Parmi les techniques utilisées en maintenance, l'analyse vibratoire reste l'outil le plus efficace pour surveiller l'état interne des machines tournantes en fonctionnement. En effet l'état de chaque composant constituant la machine peut être caractérisé par un ou plusieurs indicateurs de défaut issus de l'analyse vibratoire. Le suivi de ces indicateurs permet de détecter la présence d'un défaut et même de le localiser. Cependant, l'évolution de ces indicateurs peut être influencée par d'autres paramètres comme la variation de charge, la vitesse de rotation ou le remplacement d'un composant. Cela peut provoquer des fausses alarmes et remettre en question la fiabilité du diagnostic. Cette thèse a pour objectif de combiner l'analyse vibratoire avec la méthode de reconnaissance des formes afin d'une part d'améliorer la détection de défaut des composants en particulier le défaut de roulement et d'autre part de mieux suivre l'évolution de la dégradation pour caractériser le degré de sévérité du défaut. Pour cela nous avons développé des méthodes de classification dynamique pour prendre en compte l'évolution du système. Les observations à classifier sont constituées d'indicateurs de défauts et des combinaisons linéaires de ceux-ci. La démarche de la reconnaissance des formes dynamique consiste à extraire, à sélectionner et à classifier ces observations de façon continue. Trois méthodes de classification dynamiques ont été développées durant cette thèse : le « Dynamic DBSCAN » qui la première version dynamique de DBSCAN développée pour pouvoir suivre les évolutions des classes, « Evolving scalable DBSCAN » ESDBSCAN qui représente une version en ligne et évolutive de DBSCAN et finalement « Dynamic Fuzzy Scalabale DBSCAN » DFSDBSCAN qui est une version dynamique et floue de la méthode de classification ESDBSCAN adaptée pour un apprentissage en ligne. Ces méthodes distinguent les variations des observations liées au changement du mode de fonctionnement de la machine (variation de vitesse ou de charges) et les variations liées au défaut. Ainsi, Elles permettent de détecter, de façon précoce, l'apparition d'un défaut qui se traduit par la création d'une nouvelle classe dite classe dégradée et de suivre l'évolution de celle-ci. Cette méthodologie permettrait d'améliorer l'estimation de la durée de vie résiduelle du composant en analysant la distance séparant la classe "saine" et "dégradée". L'application sur des données réelles a permis d'identifier les différents états du roulement au cours temps (sain ou normal, défectueux) et l'évolution des observations liée à la variation de vitesse et au changement de charges avec un taux d'erreur faible et d'établir un diagnostic fiable. Afin de caractériser le degré de précocité du diagnostic des méthodes développées nous avons comparé ces résultats avec ceux établis par des méthodes classiques de détection. Cette comparaison nous a montré que les méthodes proposées permettent un diagnostic plus précoce et plus fiable.Mots clés : Diagnostic et suivi, roulements, méthodes de reconnaissance des formes, apprentissage en ligne, classification dynamique, analyse vibratoire, DFSDBSCAN, ESDBSCAN, DDBSCAN. / Various techniques can be used in rotating machines condition based maintenance. Among which vibration analysis remains the most popular and most effective tool for monitoring the internal state of an operating machine. Through vibration analysis, the state of each component constituting the machine can be characterized by one or more fault indicators. Monitoring these indicators can be used to detect the presence of a defect or even locate it. However, the evolution of these indicators can be influenced by other parameters than defect such as the variation of load, speed or replacement of a component. So counting solely on the evolution of these fault indicators to diagnose a machine can cause false alarms and question the reliability of the diagnosis.In this thesis, we combined vibration analysis tools with pattern recognition method to firstly improve fault detection reliability of components such as bearings, secondly to assess the severity of degradation by closely monitor the defect growth and finally to estimate their remaining useful life. For these reasons, we have designed a pattern recognition process capable of; identifying defect even in machines running under non stationary conditions, processing evolving data of an evolving system and can handle an online learning. This process will have to decide the internal state of the machine using only faults indicators or linear combinations of fault indicators.The process of pattern recognition of dynamic forms consists of extracting and selecting useful information, classify these observations