Diagnostic de défauts basé sur l'apprentissage automatique et profond dans les systèmes d’entraînement électrique

Abstract

This work addresses the problem of fault diagnosis in electric drive systems using machine learning and deep learning techniques. The study focuses specifically on stator inter-turn short-circuit (ITSC) faults and inverter open-circuit (OC) faults at the level of insulated-gate bipolar transistors (IGBTs). With the increasing complexity of modern electrical systems, early and accurate fault detection has become essential to ensure reliability, safety, and continuity of service. Traditional diagnostic methods have shown their limitations in handling massive volumes of data and complex fault patterns, which has motivated the use of intelligent approaches based on machine and deep learning. The objective of this work is to develop intelligent models capable of automatically extracting relevant features from electrical signals and classifying different types of faults with high accuracy. The proposed approaches were tested and validated under various operating and load conditions, demonstrating their ability to generalize and adapt to different scenarios. The obtained results confirm the effectiveness and robustness of the proposed approaches, making it a promising solution for real-time fault detection and diagnosis in electric drive systems. -------------------------------------------------------------- يتناول هذا العمل معضلة تشخيص الأعطال في أنظمة الدفع الكهربائية باستخدام تقنيات التعلم الآلي والتعلم العميق. وتركز الدراسة بشكل خاص على أعطال قصر الدائرة بين الملفات الدائرية (CCS) في الجزء الثابت (الاستاتور)، وأعطال الدائرة المفتوحة (CO) في العاكس (الإنفرتر) على مستوى الترانزستورات ثنائية القطب ذات البوابة المعزولة . (IGBT) ومع زيادة تعقيد الأنظمة الكهربائية الحديثة، أصبح الكشف المبكر والدقيق عن الأعطال أمرًا ضروريًا لضمان الموثوقية، والسلامة، واستمرارية الخدمة. وقد أظهرت طرق التشخيص التقليدية محدوديتها في التعامل مع كميات ضخمة من البيانات وأنماط الأعطال المعقدة، مما حفز استخدام المقاربات الذكية القائمة على التعلم الآلي والعميق. يهدف هذا العمل إلى تطوير نماذج ذكية قادرة على استخراج الميزات ذات الصلة تلقائيًا من الإشارات الكهربائية وتصنيف أنواع الأعطال المختلفة بدقة عالية. تم اختبار المقاربات المقترحة والتحقق من صحتها تحت ظروف تشغيل وأحمال متنوعة، مما أثبت قدرتها على التعميم والتكيف مع سيناريوهات مختلفة. وتؤكد النتائج التي تم الحصول عليها فعالية ومتانة المقاربات المقترحة، مما يجعلها حلًا واعدًا للكشف عن الأعطال وتشخيصها في الوقت الفعلي في أنظمة الدفع الكهربائية ----------------------------------------------------------------------------- Ce travail aborde le problème du diagnostic des défauts dans les systèmes d'entraînement électrique en utilisant des techniques d'apprentissage automatique et d'apprentissage profond. L'étude se concentre spécifiquement sur les défauts de court-circuit entre spires (CCS) du stator et les défauts de circuit ouvert (CO) de l'onduleur au niveau des transistors bipolaires à grille isolée (IGBT). Avec la complexité croissante des systèmes électriques modernes, la détection précoce et précise des défauts est devenue essentielle pour garantir la fiabilité, la sécurité et la continuité de service. Les méthodes de diagnostic traditionnelles ont montré leurs limites dans la gestion de volumes massifs de données et de schémas de défauts complexes, ce qui a motivé l'utilisation d'approches intelligentes basées sur l'apprentissage automatique et profond. L'objectif de ce travail est de développer des modèles intelligentscapables d'extraire automatiquement les caractéristiques pertinentes des signaux électriques et de classifier les différents types de défauts avec une grande précision. Les approches proposéesont été testées et validées sous diverses conditions de fonctionnementde charge, démontrant sa capacité de généralisation et d’adaptation à différents scénarios. Les résultats obtenus confirment l'efficacité et la robustesse des approches proposées, ce qui en fait une solution prometteuse pour la détection et le diagnostic des défauts en temps réel dans les systèmes d'entraînement électrique.