Diagnostic des défauts des moteurs à induction basé sur les signatures vibratoires et le signal du courant

Abstract

The objective of the work presented in this study is to monitor and diagnose faults in induction motors. Within this framework, we identify several types of defects, including: bearing defects, the inbuilt rotor misalignment, the curved rotor, and the unbalanced rotor. For the detection of these defects, we implement a monitoring system based on artificial intelligence techniques, using an artificial neural network. For the learning and testing of this network, we use both time vibratory indicators from the vibration analysis and characteristics extracted from the current signal as inputs. The network output is an indicator indicating whether a fault exists or not. The neural network used is a multilayer perceptron, driven by the Levenberg-Marquardt algorithm, in order to optimize its performance for diagnosis. The results show that the performance of the artificial neural network is highly dependent on the choice of parameters and the quality of data used for learning and testing. In addition, a comparative analysis between current signals and vibration signals was carried out. This comparison revealed that current signals provide more accurate and reliable fault detection than vibration signals, underlining their effectiveness in induction motor monitoring and diagnostic systems. --------------------------------------------------------------------------- الهدف من العمل المقدم في هذه الدراسة هو مراقبة وتشخيص الأعطال في المحركات الحثية. وفي هذا الإطار، قمنا بتحديد عدة أنواع من العيوب، بما في ذلك: عيوب المحمل، واختلال محاذاة الدوار المدمج، والدوار المنحني، والدوار غير المتوازن. ولكشف هذه العيوب، قمنا بتنفيذ نظام مراقبة يعتمد على تقنيات الذكاء الاصطناعي، باستخدام شبكة عصبية اصطناعية. لتعلم واختبار هذه الشبكة، نستخدم كلاً من مؤشرات الاهتزاز الزمني من تحليل الاهتزاز والخصائص المستخرجة من الإشارة الحالية كمدخلات. مخرجات الشبكة هي مؤشر يشير إلى ما إذا كان هناك خطأ أم لا. الشبكة العصبية المستخدمة عبارة عن إدراك متعدد الطبقات، مدفوع بخوارزمية ليفينبيرج-ماركوارت، من أجل تحسين أدائها للتشخيص. أظهرت النتائج أن أداء الشبكة العصبية الاصطناعية يعتمد بشكل كبير على اختيار المعلمات وجودة البيانات المستخدمة للتعلم و الاختبار. بالإضافة إلى ذلك، تم إجراء تحليل مقارن بين إشارات التيار وإشارات الاهتزاز. كشفت هذه المقارنة أن الإشارات الحالية توفر اكتشافًا أكثر دقة وموثوقية للأخطاء من إشارات الاهتزاز، مما يؤكد فعاليتها في مراقبة المحركات الحثية وأنظمة التشخيص -------------------------------------------------------------------------- L’objectif du travail présenté dans cette étude est de surveiller et de diagnostiquer les défauts des moteurs à induction. Dans ce cadre, nous identifions plusieurs types de défauts, parmi lesquels : les défauts de roulement, le désalignement du rotor intégré, le rotor cintré, et le rotor déséquilibré. Pour la détection de ces défauts, nous mettons en œuvre un système de surveillance basé sur des techniques d’intelligence artificielle, utilisant un réseau de neurones artificiels. Pour l’apprentissage et le test de ce réseau, nous utilisons à la fois des indicateurs vibratoires temporels issus de l’analyse vibratoire et des caractéristiques extraites du signal de courant comme entrées. La sortie du réseau représente un indicateur signalant la présence ou l’absence de défaut. Le réseau de neurones utilisé est un perceptron multicouches, entraîné à l’aide de l’algorithme de Levenberg-Marquardt, afin d’optimiser ses performances pour le diagnostic. Les résultats obtenus montrent que les performances du réseau de neurones artificiels dépendent fortement du choix des paramètres ainsi que de la qualité des données utilisées pour l’apprentissage et les tests. En complément, une analyse comparative entre les signaux de courant et les signaux de vibration a été réalisée. Cette comparaison a révélé que les signaux de courant permettent une détection des défauts plus précise et plus fiable que les signaux de vibration, ce qui souligne leur efficacité dans les systèmes de surveillance et de diagnostic des moteurs à induction.