Contribution au diagnostic des systémes par les méthodes de traitement du signal avancées
No Thumbnail Available
Date
2026
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Université Badji Mokhtar Annaba
Abstract
Le présent travail de thése est structuré en deux parties complémentaires. La premiere est consacrée a l’ ́etude approfondie des principaux d ́efauts mecaniques affectant les entrainements ́electromécaniques des machines électriques, ainsi qu’au d ́eveloppement d’outils avanc ́es de surveillance et de diagnostic destin ́es `a am ́eliorer leur fiabilit ́e et leur disponibilit ́e. La seconde partie repose sur une campagne exp ́erimentale réalisée au laboratoire d’Electromécanique. Elle vise `a valider l’efficacit ́e de diff ́erentes approches de diagnostic prédictif appliquées aux d ́efauts m ́ecaniques. Cette validation s’appuie, d’une part, sur l’analyse vibratoire d’un systémeèolien `a l’aide de techniques de traitement du signal et, d’autre part, sur l’analyse de la signature du courant moteur (MCSA) ainsi que des signaux vibratoires d’un moteur `a induction au moyen de techniques d’intelligence artificielle. Les travaux men ́es permettent d’ ́etablir une comparaison d ́etaill ́ee entre les m ́ethodes de diagnostic bas ́ees sur le traitement du signal, notamment la transform ́ee de Fourier rapide (FFT) et la transformée en ondelettes discr`etes (DWT), et celles fond ́ees sur l’intelligence artificielle, en particulier l’apprentissage automatique (Machine Learning, ML), repr ́esent ́e par les k plus proches voisins (k-NN), les machines `a vecteurs de support (SVM) et les arbres de d ́écision (DT), ainsi que l’apprentissage profond (Deep Learning, DL), représent ́e par les réseaux de neurones profonds (DNN), les r ́eseaux de neurones convolutifs (CNN) et les reseaux de neurones r ́ecurrents de type Long Short-Term Memory (LSTM). Les performances de ces différentes approches sont ́evaluees et compar ́ees afin d’identifier leurs avantages et leurs limites, ainsi que de d ́éterminer leur pertinence pour la d'étection et le diagnostic des défauts mécaniques dans les systémes électromécaniques.
Description
Keywords
diagnostic des défauts; maintenance prédictive; systèmeèolien