Diagnostic par RN Approfondie des défauts de roulement dans les moteurs à induction

Abstract

The aim of this study is to monitor and diagnose faults in induction motors. We have identified the potential faults of these motors, focusing specifically on bearing faults, which are the most common. To predict these faults, we have implemented a monitoring system based on artificial intelligence techniques and an artificial neural network. We used temporal vibration data obtained from vibration analysis as inputs to the network, and as output, an indicator signaling the presence or absence of a fault. The neural network used is a multilayer perceptron, trained using the Levenberg-Marquardt algorithm to determine the optimal configuration. Our results show that the choice of training and testing parameters is crucial for the performance of artificial neural networks as a diagnostic tool for induction motors. ---------------------------------------------------------------------------------- الهدف من هذه الدراسة هو مراقبة وتشخيص عيوب محركات الحث. لقد حددنا العيوب المحتملة لهذه المحركات، مركزين بشكل خاص على عيوب المحامل، التي تعتبر الأكثر شيوعًا. لتوقع هذه العيوب، قمنا بتنفيذ نظام مراقبة يعتمد على تقنيات الذكاء الاصطناعي وشبكة عصبية اصطناعية. لقد استخدمنا بيانات اهتزازية زمنية تم الحصول عليها من تحليل الاهتزاز كمدخلات للشبكة، وكمخرج، مؤشر يشير إلى وجود العيب أو عدمه. الشبكة العصبية المستخدمة هي شبكة متعددة الطبقات، المدربة باستخدام خوارزمية )ليفنبرغ-ماركواردت( لتحديد التكوين الأمثل. تظهر نتائجنا أن اختيار إعدادات التدريب والاختبار أمر بالغ الأهمية لأداء الشبكات العصبية الاصطناعية كأداة تشخيصية لمحركات الحث. --------------------------------------------------------------------------------- L’objectif de cette étude est de surveiller et diagnostiquer les défauts des moteurs à induction. Nous avons identifié les défauts potentiels de ces moteurs, en nous concentrant spécifiquement sur les défauts des roulements, les plus courants. Pour prédire ces défauts, nous avons mis en place un système de surveillance basé sur des techniques d'intelligence artificielle et un réseau de neurones artificiels. Nous avons utilisé des données vibratoires temporelles issues de l'analyse vibratoire comme entrées pour le réseau, et en sortie, un indicateur signalant la présence ou l'absence de défaut. Le réseau de neurones utilisé est un perceptron multicouche, entraîné à l'aide de l'algorithme de Levenberg-Marquardt pour déterminer la configuration optimale. Nos résultats montrent que le choix des paramètres d'apprentissage et de test est crucial pour les performances du réseau de neurones artificiels en tant qu'outil de diagnostic pour les moteurs à induction.