Reconnaissance des défauts de la machine asynchrone : application des modèles d’intelligence artificielle

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 ap