Approche hybride en intelligence artificielle pour un diagnostic fiable des défauts par analyse vibratoire multiples capteurs

Abstract

This study focuses on the intelligent diagnosis of ball bearing faults using vibration analysis and machine learning. Vibration signals were acquired from healthy and defective bearings exhibiting inner-race and outer-race faults under different operating conditions, including rotational speed, applied load, and measurement direction. The vibration signals were analyzed in both the time and frequency domains using a methodology based on the investigation of raw and filtered signals, spectral analysis through Fast Fourier Transform (FFT), and envelope analysis. This approach enabled the identification of the characteristic frequencies associated with bearing faults, particularly BPFO and BPFI. In addition, a hybrid feature-selection strategy combining statistical methods and machine learning techniques was implemented to identify the most discriminative variables. Finally, three intelligent classification models, namely Artificial Neural Networks (ANN), Support Vector Machines (SVM), and Random Forests (RF) based on decision-tree ensembles, were developed and evaluated using a nested cross-validation procedure. The obtained results demonstrated excellent classification performance, achieving accuracies of 98.15% for both SVM and RF models, and 96.30% for the ANN model. The findings confirm the effectiveness of combining vibration analysis, hybrid feature selection, and machine learning techniques for reliable and early bearing fault diagnosis. ----------------------------------------------------------------------- تتناول هذه الدراسة التشخيص الذكي لأعطال المحامل الكروية بالاعتماد على تحليل الاهتزاز والتعلم الآلي. تم اقتناء الإشارات الاهتزازية من محامل سليمة وأخرى معيبة تحتوي على عيوب في الحلقة الداخلية والخارجية، وذلك تحت ظروف تشغيل مختلفة تشمل سرعة الدوران، والحمل المطبق، واتجاه القياس . تم تحليل الإشارات الاهتزازية في المجالين الزمني والترددي باستخدام منهجية تعتمد على دراسة الإشارات الخام والمفلترة، والتحليل الطيفي باستعمال تحويل فورييه السريع (FFT)، بالإضافة إلى تحليل الغلاف. وقد أتاحت هذه المقاربة تحديد الترددات المميزة المرتبطة بأعطال المحامل، خاصة ترددي BPFO و .BPFIإضافةً إلى ذلك، تم اعتماد استراتيجية هجينة لاختيار الخصائص تجمع بين الطرق الإحصائية وتقنيات التعلم الآلي بهدف تحديد المتغيرات الأكثر تمييزًا. وأخيرًا، تم تطوير وتقييم ثلاثة نماذج ذكية للتصنيف، وهي الشبكات العصبية الاصطناعية (ANN)، وآلة المتجهات الداعمة (SVM)، والغابة العشوائية (RF) المعتمدة على مجموعة من أشجار القرار، وذلك باستخدام إجراء التحقق المتقاطع المتداخل (Nested Cross-Validation).. أظهرت النتائج أداءً عاليًا في التصنيف، حيث بلغت الدقة 98.15٪ لكل من نموذجي SVM وRF، و96.30٪ بالنسبة لنموذج ANN. تؤكد هذه النتائج فعالية الدمج بين التحليل الاهتزازي، والاختيار الهجين للخصائص، وتقنيات التعلم الآلي في التشخيص المبكر والدقيق لأعطال المحامل ---------------------------------------------------------------------- Cette étude porte sur le diagnostic intelligent des défauts de roulements à billes par analyse vibratoire et apprentissage automatique. Des signaux vibratoires ont été acquis à partir de roulements sains et défectueux présentant des défauts de bague intérieure et extérieure sous différentes conditions de fonctionnement (vitesse de rotation, charge et direction de mesure). Les signaux vibratoires ont été analysés dans les domaines temporel et fréquentiel à l’aide d’une méthodologie basée sur l’étude des signaux bruts et filtrés, l’analyse spectrale par transformée de Fourier rapide (FFT), ainsi que l’analyse d’enveloppe. Cette approche a permis d’identifier les fréquences caractéristiques des défauts de roulements, notamment la BPFO et la BPFI. Une stratégie hybride de sélection des caractéristiques combinant plusieurs méthodes statistiques et techniques d’apprentissage automatique a été appliquée pour identifier les variables les plus discriminantes. Trois modèles de classification intelligents, à savoir le réseau de neurones artificiels (ANN), la machine à vecteurs de support (SVM) et la forêt aléatoire ou bien forêt d’arbre de décision (RF), ont ensuite été développés et évalués à l’aide d’une validation croisée imbriquée. Les résultats obtenus montrent d’excellentes performances de classification avec des précisions atteignant 98.15 % pour les modèles SVM et RF, et 96.30 % pour le modèle ANN. Les résultats démontrent l’efficacité de la combinaison de l’analyse vibratoire, de la sélection hybride des caractéristiques et de l’apprentissage automatique pour le diagnostic précoce et fiable des défauts de roulements.