Smaller Default Larger

Soutenance de Benzahioul Samia

République Algérienne Démocratique Et Populaire

Ministère De L’enseignement Supérieur Et De La Recherche Scientifique

Université 20 août 1955- Skikda

Faculté De Technologie

Département génie Mécanique

 

Thèse présentée par Benzahioul Samia en vue de l’obtention du diplôme de Doctorat en sciences En Génie mécanique, spécialité: Electromécanique

ThèmeSurveillance et Diagnostic de Défauts Dans les Systèmes Electriques 

 

Soutenue publiquement le   **/**/****

Devant le jury composé de :

 Président : 

          Dr. M. LEGOUIRA                           Pr.  Université du 20 Août 1955-Skikda

 Rapporteur :  

           Dr. A. METATLA                              M.C Université 20 Août 1955- Skikda

 Examinateurs :

            Dr. Y. SOUFI                                     M.C Université de Tébessa

            Dr. Y. KOURD                                  M.C Université de Souk Ehrass

            Dr. R. KELAIA                                  M.C Université 20 Août 1955- Skikda

 

 

Résumé en arabe, français & anglais:

Abstract

 

In this work we have presented new approaches to the monitoring and diagnosis of defects in the induction motor by two major diagnostic families, one based on a reference model such as structured residual analysis, spectral analysis and parametric estimation.

 

The second family of approaches used in this work those without reference model such as Machine Learning.

 

 The structured residual method and frequency analysis are used for the detection and identification of bar breaking defects, ring portions and different types of eccentricity defects. The method based on the parametric estimation presented in this work used for detect the short circuit fault of the stator windings.

 

The methods of artificial intelligence (Machines Learning) presented in this work are used to detect and classify rolling faults, bar breaks and short circuit faults from a real database.

 

 

Résumé

 

Dans ce travail nous avons présenté de techniques de  surveillance et diagnostic de défauts dans la machine asynchrone (moteur à induction) par deux grandes familles de diagnostic l’une est basée sur un modèle de référence telle que, l’analyse des résidus structurés, l’analyse spectrale et l’estimation paramétriques, et l’autre sans modèle de référence, comme les techniques basées sur les Machines Learning.

La méthode des résidus structurés et l’analyse fréquentielle sont utilisées pour la détection et l’identification de défauts de cassure de barre, portion d’anneaux et les différents types de défauts d’excentricité. La méthode basée sur l’estimation paramétrique utilisée dans ce travail pour objectif de détecter le défaut de court circuit dans ‘une bobine à noyau de fer.

La méthode d’intelligence artificielle (Machines Learning) développée dans ce travail, est utilisée pour détecter et classifier les défauts de roulement, cassure de barre et le défaut de court circuit à partir d’une base de données réelle.

Les résultats expérimentaux obtenus montrent la robustesse et la précision des méthodes présentes dans cette thèse pour la détection et le diagnostic de défauts dans le moteur à induction.

 

الملخص

 

تعتبر المحركات الكهربائية الغير متزامنة الأكثر استعمالا في الوسط الصناعي و هذا راجع إلى قوتها و صلابتها, و كذلك تكلفة إنشاؤها و صيانتها مقارنة بالمحركات الكهربائية الأخرى, خلال عملها المحركات الكهربائية تخضع لعدة اجهادات مما ينجر عنها في بعض الأحيان إعطاب لأسباب عدة منها كهربائية, ميكانيكية, ....ألخ.

 

 هذه الإعطاب تنعكس مباشرة على مردود المحركات الكهربائية و بالطبع على الإنتاجية, لهده الأسباب قام الاختصاصيون و الباحثون في هذا المجال من تطوير استعمال تقنيات حديثة من اجل الكشف عن الأخطاء و تشخيصها في بدايتها قبل آن تتطور و تؤثر على المردود مما ينجر عنها في بعض الحالات التوقف الكامل عن العمل و هدا ينعكس سلبا على الإنتاجية

 

في هذا البحث العلمي قدمنا عدة تقنيات حديثة للكشف وتشخيص العيوب في المحرك الكهربائية, و قد اقترحنا أربع تقنيات حديثة للكشف و تشخيص الإعطاب في المحركات الكهربائية.  

 

التقنية الأولي : تقوم بالتشخيص على أساس معالجة الإشارة و المتابعة للمقادير الفيزيائية و التغييرات التي تطرأ على المقادير الفيزيائية مع تغير الزمن.  

 

التقنية الثانية: تعتمد على النماذج الرياضية و ترتكز أساسا على مقارنة الارتياب في الحالة العادية للمحرك (في غياب الخطأ) وحالة المحرك في وجود الخطأ.

 

التقنية الثالثة: تعتمد على النماذج الرياضية و أساسا على المتابعة اللحظية للتغييرات التي تطرأ على المقادير الفيزيائية  في حالة و جود الأخطاء.

 

التقنية الرابعة: و ترتكز على استعمال قاعدة بيانات حقيقية و تطبيق تقنية الذكاء الاصطناعي و معالجة الصورة من اجل ترتيب عدة أنواع من الأخطاء في المحرك الكهربائي.

 

النتائج المتحصل عليها في هدا البحث علمي كفيلة بالكشف و تشخيص الأخطاء على مستوى المحركات الكهربائية بدقة عالية و يبقى العمل مفتوح من اجل تطوير طرق أخرى و تعميمها على الأنظمة الكهربائية. 

 

 

Contacts de la Faculté

   BP 26 Route d'El-Hadaiek 21000 Skikda - ALGERIE

 

      Plan d'accès

 

  +213 38 72 31 29

 

  fac.techno@univ-skikda.dz

 

Accès Directs

Adresse: