Surveillance et diagnostic des défauts des machines tournantes dans le domaine temps-fréquences utilisant les réseaux de neurones et la logique floue

Ces dernières années, la surveillance et le diagnostic des machines tournantes sont devenus un outil efficace pour détecter de façon précoce les défauts et en suivre 1‘évolution dans le temps. La maintenance des machines nécessite une bonne compréhension des phénomènes liés à l‘apparition et au développement des défauts. Détecter l‘apparition d‘un défaut à un stade précoce et suivre son évolution présente un grand intérêt industriel. En effet, il existe un vaste choix de techniques de traitement de signal appliquées au diagnostic des machines mais l‘opinion générale est que ces techniques ne sont pas suffisamment efficaces et fiables. L‘intérêt économique de mettre en place une méthode automatique de maintenance prévisionnelle favorise les programmes de recherche en techniques de traitement du signal. Les techniques de traitement du signal dans le domaine de temps et de fréquence peuvent être utilisées pour identifier et isoler les défauts dans une machine tournante. L‘analyse du spectre d‘un signal peut nous aider à détecter l‘apparition d‘un défaut tandis que la décomposition de ce signal dans le temps peut nous fournir la nature et la position de ce défaut. Bien que ces techniques s‘avèrent très utiles dans des cas simples et permettent la formulation rapide d‘un pré-diagnostic, elles présentent par contre un certain nombre d‘inconvénients qui peuvent conduire souvent à la formulation de diagnostics erronés. La localisation de l‘origine des chocs et des phénomènes de modulation et, en particulier, des événements non stationnaires ou cyclo-stationnaires nécessite la mise en oeuvre de techniques encore plus élaborées, basées sur l‘analyse tridimensionnelle (temps-fréquence-amplitude). En pratique, les signatures vibratoires mesurées à l‘aide de capteurs de vibration contiennent plusieurs composantes qui sont plus ou moins utiles à la caractérisation du signal, et rendent difficile l‘interprétation des résultats issus de ces analyses. Face à cette complexité grandissante, la recherche scientifique s‘est orientée vers l‘utilisation des méthodes intelligentes qui permettent de représenter l‘état de la machine dans un espace de grande dimension, pour faciliter la détermination de l‘état de cette machine.

Abstract

The machines monitoring and diagnosis using vibration analysis are an effective tool for early faults detection and continuous tracing of their evolution in time. Machine maintenance requires a good understanding of the phenomena related to the onset and development of faults. Detecting their occurrence at an early stage and following their evolution is of a great interest. There is a wide range of signal processing techniques applied to machines diagnosis, but the general opinion is that these techniques are not sufficiently effective and reliable. The economic interest to develop an automatic method of predictive maintenance promotes research programs in signal processing techniques. The current thesis objective is to propose an intelligent detection system for locating, detecting, and even classifying (identifying) faults in rotating machinery components. The intelligent systems previously developed have the same characteristics: they require advanced knowledge in computer science and signal analysis to be expanded and exploited and the establishment of a complex process for their deployment and operation. The architecture proposed in this study for this smart detection prototype seeks to facilitate as much as possible its use and configuration in order to minimize the associated costs. In the first step of this study, we participated to a development of an in-house software of signal processing in time, frequency, time-frequency and time-scale (wavelets) domain. To implement the efficiency of this program we proceeded to an experimental tests using a test rig which we conceived especially at École Polytechnique for this purpose and also industrial tests to determine the main causes of damage of different components in rotating machinery. For this purpose, several linear and bilinear distributions that the software contains were used. For an industrial tests, the Choi-Williams representation was selected as higher among all of the others distributions to transform temporal signals to time-frequency domain. Indeed, this representation presented lowest interference and cross term effects related to other representations. In this part of study, we have shown that most conventional methods such as the spectral analysis are applicable for a single defect on a simple machine components and that none of these methods can provide a precise answer to all the problems of machines diagnostic. We also demonstrated that time-frequency representation is a solution which can bring many advantages and facilitate diagnosis. Indeed, the choice of a distribution in industrial application depends on the concerned problem and none of these distributions can accurately resolve all problems.