Méthodes avancées de traitement du signal pour la détection de défauts électriques et mécaniques dans les machines à induction : Application aux systèmes de traction ferroviaire

par Shahin Hedayati Kia

Thèse de doctorat en Sciences. Génie électrique

Sous la direction de Gérard-André Capolino.

Soutenue en 2009

à Amiens .

mots clés

• Détection de défaut (ingénierie) -- Thèses et écrits académiques
• Machines électriques -- Défauts -- Thèses et écrits académiques
• Défauts électriques -- Localisation -- Thèses et écrits académiques
• Locomotives électriques -- Pannes -- Thèses et écrits académiques

Résumé

Dans le cadre de la maintenance prédictive et la sûreté de fonctionnement des systèmes électromécaniques, l’objectif de cette thèse est de proposer des méthodes de surveillance et diagnostic pour la détection de défauts d’origine électrique dans la machine d entraînement et de défauts d’origine mécanique dans le système de transmission mécanique et la charge. Pour l’application envisagée en traction ferroviaire, les méthodes avancées de traitement du signal permettent l’estimation fréquentielle ou/et temporelle statique ou dynamique à haute résolution et s’avèrent intéressantes pour l’extraction des informations pertinentes. Plusieurs techniques basées sur les méthodes non-paramétriques, paramétriques et des sous-espaces sont envisagées ici et une nouvelle technique appelée Zoom-MUSIC (basée sur la méthode MUSIC) est proposée afin d’améliorer la détection des défauts rotoriques dans la machine d’entraînement, en exploitant de nombreuses composantes dans une bande fréquentielle prédéfinie. Dans le même ordre d’idées, nous avons proposé une nouvelle méthode de diagnostic des défauts rotoriques sans estimation du glissement à partir d’une transformation en ondelette discrète. Pour la surveillance de la partie mécanique, l’approche avec des capteurs non-invasifs est adoptée car elle est fiable et simple pour l’implantation avec un minimum d’encombrement dans l’installation. Dans ce cadre, une démarche théorique est menée pour montrer l’effet des vibrations torsionnelles induites par un système de transmission à engrenage, sur le courant statorique de la machine d’entraînement. Ceci nous a permis d’observer l’effet de la variation de la raideur d’engrènement, de l’erreur de transmission et de l’excentricité de la roue et du pignon, dans le couple mécanique et par voie de conséquence dans le courant statorique de la machine d’entraînement. En dernier lieu, nous avons réalisé un banc d’essai à échelle réduite d’un système de traction ferroviaire, pour tester nos techniques de diagnostic des défauts électriques et mécaniques. Ce banc d’essai unique a été entièrement instrumenté et certains tests comparatifs ont été effectués en bon état et sous condition de défaut mécanique, afin de vérifier les diverses approches théoriques proposées. Les méthodes testées sur ce simulateur seront validées ultérieurement sur un banc d’essai industriel à échelle réelle.

Titre traduit

Advanced signal processing method for electrical and mechanical faults detection in induction machines : application to railway traction systems

Résumé

The monitoring and diagnosis of the electrical and mechanical faults in railway traction systems have been studied in this dissertation. The railway traction system works in complex condition in which traditional techniques of signal processing cannot be used intensively. Initially, different methods such as non-parametric, parametric and subspace techniques have been examined and finally a method based on MUSIC (MUltiple SIgnal Classification) has been proposed to improve diagnosis of broken bar fault in induction machine, by detecting a large number of frequencies in a given bandwidth. This method is called zoom-MUSIC. The broken bar fault diagnosis in induction machines needs the speed information in order to localize the side-band frequencies around the fundamental in the stator current spectrum. The accurate slip estimation needs also advance signal processing. This fact has been used to define a new technique of broken bar fault detection based on discrete wavelet transform without slip estimation. The non-invasive techniques for mechanical system monitoring are interesting alternatives leading to low cost diagnosis systems. In this way, a theoretical framework has been proposed to show all the effects of a gearbox-based mechanical system torsional vibration on mechanical torque and then on the stator current of the driving machine. This study has been carried out with a basic modeling approach based on the realistic dynamic behavior of a healthy gearbox to show the influence of transmission error, eccentricities of pinion/wheel and teeth contact stiffness variation in the electromagnetic torque and the stator current signatures. In order to test the effectiveness of proposed methods under healthy and faulty mechanical conditions, a unique reduced-scale set-up based on a real railway traction system has been realized and instrumented. The diagnostic methods validated in this reduced-scale, will be in the near future implemented in a scale 1 industrial experimental set-up