Diagnostic vibratoire au service de la maintenance : de l’acquisition à la décision

Abstract

La reconnaissance automatique des défauts mécaniques et particulièrement la détection des niveaux de dégradation suscitent de nos jours un grand intérêt. En effet, on aurait à gagner en prédisant la durée de vie des éléments des machines pour une maintenance conditionnelle. Le travail que nous présentons dans cette thèse s’inscrit dans le cadre de l’automatisation du diagnostic moyennant les méthodes de reconnaissance de formes et de l’intelligence artificielle. Dans un premier temps, nous exposons la méthodologie adoptée pour la conception du système de reconnaissance automatique des défauts mécaniques pour ensuite, détailler les différentes étapes en allant de l’acquisition à la décision. En seconde partie, nous nous intéressons à la sélection d’indicateurs les plus pertinents et non redondants qui constituent une étape importante de l’élaboration du système. De plus, nous montrons l’avantage qu’il y a à utiliser le vecteur forme (VF) réduit par le biais des signaux réels et de la visualisation par analyse en composantes principales (ACP). Nous proposons alors, une méthode basée sur une hybridation des algorithmes génétiques (AGs) et de l’analyse discriminante linéaire (ADL). Enfin, trois algorithmes de classification ont été mis au point à savoir : 􀀹 les k plus proches voisins (k-ppv). 􀀹 le perceptron multicouches (PMC) 􀀹 les séparateurs a vaste marge (SVM). Ces choix sont dictés par le fait que le problème de diagnostic constitue un parfait exemple de problème de classification. Des tests de performance pour les cas sans et avec sélection d’indicateurs sont effectués. L’évaluation des résultats a été réalisée en se basant sur le taux d’observations bien classées et des signaux réels de roulements et d’engrenages d’un hélicoptère. Les meilleurs résultats ont été obtenus par l’utilisation des SVM. De bonnes performances ont aussi été obtenues par le couplage des AGs-ADL.