Contribution au processus de surveillance intelligente des machines tournantes : cas des roulements à billes.

Contribution to the process of smart monitoring of rotating machines : the case of ball bearings.

• Auteur / Autrice : Hassane Hotait
• Direction : Xavier Chiementin, Lanto Rasolofondraibe
• Type : Thèse de doctorat
• Discipline(s) : Matériaux, mécanique, structures
• Date : Soutenance le 13/11/2020
• Etablissement(s) : Reims
• Ecole(s) doctorale(s) : Ecole doctorale Sciences du Numérique et de l’Ingénieur (Reims, Marne)
• Partenaire(s) de recherche : Laboratoire : Institut de Thermique, Mécanique, Matériaux
• Jury : Président / Présidente : Francois Guillet
• Jury : Examinateurs / Examinatrices : Xavier Chiementin, Lanto Rasolofondraibe, Antoine Grall, Lamiaa Elmenzhi, Fabrice Bolaers
• Jury : Rapporteurs / Rapporteuses : Antoine Grall, Lamiaa Elmenzhi

Mots clés

Mots clés contrôlés

Entretien et réparations

Industrie

Maintenance automatisée

Mots clés libres

Classification

Surveillance

Diagnostic

Clustering

Surveillance

Diagnostic

Résumé

La production industrielle est actuellement déterminée par la concurrence mondiale et la nécessité d’adapter rapidement la production aux demandes du marché en évolution constante. Ces exigences ne peuvent être satisfaites que par des avancées radicales dans les technologies de fabrication actuelles. L’industrie 4.0 est une approche intéressante basée sur l’intégration des processus d’entreprise et de fabrication. L’objectif de cette thèse est de développer une méthodologie de la maintenance 4.0 pour briser les compromis des anciennes stratégies en permettant aux entreprises de maximiser la vie utile de leurs équipements de production tout en évitant les temps d’arrêt imprévus, par combinaison de l’analyse vibratoire et la méthode de reconnaissance de formes pour détecter, et suivre la dégradation d’un défaut. Deux méthodologies sont proposées, IRT-OPTICS (Improved Real-Time Ordering Points to Identify the Clustering Structure) et AOC-OPTICS (Automatic Online Classification monitoring based on OPTICS), basées sur la méthode de reconnaissance de formes non supervisée. Ces méthodes devraient aboutir à une surveillance autonome. Elles visent à déceler les dysfonctionnements des machines tournantes et de suivre l’évolution de ce dysfonctionnement. Cette démarche commence par l’extraction de trois types d’indicateurs (scalaires, temps-fréquence, temps-échelle), suivie par une réduction de dimension dans un espace visuel, représentant la présence de défauts dans le roulement. L’étape suivante consiste à suivre l’évolution de la dégradation en utilisant cinq paramètres : Davies-Bouldin index, Calinski-index, le saut du centre de la classe, la densité, le contour.

Industrial production is currently determined by global competition and the need to adapt the production quickly to changing market demands. These requirements can only be met by radical advancements in the current manufacturing technologies. Industry 4.0 is an interesting approach based on the integration of business and manufacturing processes. The objective of this thesis is to develop a methodology of maintenance 4.0 to break the trade-offs of old strategies by allowing companies to maximize the useful life of their production equipment while avoiding unplanned downtime, by combining vibration analysis and pattern recognition methods to detect and track the degradation of a defect. Two methodologies proposed IRT-OPTICS (Improved Real-Time Ordering Points To Identify the Clustering Structure) and AOC-OPTICS (Automatic Online Classification monitoring based on OPTICS), based on the unsupervised pattern recognition method. These methods should lead to autonomous surveillance. They aim to detect the malfunctions of rotating machines and to monitor the evolution of this malfunction. This starts with the extraction of three types of indicators (scalar, time-frequency, time-scale), followed by a dimensional reduction in a visual space, representing the presence of defects in the bearing. The next step is to follow the evolution of the degradation using five parameters: Davies-Bouldin index, Calinski-index, jump from the centre of the class, density, contour.