continuously into their right classes then decide on an action according to the observations' class.Three dynamic classification methods have been developed during this thesis: Dynamic DBSCAN that was developed to capitalize on the time evolution of the data and their classes, Evolving Scalable DBSCAN (ESDBSCAN) that was created to overcome the shortcoming of DDBSCAN in online processing and finally Dynamic Fuzzy Scalable DBSCAN (DFSDBSCAN); a dynamic fuzzy and semi-supervised version of ESDBSCAN. These methods can detect the observations evolution and identify the nature of the change causing it; either if it's a change in operating mode of the machine (speed variation or load) or a change related to the defect.With these techniques we were are able to enhance the reliability of fault detection by identifying the origin of the fault indicators evolution. An evolution caused by an alteration of the operating mode and changes caused by defect result in two different types of classes evolution (the appearance of a new class we named it 'defected' in case of defect or a drift otherwise). Not only that but these techniques helped us enhance the precocity of the fault detection and estimate the remaining useful life of the monitored component as well by analyzing the distance separating the class 'healthy' and 'defected'.The application of the designed process on real data helped us prove the legitimacy of the proposed techniques in identifying the different states of bearings over time (healthy or normal, defective) and the origin of the observations' evolution with a low error rate, a reliable diagnosis and a low memory occupation.Keywords: Diagnosis and monitoring, bearings, pattern recognition, learning, dynamic classification, Vibration Analysis, DFSDBSCAN, ESDBSCAN, DDBSCAN

L’analyse vibratoire constitue une part très importante des moyens de mesures pour la surveillance et la détection des défauts mécaniques des machines tournantes. Le positionnement des accéléromètres est stratégique et contribue fortement à la réussite du diagnostic ; la proximité du capteur de l’élément défaillant est une condition très utile, mais pas toujours réalisable. La corrélation entre le bruit émis par une machine et son état est assez étroite et montre l’apport des mesures acoustiques pour l’optimisation du diagnostic. L’imagerie acoustique, très appliquée pour détecter des sources dans le domaine du transport, avec ses multiples méthodes (holographie, beamforming, etc…) peut être un moyen pour remonter aux défauts mécaniques. Dans cet objectif, plusieurs stratégies basées sur l’algorithme de beamforming sont développées. Premièrement, des indicateurs communément utilisés pour le diagnostic des machines sont visualisés en fonction de l’espace. Le kurtosis permet de localiser les sources impulsives qui peuvent être reliées à un défaut. De nouveaux indicateurs basés sur le spectre d’enveloppe des signaux focalisés sont également mis en place pour détecter les défauts de roulement de bague interne et externe. D’autre part, la moyenne synchrone angulaire est utilisée pour extraire le champ acoustique synchrone avec la rotation d'un composant de la machine. Les sources reliées à un défaut sont affectées au champ résiduel et peuvent être identifiées dans les cartographies. Enfin, une nouvelle méthode d'imagerie acoustique qui exploite les fonctions de transfert vibroacoustiques entre des accéléromètres positionnés sur la machine et une antenne acoustique est développée. Elle permet d'obtenir des cartographies de la pression rayonnée sur une surface de la machine uniquement à partir d'accéléromètres. Son applicabilité à la détection de défaut est également démontrée sur un banc à engrenages. / Vibration analysis is mainly used in condition monitoring and fault detection of rotating machine domain. The success of the diagnosis is strongly related to the position of the accelerometers. However, the machine geometry sometimes prevents the sensors to be placed close enough to the faulted part causing the diagnostic failure. The sound emitted by a mechanism and its condition are related. Using microphones to optimize condition monitoring is then justified. Acoustic imaging techniques (acoustic holography, beamforming, etc…) are mainly used as a source localization and quantification tool but they can be turned into a powerful diagnosis tool. Several strategies based on the beamforming algorithm are developed in this work. Firstly, diagnosis features commonly used in condition monitoring of rotating machinery are mapped as a function of space. Kurtosis allows localizing impulsive sources which eventually can be related to a mechanism failure. New features based on the squared envelope spectrum of the focused signals are also introduced. They aim toward the detection of inner and outer race fault in roller element bearings. On the other hand, angular synchronous average is used to extract the acoustic field synchronous with one component rotation. The sources related to a fault are localized in the residual field mappings. Finally, a new imaging technique based on the vibroacoustic transfer functions between a few accelerometers placed on the machine and the microphone array is developed. It allows obtaining the mappings of the radiated pressure on the machine surface only thanks to the accelerometers. It is tested as a fault detection tool on a test bench

