et les pannes potentiellement catastrophiques. Malgré des décennies de recherche utilisant diverses approches pour le diagnostic des défauts de MI, l'identification précise des défauts reste une tâche complexe en raison des chemins de transmission complexes des signaux et de l'influence du bruit ambiant. L'objectif principal de cette thèse est de créer un système intelligent innovant qui améliore la fiabilité de la surveillance de l'état de santé du moteurs à induction en considérant deux cas : 1) Le premier vise à concevoir un système automatisé de diagnostic de pannes utilisant des modèles de ANN pour faire face aux complication des données qui se chevauchent dans l'identification des défauts comme la cassure des barres de la cage d’écureuil, l’excentricité et le court-circuit. Diverses techniques de traitement du signal sont intégrées au système pour affiner et optimiser la précision du diagnostic pour une détection plus efficace des défauts. 2) Le second vise à créer un diagnostic de panne automatisé basé sur des modèles de réseaux neuronaux conventionnels. Dans cette partie, nous nous sommes intéressés à l’amélioration des performances des systèmes de diagnostic. À cette issue, deux solutions ont été proposées. En premier temps, on vise à renforcer la qualité des images par la fusion des images de données avec la carte d’information. Dans un second temps, nous nous sommes concentrées sur l’architecture d’un modèle amélioré de SqueezNet associé avec un bloc d’attention qui donne une grande précision dans la classification des images. Ce modèle a été validées par des données relatives aux défauts de court-circuit et d’excentricité. Les résultats obtenus sont surprenants.
URI: http://archives.univ-biskra.dz/handle/123456789/28866
Appears in Collections:Département de Génie Electrique

Files in This Item:
File Description SizeFormat 
GUEDIDI_ASMA.pdf13,19 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.