Contribution à la surveillance des défaillances dans la transmission mécanique des systèmes industriels entrainés par un moteur triphasé à induction
No Thumbnail Available
Date
2025-12-17
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Université Badji Mokhtar Annaba
Abstract
Dans un contexte industriel où la fiabilité des transmissions mécaniques conditionne directement la performance globale des systèmes, ce travail s’inscrit dans une démarche de renforcement des capacités de diagnostic et de maintenance prédictive (PHM) face à la complexité croissante des défauts rencontrés. L’objectif est de développer une approche méthodologique innovante, robuste et interprétable, capable d’identifier et d’isoler des défauts multiples et simultanés affectant conjointement les engrenages, les arbres de transmission et les roulements. Ces défauts, souvent imbriqués et difficilement séparables dans les signaux vibratoires, posent un défi important pour les systèmes de surveillance classiques. En combinant une décomposition adaptative du signal (type CEEMDAN) à des réseaux de neurones convolutifs bayésiens (BCNN) structurés en branches spécialisées, cette étude propose un cadre hybride permettant d’extraire les signatures dynamiques pertinentes tout en quantifiant l’incertitude associée à chaque décision. L'approche met l’accent sur l’adaptabilité, la transparence algorithmique et la capacité à fonctionner dans des environnements industriels bruités et contraints. Validé sur un banc d’essai représentatif à travers le jeu de données PHM 2009, ce modèle montre des performances prometteuses pour le suivi intelligent des systèmes de transmission soumis à des scénarios de dégradation complexes. Ce travail ouvre ainsi la voie à des solutions de PHM de nouvelle génération, alliant rigueur scientifique, interopérabilité et applicabilité industrielle.
Description
Keywords
réseau neuronal de convolution bayésien; traitement empirique des signaux; diagnostic des défauts composés; boîte de vitesses; défaillance de la transmission mécanique