Contribution au diagnostic des systémes par les méthodes de traitement du signal avancées
| dc.contributor.author | Harida, Issam | |
| dc.date.accessioned | 2026-10-18T08:41:48Z | |
| dc.date.available | 2026-10-18T08:41:48Z | |
| dc.date.issued | 2026 | |
| dc.description.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. | |
| dc.format | ||
| dc.identifier.uri | https://dspace.univ-annaba.dz//handle/123456789/4857 | |
| dc.language.iso | Francais | |
| dc.publisher | Université Badji Mokhtar Annaba | |
| dc.subject | diagnostic des défauts; maintenance prédictive; systèmeèolien | fr |
| dc.title | Contribution au diagnostic des systémes par les méthodes de traitement du signal avancées | |
| dc.type | Thesis |