Contribution à la mise au point de techniques de détection et de diagnostic de défauts de roulements basées sur la tranformée en ondelettes et les réseaux de neurones artificiels

par Moustapha Sene

Thèse de doctorat en Sciences de l'ingénieur. Génie informatique, automatique et traitement du signal

Sous la direction de Kurosh Madani.

Soutenue en 2007

à l'Université Paris-Est Créteil Val de Marne (UPEC) .

mots clés

• Paliers et coussinets
• Détection de défaut (ingénierie)
• Réseaux neuronaux (informatique)
• Ondelettes
• Contrôle technique

Résumé

Cette thèse concerne le diagnostic de défauts basé sur l'analyse des vibrations mécaniques. Elle se focalise sur les aspects de la détaction et du diagnostic de pannes associant deux techniques de calcul : la transformée en ondelettes pour le diagnostic. L'application de ces concepts permet de détecter de façon précoce des défauts de type balourd et de type écaillage de la bague intérieure du roulement. Dans ce cadre, des approches de classification par estimation des probabilités et par techniques neuronales (RBF, LVQ) ont été mises en oeuvre. La validation de ces approches est réalisée à l'aide d'indicateurs (kurtosis, facteur de crête, valeur efficace, etc. ) extraits des mêmes signatures vibratoires.

Titre traduit

Contribution to the implementation of detection and diagnostic techniques of rolling bearing defects based on wavelet transform and artificial neural networks

Résumé

This thesis concerns faults diagnosis based on analysis of mechanical vibrations. Detection and faults diagnosis are focused. Two computational techniques are used : wavelet transform for defect's detection and artificial neural networks for classification and diagnosis. Application of the studies concepts leads to early detection of unbalanced force defects and flaking paths defects of the outer ring of bearing. In this frame, classification approaches based on probability estimation and neural techniques (RBF, LVQ) have been implemented. Validation of these approaches is achieved using indicators (kurtosis, crest factor, root mean square, etc. ) extracted from the same vibratory signatures.