Optimisation de la Maintenance Conditionnelle Des Systèmes Mécaniques par Analyse Vibratoire

Abstract

Les installations industrielles deviennent de plus en plus complexes. La surveillance de leur état est essentielle pour la sécurité du système, les économies de coûts et l'accroissement de la productivité. Ceci nécessite d'avoir recours à des techniques de surveillance sophistiquées et hautement efficaces. Dans ce contexte, Le premier objectif de ce travail est d'appréhender expérimentalement le phénomène des vibrations au sein des machines tournantes, ainsi que la concrétisation de certains défauts courants tels que les déséquilibres et les défauts de roulement. Cependant, l'aspect le plus fondamental de ce travail réside dans le développement d'une nouvelle approche de diagnostic très efficace pour la détection précoce et précise des défauts de roulements, basée sur l'apprentissage par transfert. Pour atteindre cet objectif, premièrement, un banc d'essai a d'abord été conçu et construit, capable de simuler plusieurs défaillances mécaniques. D'autre part, nous avons développé un système d'acquisition de données à la fois simple et économique pour notre projet en utilisant un microcontrôleur Arduino UNO et un accéléromètre (ADXL-345). Deuxièmement, notre étude examine le transfert partiel de connaissances, pour le diagnostic de défauts de roulements, en gelant des couches selon des proportions variables pour tirer parti à la fois des stratégies de figement et d'affinement. Pour évaluer la stratégie proposée, trois modèles pré-entraînés distincts sont utilisés, à savoir ResNet-50, GoogLeNet et SqueezeNet. Chaque réseau est entraîné en utilisant trois optimiseurs différents : SGD, Adam et RMSprop. Les performances de la technique suggérée sont évaluées en termes de taux de classification des défauts, de spécificité, de précision et de temps d'entraînement. Les résultats de classification obtenus à l'aide des ensembles de données CWRU montrent que la technique proposée réduit le temps d'entraînement tout en améliorant l'exactitude du diagnostic, améliorant ainsi les performances du diagnostic des défauts de roulements.