Extraction des paramètres et classification dynamique dans le cadre de la détection et du suivi de défaut de roulements - TEL - Thèses en ligne Accéder directement au contenu
Thèse Année : 2016

EXTRACTION OF NEW FEATURES AND INTEGRATION OF DYNAMIC CLASSIFICATION TO IMPROVE BEARING FAULT MONITORING

Extraction des paramètres et classification dynamique dans le cadre de la détection et du suivi de défaut de roulements

Résumé

Vibration analysis remains the most popular and most effective tool for monitoring the internal state of an operating machine. Through vibration analysis, fault indicators are extracted then monitored to detect/ locate the presence of a defect. However, counting solely on the evolution of these fault indicators to diagnose a machine can cause false alarms and question the reliability of the diagnosis. In this thesis, we combined vibration analysis tools with pattern recognition method to firstly improve fault detection reliability of bearings, secondly to assess the severity of degradation by closely monitor the defect growth and finally to estimate their remaining useful life. For these reasons, we have designed a pattern recognition process capable of; identifying defect even in machines running under non stationary conditions, processing evolving data and can handle an online learning. Three dynamic classification methods have been developed: Dynamic DBSCAN was developed to capitalize on the time evolution of the data and their classes, Evolving Scalable DBSCAN that was created to include the online processing and finally Dynamic Fuzzy Scalable DBSCAN a dynamic fuzzy and semi-supervised version of ESDBSCAN. With these techniques we were are able to enhance the reliability of fault detection by identifying the origin of the fault indicators evolution. The application of the designed process on real data helped us prove the legitimacy of the proposed techniques in identifying the different states of bearings over time (healthy or normal, defective) and the origin of the observations' evolution with a low error rate, a reliable diagnosis and a low memory occupation.
Parmi les techniques utilisées en maintenance, l'analyse vibratoire reste l'outil le plus efficace pour surveiller l'état interne des machines tournantes en fonctionnement. En et l'état de chaque composant peut être caractérisé par un ou plusieurs indicateurs de défaut issus de l'analyse vibratoire. Le suivi de ces indicateurs permet de détecter le défaut. Cependant, l'évolution de ces indicateurs peut être influencée par d'autres paramètres. Cela peut provoquer des fausses alarmes et remettre en question la fiabilité du diagnostic. Cette thèse a pour objectif de combiner l'analyse vibratoire avec la méthode de reconnaissance des formes afin d'une part d'améliorer la détection de défaut de roulement et d'autre part de mieux suivre l'évolution de la dégradation dans le temps. Pour cela nous avons développé trois méthodes de classification dynamique : DynamicDBSCAN qui a été développée pour suivre les évolutions des classes, Evolving scalable DBSCAN qui représente une version en ligne et évolutive de DBSCAN et finalement Dynamic Fuzzy Scalabale DBSCAN qui est une version dynamique et floue ESDBSCAN adaptée pour un apprentissage en ligne. Ces méthodes distinguent les variations des observations liées au changement du mode de fonctionnement de la machine (variation de charges) et les variations liées au défaut. Ainsi, Elles permettent de détecter, de façon précoce, l'apparition de défaut. L'application sur des données réelles a permis d'identifier les différents états du roulement au cours du temps (sain ou normal, défectueux) et l'évolution des observations liée à la variation de charges avec un taux d'erreur faible et d'établir un diagnostic fiable.
Fichier principal
Vignette du fichier
45177_KERROUMI_2016_archivage.pdf (5.17 Mo) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)
Loading...

Dates et versions

tel-02883202 , version 1 (28-06-2020)

Identifiants

  • HAL Id : tel-02883202 , version 1

Citer

Sanaa Kerroumi. Extraction des paramètres et classification dynamique dans le cadre de la détection et du suivi de défaut de roulements. Traitement du signal et de l'image [eess.SP]. Université de Reims Champagne-Ardenne, 2016. Français. ⟨NNT : ⟩. ⟨tel-02883202⟩

Collections

URCA CRESTIC
111 Consultations
341 Téléchargements

Partager

Gmail Facebook X LinkedIn More