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.