Contribution au diagnostic des défauts de la machine asynchrone

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.