Méthodes de diagnostic par apprentissage

Les outils de diagnostic présentés dans la sous-section précédente, quelle que soit l’approche utilisée, permettent d’obtenir des signatures caractéristiques de nombreux défauts à partir des signaux électriques ou mécaniques mesurés sur le système. Ces signatures permettent de suivre l’évolution de l’état de santé de l’application indus- trielle surveillée et de prévoir ainsi les phases de maintenance lorsqu’elles sont néces- saires. Cependant, l’utilisation de signatures de défaut nécessite une forte connais- sance du système surveillé pour statuer sur la présence ou non d’une défaillance. Afin d’associer un seuil d’alarme à une signature de défaut, comme celui représenté en rouge sur la figure 1.8, il est en effet nécessaire de connaitre à l’avance son com- portement (niveau moyen, variance, etc.). Afin de faciliter cette capitalisation de connaissances, des méthodes de diagnostic par apprentissage ont été développées et permettent d’améliorer d’une part l’automatisation de la détection d’un défaut et d’autre part sa classification (sévérité, localisation, etc.). Un état de l’art des mé- thodes d’apprentissage utilisées pour le diagnostic des systèmes électriques est par conséquent présenté dans cette section.

Réseaux de neurones et logique floue

Parmi les différentes méthodes d’apprentissages développées pour le diagnostic des machines électriques, de nombreux travaux se sont concentrés sur l’utilisation des réseaux de neurones et de la logique floue. Le principe de ces méthodes consiste à entrainer un système de classification à l’aide de données d’apprentissage. Celles-ci peuvent par exemple être composées de valeurs de certaines signatures de défaut obtenues en régime sain et en régime défaillant. Une fois la période d’apprentissage

terminée, l’intelligence artificielle analyse chaque nouvelle mesure effectuée afin de statuer sur la présence du défaut.

Dans [Gue11] et [Ebr09], un système de réseau de neurones est employé pour la détection des défauts de barres cassées et d’excentricité. Ces défaillances sont dé- tectées de manière sensible via l’utilisation de signatures de défaut obtenues dans le domaine fréquentiel comme données d’entrée du réseau de neurones. Leur classifica- tion est également réalisée en fonction de leur sévérité. L’utilisation de réseaux de neurones est également combinée à l’emploi de signatures obtenues dans le domaine temps-fréquence (STFT) dans les études [Zar08] et [Ara09]. Cette combinaison per- met la détection et la classification précise des défauts de roulements et de barres cas- sées. D’autres travaux menés sur la détection de défauts électriques (courts-circuits, perte d’isolation) via l’utilisation de réseaux de neurones sont présentés dans [Sal00], [Cho91].

De nombreuses études ont également été réalisées sur le diagnostic des machines électriques via l’utilisation de la logique floue. Dans [Zid03], [Min10], cette approche est utilisée pour réaliser la détection de défauts électriques au stator. Ces outils sont également utilisés avec succès dans [Zid08] pour la détection de défaillances de la commande d’un moteur et dans [Bal07], [Zou09] pour la détection des défauts de barres cassées et de roulements. Enfin, nous pouvons également signaler que la logique floue peut être combinée de manière intelligente avec l’utilisation de réseaux de neurones pour former des systèmes de classification appelés ANFIS (Adaptative neuro fuzzy inference system). Ces techniques sont utilisées de manière efficace dans [Alt99], [Awa04], [Qui08], [Abu11] et permettent la classification de tous types de défaillances.

Apprentissage statistique

Les méthodes d’apprentissage de type réseaux de neurones ou logique floue peuvent faciliter la détection et la classification de nombreuses défaillances dans les systèmes d’entrainement. Cependant, leur fonctionnement repose sur une phase d’apprentissage qui requiert différents jeux de données représentatifs du fonctionne- ment sain du système mais également de son fonctionnement défaillant pour les diffé- rentes sévérités du ou des défauts recherchés. L’obtention de ces données d’apprentis- sage peut être problématique, en particulier celles correspondant au fonctionnement défaillant. Afin de faciliter la détection des défauts dans les machines électriques sans toutefois nécessiter de nombreux jeux de données parfois difficiles à obtenir, des méthodes d’apprentissage basées sur des outils statistiques ont été récemment développées et appliquées. L’objectif consiste alors à caractériser le fonctionnement du système uniquement en régime sain, i.e. lorsqu’aucun défaut n’est présent. Cet apprentissage peut par conséquent facilement être réalisé lors des premiers temps de fonctionnement du moteur supposé sain. Le comportement du système est ensuite surveillé afin de détecter un éventuel éloignement vis-à-vis de son comportement sain, signifiant qu’une défaillance est apparue.

Dans [Haz12], le comportement des valeurs extrêmes du spectre vibratoire est caractérisé en régime sain à l’aide de différents outils statistiques. La dégradation des roulements provoque une modification de ce comportement qui permet de détecter la présence du défaut. Une méthode de diagnostic des défauts de roulements sans a

priori, i.e. sans fréquence caractéristique connue à l’avance, est également présentée dans [Zho08]. Une méthode de suivi statistique basée sur les cartes de contrôle est utilisée pour surveiller l’évolution d’un indicateur énergétique extrait du courant et permet de détecter de manière efficace la dégradation des roulements.

Des études se sont également intéressées à la caractérisation statistique du com- portement sain des signatures de certains défauts. Dans [Pic14] la moyenne et l’écart- type des signatures caractéristiques des défauts de roulements dans le spectre des courants sont calculées en régime de fonctionnement sain. Cette "référence" per- met par la suite de calculer, à l’aide du test statistique de Student, l’éloignement du comportement des signatures surveillées vis-à-vis de leur comportement sain. Le diagnostic du défaut de roulement est alors aussi efficace que lorsqu’un indicateur vibratoire classique est utilisé. Une approche similaire est présentée dans [Har13] et également dans [Obe12] via l’utilisation du kurtosis spectral. Enfin, nous pouvons également citer l’étude [Che13] dans laquelle le comportement sain d’une signa- ture de défaut est caractérisé pour différentes vitesses et pour différents niveaux de charges. Cet apprentissage permet de déterminer un seuil d’alarme a priori pour chacun des points de fonctionnement traités et facilite ainsi la détection du défaut de court-circuit stator.