Apprentissage supervisé pour la détection des défauts des machines électriques (MAS)

Abstract

Squirrel-cage induction motors (IMs) are commonly used electrical motors in industry and known for their rugged construction, minimal maintenance cost and quick-to-install designs. Sadly, these motors are not immune to faults, such as rotor, stator or mechanical-related problems, which if not identified in a timely fashion, could result in prolonged downtimes, and/or severe industrial accidents. In this study, we propose using a machine learning method (supervised) to automatically identify and classify faults in induction motors. After thoroughly modeling the motors mathematically in a healthy and faulty state, a large set of time-domain and frequency-domain features was extracted from the vibration signals. This step relies on time and frequency analysis to identify the components representative of the different faults. After extraction of feature variables, four different machine learning methods were tested and compared: k-Nearest Neighbour (kNN), Random Forest (RF), Support Vector Machines (SVM) and Discriminant Analysis (Cdisc). Each of these classification algorithms was assessed based on accuracy, recall, F1 score and confusion matrix. The four approaches covered in this study were evaluated for their performance using MATLAB simulations. The best performing classifier was the Random Forest classifier which had a classification accuracy rate of 96.33% and performed next was the RBF Support Vector Machine at approximately 92.71%. -------------------------------------------------------------- المحرك اللامتزامن (MAS) ذو القفص السنجابي هو النوع الأكثر استخدامًا من الآلات الكهربائية على المستوى الصناعي نظرًا لمتانته، وتكلفة صيانته المنخفضة، وسرعة تركيبه. غير أن هذه الآلات معرضة لعدد من الأعطال الدورانية والسكونية والميكانيكية، والتي قد تؤدي، في حال عدم اكتشافها بسرعة، إلى توقفات مكلفة وحوادث صناعية خطيرة. تقترح هذه المذكرة مقاربة قائمة على التعلم الآلي الموجَّه (المُشرَف عليه) للكشف عن أعطال المحرك اللامتزامن وتصنيفها تلقائيًا. وبعد النمذجة الرياضية الكاملة للآلة اللامتزامنة في حالتي التشغيل السليم والمعطوب، تم استخراج مجموعة واسعة من الخصائص الزمنية والترددية من الإشارات الاهتزازية. وتعتمد هذه المرحلة على التحليل الزمني والترددي من أجل تحديد المركبات الممثلة لمختلف الأعطال. تم بعد ذلك تطبيق ومقارنة أربع خوارزميات للتصنيف الموجَّه: خوارزمية أقرب الجيران (kNN)، والغابة العشوائية (Random Forest)، وآلات المتجهات الداعمة (SVM)، والمصنف التمييزي (Cdisc). وقد تم تقييم أداء النماذج باستخدام عدة مؤشرات، من أبرزها الدقة، والاستدعاء، ومقياس F1، ومصفوفة الالتباس. وأظهرت المحاكاة المنجزة باستخدام MATLAB تفوق مصنف الغابة العشوائية الذي حقق دقة بلغت 96.33%، تلاه مصنف SVM بنواة RBF بدقة 92.71%. تؤكد هذه النتائج مدى ملاءمة تقنيات التعلم الموجَّه لتشخيص أعطال الآلات اللامتزامنة في البيئة الصناعية. ----------------------------------------------------------- Le Moteur Asynchrone (MAS) à cage d'écureuil est le type de machine électrique le plus utilisé à l'échelle industrielle pour leur robustesse, leur faible coût de maintenance et leur installation rapide. Ces machines sont cependant exposées à un certain nombre de défauts rotoriques, statoriques et mécaniques, pouvant entraîner des arrêts coûteux et des accidents industriels importants lorsqu'ils ne sont pas rapidement détectés. Ce mémoire propose une approche fondée sur l'apprentissage supervisé pour la détection et la classification automatique des défauts de la MAS. À la suite de la modélisation mathématique complète de la machine asynchrone dans ses états de fonctionnement sain et défaillant, un large ensemble de caractéristiques temporelles et fréquentielles a été extrait des signaux vibratoires. Cette étape s'appuie sur l'Analyse temporelle et fréquentielle afin d'identifier les composantes représentatives des différents défauts. Quatre algorithmes de classification supervisée sont ensuite appliqués et comparés : les k-plus proches voisins (kNN), la forêt aléatoire (Random Forest), les machines à vecteurs de support (SVM) et le classifieur Discriminant (Cdisc). Les performances des modèles sont évaluées à l'aide de plusieurs indicateurs, notamment la précision, le rappel, le score F1 et la matrice de confusion. Les simulations réalisées sous MATLAB mettent en évidence la supériorité du classifieur Random Forest, qui atteint une précision de 96,33 %, suivi du SVM à noyau RBF avec une précision de 92,71 %. Ces résultats confirment la pertinence des techniques d'apprentissage supervisé pour le diagnostic des défauts des machines asynchrones en environnement industriel.