Contribution au diagnostic des systèmes par les méthodes de traitement du signal avancées

Le travail de thèse se divise en deux parties. La première se concentre sur l’analyse approfondie des défauts mécaniques courants affectant les entraînements électromécaniques des machines électriques, ainsi que sur le développement d’outils avancés de surveillance et de diagnostic pour ces défauts. La seconde partie s’appuie sur une campagne d’essais menée au laboratoire d’électromécanique, mettant en lumière les résultats expérimentaux validant l’efficacité d’une combinaison d’approches pour le diagnostic prédictif des défauts mécaniques. Cette validation repose sur l’analyse vibratoire et le traitement du signal d’un système éolien par l’analyse en ondelettes discrètes, ainsi que sur l’analyse du courant de ligne alimentant le stator d’un moteur à induction à l’aide de techniques d’intelligence artificielle. La recherche comparera les performances de la méthode réseau de neurones profond (DNN) avec celles des méthodes de Machine Learning (ML) telles que le k plus proches voisins (k-NN), les machines à vecteurs de support (SVM) et les arbres de décision (DT), mettant en évidence les avantages potentiels de l’apprentissage profond pour le diagnostic des défauts dans les systèmes électromécaniques.

Contribution à la surveillance des défaillances dans la transmission mécanique des systèmes industriels entrainés par un moteur triphasé à induction

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, interprétabilité et applicabilité industrielle.