Contribution au diagnostic des défauts mécaniques dans les machines asynchrones: application à la surveillance de l'excentricité du rotor et des roulements à billes

Abstract

Abstract : This thesis focuses on the advanced fault diagnosis of induction machines, particularly targeting three common fault types: eccentricity, bearing defects, and rotor bar breakages (RBR). The main goal is to develop reliable, efficient, low-cost, and real-time diagnostic methods to support predictive maintenance in industrial environments. Following an in-depth theoretical study of motor behavior and fault detection techniques, several innovative approaches have been proposed: 1. Motor Current Signature Analysis (MCSA) to identify characteristic frequency components. 2. A hybrid DWT–FFT method to enhance diagnostic sensitivity in noisy environments. 3. A Wavelet Packet Transform (WPT)–Eigenvalue Energy (EEV) approach for detecting bearing defects under no-load conditions. 4. The use of MobileNetV2 deep learning network, combined with classical classifiers (SVM, DT, RF), for the automatic classification of eccentricity faults, achieving up to 98.21% accuracy with MobileNetV2–DT under no-load conditions. Experimental results, based on signals acquired under various operating conditions, demonstrated significant improvements in fault detection and classification performance, paving the way for intelligent predictive maintenance systems. Résumé :

Cette thèse est consacrée au diagnostic avancé des défauts des machines asynchrones, en se concentrant sur trois types de défauts fréquents : l’excentricité, les défauts de roulements et les cassures de barres du rotor (RBR). L’objectif principal est de développer des méthodes de diagnostic fiables, efficaces, peu coûteuses et capables de fonctionner en temps réel, afin de renforcer la maintenance prédictive dans un environnement industriel. Après une étude théorique approfondie du comportement des moteurs à induction et des techniques de détection, plusieurs approches innovantes ont été proposées : 1. L’analyse des signatures de courant (MCSA) pour identifier les composantes fréquentielles caractéristiques. 2. Une méthode hybride DWT–FFT pour améliorer la sensibilité du diagnostic en présence de bruit. 3. Une méthode basée sur la décomposition en paquets d’ondelettes (WPT) combinée à l’énergie des valeurs propres (EEV) pour détecter les défauts de roulements, même sans charge. 4. L’utilisation du réseau profond MobileNetV2, combiné aux classifieurs classiques (SVM, DT, RF), pour la classification automatique des défauts d’excentricité, atteignant jusqu’à 98,21 % de précision avec MobileNetV2–DT sans charge. Les résultats expérimentaux, obtenus à partir de signaux mesurés dans différentes conditions de fonctionnement, ont montré une amélioration significative des performances de détection et de classification, ouvrant la voie à des systèmes intelligents de maintenance prédictive. الملخص: تركّز هذه الأطروحة على التشخيص المتقدم للأعطال في المحركات غير المتزامنة، مع التركيز بشكل خاص على ثلاثة أنواع شائعة من الأعطال: اللامركزية (Excentricité)، أعطال المحامل، وكسر قضبان الدوار (RBR). الهدف الرئيسي هو تطوير طرق تشخيص تكون موثوقة وفعّالة ومنخفضة التكلفة وقابلة للتنفيذ في الزمن الحقيقي، من أجل دعم الصيانة التنبؤية في البيئات الصناعية. بعد دراسة نظرية معمقة لسلوك المحركات وتقنيات الكشف عن الأعطال، تم اقتراح عدة منهجيات مبتكرة، من بينها: 1. تحليل توقيع التيار (MCSA) لاستخراج الترددات المميزة للأعطال. 2. منهجية هجينة تجمع بين تحويل المويجات المنفصلة (DWT) وتحويل فورييه السريع (FFT) لتحسين دقة الكشف في وجود الضجيج. 3. استخدام تحويل الحزم المويجي (WPT) مع طاقة القيم الذاتية (EEV) للكشف عن أعطال المحامل حتى بدون حمل. 4. تطبيق شبكة MobileNetV2 العميقة مع مصنفات تقليدية SVM و DT و RF لتصنيف أعطال اللامركزية تلقائيًا، محققة دقة تصل إلى 98.21٪ مع MobileNetV2–DT في حالة عدم وجود حمل. أظهرت النتائج التجريبية المستخلصة من إشارات حقيقية تحت ظروف تشغيل متعددة، تحسنًا كبيرًا في أداء التشخيص والتصنيف، مما يمهّد الطريق نحو أنظمة صيانة تنبؤية ذكية.