Récemment, le diagnostic des machines tournantes devient un des sujets de recherche les plus importants. Plusieurs axes sont développés dans ce domaine : traitement de signal, reconnaissance des formes et autres. En plus, les systèmes industriels peuvent être surveillés à distance en temps réel grâce à la disponibilité de l’internet. Cette surveillance se trouve exigeante au niveau de l’acquisition et le stockage des données. En 2004, le Compressive Sensing est introduit dans le but d’acquérir les données a une basse fréquence afin d’économiser l’énergie dans les réseaux de capteurs sans fils. Des résultats similaires peuvent être achevés par l’Echantillonnage Aléatoire qui procure une acquisition à basse fréquence grâce à sa propriété d’anti-repliement. Comme cette technique d’échantillonnage est jusqu’à l’instant de la rédaction de cette thèse n’est pas encore disponible au marché, le travail sur ce sujet se trouve promettant afin de présenter une implémentation pratique validée. D’où, la contribution de cette thèse est de présenter les différentes propriétés de l’échantillonnage aléatoire à travers une étude théorique détaillée dans le domaine temporel et fréquentiel suivie d’une simulation et d’une application pratique sur des signaux synthétisés simples puis sur des signaux de vibration extraits des principaux composants des machines : roulements et engrenages. Les résultats obtenus au niveau de la simulation et la pratique sont satisfaisants grâce à la diminution de la fréquence d’échantillonnage et la quantité de données à sauvegarder ce qui peut être considéré comme une résolution de la problématique de la surveillance à temps réel / Nowadays, machine monitoring and supervision became one of the most important domains of research. Many axes of exploration are involved in this domain: signal processing, machine learning and several others. Besides, industrial systems can now be remotely monitored because of the internet availability. In fact, as many other systems, machines can now be connected to any network by a specified address due to the Internet of Things (IOT) concept. However, this combination is challenging in data acquisition and storage. In 2004, the compressive sensing was introduced to provide data with low rate in order to save energy consumption within wireless sensor networks. This aspect can also be achieved using random sampling (RS). This approach is found to be advantageous in acquiring data randomly with low frequency (much lower than Nyquist rate) while guaranteeing an aliasing-free spectrum. However, this method of sampling is still not available by hardware means in markets. Thus, a comprehensive review on its concept, its impact on sampled signal and its implementation in hardware is conducted. In this thesis, a study of RS and its different modes is presented with their conditions and limitations in time domain. A detailed examination of the RS’s spectral analysis is then explained. From there, the RS features are concluded. Also, recommendations regarding the choice of the adequate mode with the convenient parameters are proposed. In addition, some spectral analysis techniques are proposed for RS signals in order to provide an enhanced spectral representation. In order to validate the properties of such sampling, simulations and practical studies are shown. The research is then concluded with an application on vibration signals acquired from bearing and gear. The obtained results are satisfying, which proves that RS is quite promising and can be taken as a solution for reducing sampling frequencies and decreasing the amount of stored data. As a conclusion, the RS is an advantageous sampling process due to its anti-aliasing property. Further studies can be done in the scope of reducing its added noise that was proven to be cyclostationary of order 1 or 2 according to the chosen parameters

