THÈSE PRÉSENTÉE À L’UNIVERSITÉ DU QUÉBEC À CHICOUTIMI

THÈSE
PRÉSENTÉE À
L’UNIVERSITÉ DU QUÉBEC À CHICOUTIMI
COMME EXIGENCE PARTIELLE
DU DOCTORAT EN SCIENCES ET TECHNOLOGIES DE L’INFORMATION
PAR
JULIEN MAITRE
RECONNAISSANCE DES DÉFAUTS DE LA MACHINE ASYNCHRONE :
APPLICATION DES MODÈLES D’INTELLIGENCE ARTIFICIELLE
Mai 2017

I

II
RÉSUMÉ
Les machines asynchrones sont omniprésentes dans les systèmes de production
automatisé à cause de leur robustesse et leur facilitée de mise en œuvre. Néanmoins, ces
moteurs électriques concèdent tout de même des défauts (ex : court-circuit entre spires, barre
rotoriques rompues) menant à des arrêts non planifiés. Par conséquent, les industries
manufacturières investissent des ressources importantes afin de les éviter avec des
programmes de maintenance qui sont partiellement inefficace.
C’est dans ce contexte que, depuis plusieurs décennies, des chercheurs proposent des
travaux permettant de diagnostiquer l’état des machines asynchrones. Cependant, les
solutions ne donnent que très rarement la localisation et l’estimation du degré de sévérité des
anomalies qui ne permet pas de prioriser les actions pour l’amélioration de la maintenance.
De plus, la majorité des moyens de diagnostic ne sont pas adaptifs à d’autres gammes de
moteur et les études ne prennent pas en compte la commande des machines asynchrones pour
les applications à vitesse et couple variables.
Ainsi, nous proposons dans cette thèse une nouvelle approche pour l’amélioration du
processus de maintenance par la reconnaissance des défauts de la machine asynchrone
reposant principalement sur l’exploitation des modèles d’intelligence artificielle. Celle-ci
permettra de détecter, de localiser et d’estimer le degré de sévérité des anomalies du moteur
grâce à ses courants statoriques. La solution donnée dans cet ouvrage est adaptif et surtout a
été testé pour une machine possédant une commande et un asservissement de vitesse avec
des différents profils de vitesse et couple variables.
Pour ce faire, la recherche proposée exploite les modèles mathématiques de la
machine asynchrone et de ses défauts afin de simuler les différents comportements de celle-
ci. Les simulations serviront à créer des bases de données grâce à l’extraction de
caractéristiques issue du traitement des signaux. Chacune des séries de données appartient à
une catégorie décrivant le défaut du moteur. Par la suite, des algorithmes de classification
permettront de reconnaître les anomalies de la machine asynchrone. Nous présentons
également une approche hiérarchique qui améliore le taux de reconnaissance des
défectuosités du moteur à induction. Ce projet se situant à la frontière des domaines du génie

III
électrique, du génie informatique et des mathématiques constitue un défi complexe et
formidable de recherche scientifique.

IV
ABSTRACT
Induction machines are omnipresent in production systems because of their sturdiness
and their ease of implementation. Nevertheless, these electrical motors still concede failures
(e.g. inter-turn short circuit, broken rotor bar), which may lead to unplanned shutdowns.
Consequently, manufacturing industries invest significant resources to avoid them with
maintenance, which is partially inefficient.
In this context, some studies propose solutions to abnormal diagnostic conditions of
the induction machine. Nevertheless, they rarely localize the defect and estimate the severity
of the failure, which does not allow prioritizing action for the maintenance improvement. In
addition, solutions are not adaptive for other motors, and studies do not include the control
part very useful for speed and torque variable applications.
Thus, in this thesis, we propose a new approach improving the maintenance process
by the recognition of the induction machine failures. It relies mainly on Artificial Intelligence
models and will allow to detect, localize and to estimate the degree of severity of the
asynchronous motor faults thanks to the exploitation of current signals. The solution given
in this project is adaptive and have been tested for induction machines operating with a speed
and drives control. In addition, several speed and resistant torque profiles have been applied.
To do this, the research proposed exploits the mathematical models of the induction
machine operating under the healthy and faulty conditions. Simulations allow creating some
datasets thanks to the feature extractions and the signals processing. Each vector of data
belongs to a category describing the failure. Then, classification algorithms will recognize
the induction machine defects. We also present a hierarchical approach, which improves the
recognition rate. This project being a mix of electrical engineering, informatics and
mathematic is a complex and amazing challenge of scientific research.