Constellation, le dépôt institutionnel de l'Université du Québec à Chicoutimi

Résumé

Les machines asynchrones sont omniprésentes dans les systèmes de production automatisé à cause de leur robustesse et leur facilitée de mise en oeuvre. Néanmoins, ces moteurs électriques concèdent tout de même des défauts (ex : court-circuit entre spires, barre rotoriques rompues) menant à des arrêts non planifiés. Par conséquent, les industries manufacturières investissent des ressources importantes afin de les éviter avec des programmes de maintenance qui sont partiellement inefficace. C’est dans ce contexte que, depuis plusieurs décennies, des chercheurs proposent des travaux permettant de diagnostiquer l’état des machines asynchrones. Cependant, les solutions ne donnent que très rarement la localisation et l’estimation du degré de sévérité des anomalies qui ne permet pas de prioriser les actions pour l’amélioration de la maintenance. De plus, la majorité des moyens de diagnostic ne sont pas adaptifs à d’autres gammes de moteur et les études ne prennent pas en compte la commande des machines asynchrones pour les applications à vitesse et couple variables. Ainsi, nous proposons dans cette thèse une nouvelle approche pour l’amélioration du processus de maintenance par la reconnaissance des défauts de la machine asynchrone reposant principalement sur l’exploitation des modèles d’intelligence artificielle. Celle-ci permettra de détecter, de localiser et d’estimer le degré de sévérité des anomalies du moteur grâce à ses courants statoriques. La solution donnée dans cet ouvrage est adaptif et surtout a été testé pour une machine possédant une commande et un asservissement de vitesse avec des différents profils de vitesse et couple variables. Pour ce faire, la recherche proposée exploite les modèles mathématiques de la machine asynchrone et de ses défauts afin de simuler les différents comportements de celle-ci. Les simulations serviront à créer des bases de données grâce à l’extraction de caractéristiques issue du traitement des signaux. Chacune des séries de données appartient à une catégorie décrivant le défaut du moteur. Par la suite, des algorithmes de classification permettront de reconnaître les anomalies de la machine asynchrone. Nous présentons également une approche hiérarchique qui améliore le taux de reconnaissance des défectuosités du moteur à induction. Ce projet se situant à la frontière des domaines du génie électrique, du génie informatique et des mathématiques constitue un défi complexe et formidable de recherche scientifique.

Induction machines are omnipresent in production systems because of their sturdiness and their ease of implementation. Nevertheless, these electrical motors still concede failures (e.g. inter-turn short circuit, broken rotor bar), which may lead to unplanned shutdowns. Consequently, manufacturing industries invest significant resources to avoid them with maintenance, which is partially inefficient. In this context, some studies propose solutions to abnormal diagnostic conditions of the induction machine. Nevertheless, they rarely localize the defect and estimate the severity of the failure, which does not allow prioritizing action for the maintenance improvement. In addition, solutions are not adaptive for other motors, and studies do not include the control part very useful for speed and torque variable applications. Thus, in this thesis, we propose a new approach improving the maintenance process by the recognition of the induction machine failures. It relies mainly on Artificial Intelligence models and will allow to detect, localize and to estimate the degree of severity of the asynchronous motor faults thanks to the exploitation of current signals. The solution given in this project is adaptive and have been tested for induction machines operating with a speed and drives control. In addition, several speed and resistant torque profiles have been applied. To do this, the research proposed exploits the mathematical models of the induction machine operating under the healthy and faulty conditions. Simulations allow creating some datasets thanks to the feature extractions and the signals processing. Each vector of data belongs to a category describing the failure. Then, classification algorithms will recognize the induction machine defects. We also present a hierarchical approach, which improves the recognition rate. This project being a mix of electrical engineering, informatics and mathematic is a complex and amazing challenge of scientific research.