Autonomous bearing vibration diagnosis
Diagnostic vibratoire autonome des roulements
Résumé
The industrial and transportation sectors require more and more efficient and complex machines and installations increasing the risk of failure and disruption. This can lead to the immediate shutdown of a machine and disrupts the proper functioning of the entire production system. The diagnosis of industrial machines is essentially based on the monitoring of symptoms related to different degradation conditions. These symptoms can be derived from various sources of information, including vibration and acoustic signals. Nowadays, many effective techniques are well established, based on powerful tools offered by the theory of cyclostationary processes. The complexity of these tools requires an expert to use them and to interpret the results based on his/her experience. The continuous presence of the expert is expensive and difficult to achieve in practice. Condition indicators for rotating machines exist in the literature but they are conceived under the assumption of perfect operating conditions. They are limited, dispersed and generally not supported by theoretical frameworks. The main objective of this thesis is to reduce the use of human intervention by proposing strategies to design two optimal indicators that summarize diagnostic information into a scalar value. A distinction is made between two families in diagnosis: the case where prior information on the faults is known and the case where it is unknown. These indicators are designed to be used in an autonomous process without requiring human intervention, using statistical hypothesis tests. The capacity of these indicators is validated on real data and compared with other indicators from the literature in terms of detection performance.
Le monde de l’industrie et des transports dispose de machines et d’installations de plus en plus performantes et complexes. Ils ne peuvent être exempts de perturbations et de défaillances, influant sur la qualité du produit, pouvant provoquer l’arrêt immédiat d’une machine et porter atteinte au bon fonctionnement d’un système de production entier. Le diagnostic de ces machines, s’appuie essentiellement sur la surveillance de symptômes liés à différentes conditions de dégradation. Ces symptômes peuvent être tirés de diverses sources d’information, parmi lesquelles l’analyse vibratoire et acoustique occupe une place prépondérante. Aujourd'hui, de nombreuses techniques efficaces sont bien établies, ancrées sur des outils puissants offerts notamment par la théorie des processus cyclostationnaires. La complexité de ces outils exige un expert pour les utiliser et les interpréter. La présence continue d’un expert est difficilement réalisable et couteuse. Des indicateurs d’état de machines tournantes existent dans la littérature mais ils sont conçus sous l'hypothèse de conditions de fonctionnement parfaites. Ces travaux restent limités, dispersés et généralement non soutenus par des cadres théoriques. Le principal objectif de cette thèse est de réduire le recours à l'intervention humaine en proposant des stratégies pour concevoir deux indicateurs optimaux qui résument l'information de diagnostic en une valeur scalaire. Ces stratégies sont élaborées en distinguant deux familles dans le diagnostic : le cas où les informations sur les défauts sont connues et celle où elles sont inconnues. Ces indicateurs sont destinés à être utilisés dans le cadre d'un processus de diagnostic autonome, sans nécessiter d’intervention humaine, à l’aide des tests d’hypothèses statistiques. La capacité de ces indicateurs est validée sur des données réelles et comparée avec d’autres indicateurs de la littérature en termes de performance de détection.
Origine : Version validée par le jury (STAR)
Loading...