Analyse de la signature du courant pour la detection et la classification de defaurts de roulement dans les machines electriques

الموضوعات

علوم تطبيقية وتكنولوجية

الملخص

la détection précoce de défauts dans les machines électriques reste un enjeu très important, la maintenance devant être prédictive. Les défauts mécaniques et entre autre les défauts de roulement sont les plus fréquents. L’analyse du courant statorique (Motor Current Signature Analysis) permet d’apporter un élément de solution pour la détection des défauts.Un défaut produisant une modification du spectre du courant, un nouvel outil de traitement et d’analyse des signaux non- stationnaire, la transformée de Hilbert- Huang (THH), a été utilisée pour ce but. Le signal étant décomposé en signaux, les IMF, pour lesquels la notion de fréquence instantanée a un sens. Le spectre marginal de Hilbert- Huang permet de représenter les fréquences instantanées présentes, et ainsi pouvoir détecter un défaut éventuel par analyse de la signature du courant. Dans la seconde étape pour classer les différents défauts de roulement, nous avons modélisé, par un modèle AR, l’IMF 2 du courant. En utilisant trois techniques de classification (Approche Distance, Réseau de Neurone et SVM) les résultats obtenus sont très intéressants.

روابط وملفات

التعريف والنوع

رقم الوثيقة

043ab747-5ce9-4359-ac8b-7ecd692f4d54

رقم العقد

0

نوع الوسائط

Crawler

نوع المحتوى

الرسائل العلمية

صيغة المصدر

رسائل ماجيستير

نوع الملف

pdf image

أسماء الملفات

043ab747-5ce9-4359-ac8b-7ecd692f4d54_1.pdf

بيانات النشر

ألقاب المؤلفين

[{"name_ar":"Aïda Kabla","title_ar":"اعداد","title_en":"Preparation"},{"name_ar":"كريم موكرانى ","title_ar":"اشراف","title_en":"Supervision"}]

اللغة

French

المصدر والدورية

اسم المصدر

Analyse de la signature du courant pour la detection et la classification de defaurts de roulement dans les machines electriques

المحتوى والصفحات

عدد الصفحات

0

ترجمة الملخص

Early detection of faults in electric machines is nowadays a very important issue, maintenance must be predictive. Rolling defects, among mechanical defects, are the most frequent. Analysis of stator current (Motor Current Signature Analysis) can provide a solution for the detection of defects. A defect producing a change in the current spectrum, a new tool for processing and analysis of non-stationary signals, the Hilbert-Huang transformation (HHT), was used for this purpose. The signal is decomposed into elementary signals, the IMF, for which the notion of instantaneous frequency is meaningful. The marginal Hilbert spectrum is used to represent the instantaneous frequencies in the signal, and thus is able to detect a defect by an analysis of the current signature. To classify the bearing defects, an AR model of the IMF 2 is used. Three classification techniques (Euclidean distance, Neural Networks and SVM) are used. The results show that this approach outperforms the classical approaches found in the literature.

إشراف وإعداد

الإشراف

كريم موكرانى

الإعداد

Aïda Kabla

الاقتباسات الببليوغرافية