LA MACHINE ASYNCHRONE ET LE CONTEXTE DE RECHERCHE

Dans le contexte de recherche énoncé dans la Section 1.1, nous concentrerons nos travaux sur la machine asynchrone, et plus particulièrement sur ses défauts. En effet, cette machine électrique représente une part importante (près de 80 % des moteurs sont des machines à induction) des chaînes de production dans les parcs industriels [3]. Elle permet, pour un coût raisonnable, une grande fiabilité et une facilité de mise en œuvre (contrôle de la machine), d’entraîner efficacement des tapis et des bandes (en aluminium, en papier,…). Elle peut aussi être intégrée dans des systèmes comme les machines-outils et les éoliennes. Pourtant, il subsiste des arrêts non planifiés. Par conséquent, le besoin de maintenir en exécution le moteur à induction (autre nom donné à la machine asynchrone) à l’aide d’opérations de maintenance reste nécessaire. Un arrêt non planifié est une source importante de pertes financières pour les industriels. Les temps d’arrêt, les opérateurs de production en attentes, les opérateurs de maintenance et les outils indispensables au diagnostic et à la remise en

4 œuvre des machines asynchrones sont les raisons pour optimiser le processus de maintenance destiné aux moteurs à induction. Elle constitue une étape essentielle à franchir pour les industriels dans l’objectif d’atteindre un niveau de compétitivité très élevé dans ce contexte particulier de mondialisation.

Depuis les années 1980, les chercheurs et ingénieurs travaillent sur l’amélioration du processus de maintenance à travers le diagnostic des défauts de la machine asynchrone (quel type de défaut), parfois par la détection de l’emplacement de la défectuosité (ex : quelle phase), et malheureusement, rarement par l’estimation du degré de sévérité des anomalies du moteur (pourcentage de différence par rapport à l’état sain de la machine). Avant de décrire plus longuement les différentes approches pour le diagnostic des moteurs à induction, il est essentiel de présenter les différentes anomalies possibles de la machine asynchrone. Selon une étude réalisée par IEEE (Institute of Electrical and Electronics Engineers) publiée en 1985 [4-6] et par EPRI (Electric Power Research Institute) publiée en 1986 [7], les défauts du moteur à induction sont principalement reliés au stator et aux roulements. La Figure 1.1 montre les distributions des anomalies du moteur issues de ces études. Le Tableau 1.1 décrit les conditions dans lesquelles ces deux études ont été réalisées.

Figure 1.1 – Répartition (en pourcentage) des défauts de la machine asynchrone selon les études menées par IEEE [4-6] et EPRI [7]

5

Paramètres IEEE EPRI

Nombre de compagnies 33 56

Nombre d’installations 75 132

Nombre de moteurs 1141 4797

Nombre de défauts 360 872

Tableau 1.1 – Résumé des données qui ont permis de déterminer la distribution des défauts de la machine asynchrone [4-7]

En observant les possibles défauts de la machine asynchrone, il est évident que les causes sont de diverses natures (ex : électrique, mécanique, environnementale) et les conséquences reliées aux défectuosités également (ex : apparition de vibrations, hausse de la température). Une description plus détaillée des causes amenant l’apparition de chaque anomalie du moteur et des conséquences est donnée au Chapitre 2.

Plusieurs stratégies de détection des défauts du moteur ont vu le jour grâce notamment aux différentes avancées technologiques comme le gain en puissance de calcul des ordinateurs (processeur, mémoire vive) et la miniaturisation de l’électronique (capteurs). Nous observons à travers la littérature de nombreuses approches qui reposent sur l’étude des vibrations [8, 9], de l’acoustique [10], des températures [11, 12], des courants [13-15] et d’autres encore. Leur point commun, l’utilisation de l’intelligence artificielle avec une complexité plus ou moins grande. En effet, des outils comme les algorithmes de classification sont utilisés afin de réaliser la détection des défectuosités de la machine asynchrone. Néanmoins, ce qui diffère d’une

6 approche à l’autre sont les éléments technologiques utilisés et les outils informatiques pour le traitement de l’information.

L’étude des vibrations repose essentiellement sur l’utilisation de capteurs piézoélectriques (ou accéléromètres) qui permettent de diagnostiquer la présence d’un défaut par une analyse spectrale ou énergétique du signal issu du capteur [8]. Cette étude, qui est généralement expérimentale, demande des ressources financières importantes pour les capteurs piézoélectriques devant supporter des conditions environnementales parfois très sévères (température, humidité, poussière,…) dans l’industrie. De plus, la mise en place d’une méthode de détection est longue et laborieuse, car elle varie d’un moteur à l’autre. Pour ce dernier inconvénient, il est possible de réaliser des études par la méthode des éléments finis afin de définir des seuils de détection des défauts des moteurs. Néanmoins, le temps de calcul requis par cette approche est reconnu pour être extrêmement long. Le principal avantage de cette approche est son efficacité à réaliser le diagnostic (présence ou non d’un défaut) du moteur.

Pour l’approche par l’étude thermique [16], un capteur de température peut être intégré dans la machine asynchrone, ou dans certains cas, l’utilisation d’une caméra thermique remplace les capteurs de température. Cette méthode de détection des anomalies du moteur est très peu utilisée en raison des résultats obtenus qui ne sont pas très encourageants. De plus, dans le cas des capteurs de température, ils doivent être directement intégrés dans la machine lors de sa fabrication. Le nombre de capteurs est également important afin de cartographier avec précision les températures de la machine. La caméra thermique répond à cette problématique, mais son coût

7 (approximativement 10 000 dollars) ne permet pas de déployer cette approche à grande échelle. De plus, la technologie de pointe de cette caméra rend pratiquement impossible son utilisation dans des environnements sévères.

Nous observons les mêmes contraintes pour l’approche acoustique que pour la caméra thermique. En effet, des microphones de qualité élevée sont coûteux (entre 500 et 2000 dollars) et l’environnement industriel est très bruyant ce qui complexifie grandement l’analyse des spectres sonores (bruit du moteur noyé dans celui de la production). De plus, la mise en place d’un protocole adéquat de mesure (normé et respecté à la lettre) est requise du fait des intensités en décibels pouvant varier fortement à cause de la position tridimensionnelle du microphone par rapport au moteur.

Finalement, il y a aussi les approches liées aux grandeurs du moteur à induction comme la vitesse de rotation, le couple électromagnétique, les flux et les courants. Un grand nombre de travaux utilisant ces informations ont été réalisés [17, 18]. Cependant, l’utilisation des courants constitue la grande majorité des travaux. Cette approche s’appelle MCSA (Motor Current Signature Analysis) [15]. Elle a été développée pour la première fois dans les années 1970, et aujourd’hui, il existe plusieurs variantes comme la combinaison d’outils de traitements des signaux (ex : transformée de Fourier) et d’intelligence artificielle (ex. : réseaux de neurones artificiels). Ces approches fournissent majoritairement de bons résultats dans le diagnostic et l’identification des défauts de la machine asynchrone. Par contre, très peu d’études ont été réalisées sur l’estimation du degré de sévérité des anomalies. Dans cette thèse, nous proposons de réaliser une solution qui permet de passer outre l’inconvénient précèdent

8 en combinant le diagnostic, l’identification et l’estimation des défauts de la machine asynchrone (reconnaissance des anomalies du moteur). De plus, cette méthode à l’avantage d’être économique (approximativement 100 dollars pour un capteur de courant à très haute précision et supportant des conditions environnementales sévères), et généralement, les industries possèdent déjà ces types de capteurs liés à leurs efforts pour la réduction de leur consommation d’énergie.