Les capacités installées d’énergie éolienne continuent à croître rapidement et prennent une place de plus en plus significative dans le monde. Au fur et à mesure, les études menées sur la conception, la sureté de fonctionnement et la supervision de la chaîne éolienne ont pris progressivement de l’importance. Deux axes de recherche ont été privilégiés dans cette thèse. Le premier concerne la continuité de service d'une éolienne connectée au réseau en présence de défaut de court-circuit entre spires dans une phase du stator de la génératrice asynchrone à cage d'écureuil. L'analyse du défaut ainsi que son impact sur le système éolien et notamment sur la qualité de la puissance produite souligne l'intérêt de développement d'un algorithme de détection et d'isolation rapide, dédié par la suite à la reconfiguration de la commande. Ainsi, une commande tolérante au défaut (CTD) a été conçue de manière à éviter l'arrêt de la production, compenser l'impact de défaut et garder des performances acceptables de la qualité d'énergie produite. Le travail effectué s'est articulé sur les observateurs à mode glissant (OMG), communément connus comme outil puissant pour la supervision et la commande à la fois. Le deuxième axe porte sur la sécurité structurale et la stabilité du système éolien sous contraintes vibratoires. Les travaux se répartissent en deux parties complémentaires : L'établissement d'un modèle numérique tridimensionnel (3-D) sous un logiciel d’analyse par éléments finis (ANSYS) et la réalisation des essais vibratoires sous différentes excitations au sein d'une plateforme vibratoire (TREVISE). Dans ce cadre, un modèle numérique (3-D) d'une éolienne à axe horizontal couplée à un mât et une fondation adéquats a été développé en utilisant la méthode de volumes finis (FVM) afin d'appréhender son comportement vibratoire. Les essais vibratoires expérimentaux valident le modèle numérique et permettent l’identification de la réponse dynamique de la structure d'une manière fine. De plus, nous avons élaboré un modèle expérimental de la tenue de l’éolienne aux contraintes vibratoires de formes aléatoire, sinusoïdale et impulsionnelle. / The wind energy capacity carries on growing quickly and taking an increasingly significant place in the world. Progressively, research studies dealing with designing and supervising wind turbines have become more important. Two areas of research were developed in this thesis. The first one concerns the continuity of service of a wind turbine connected to the grid while an inter-turn short-circuit fault is present in the stator phase of the induction squirrel cage generator. The analysis of the fault as well as its impact on the wind turbine system and mainly on the quality of the produced power highlights the interest of development of a fast detection and isolation algorithm, dedicated to the reconfiguration of the control law. Hence, a fault tolerant control scheme has been established in order to avoid stopping production, compensate the fault impact and maintain acceptable performances of the quality of the produced energy. The carried out work was based on sliding mode observers, commonly known as robust tools for monitoring and controlling at the same time. The second axis concerns the structural modeling and stability checking of the wind system under vibratory stresses. The work is divided into two complementary parts: The establishment of a three-dimensional (3-D) numerical model using a finite element analysis software (ANSYS) and the realization of vibratory tests under different excitations within the platform (TREVISE). In this framework, a numerical (3-D) model of a horizontal axis wind turbine coupled to a suitable tower and foundation was developed basing on the finite volume method (FVM) in order to analyze its vibratory behavior. The experimental vibratory tests validate the numerical model and allow the identification of the dynamic response of the structure in a precise way. In addition, we have developed an experimental model of the behavior of the wind turbine under vibratory stresses of random, sinusoidal and impulse shapes.

Le suivi vibratoire de l'état des ouvrages de génie civil vise à anticiper une défaillance structurale par la détection précoce d'endommagement. Dans ce contexte, la détection de nouveauté constitue une approche particulièrement adaptée à l'analyse des signaux compte tenu des difficultés à modéliser une structure unique et soumise à de nombreux facteurs extérieurs influant sur la dynamique vibratoire. Une telle approche présente un double intérêt consistant à éviter de formuler des hypothèses a priori sur le comportement dynamique et à intégrer tous les facteurs de variabilité. Ce travail de thèse poursuit ainsi deux objectifs. Le premier objectif consiste à observer dans quelle mesure la détection de nouveauté parvient à détecter un endommagement dans un contexte fortement perturbé par des variations environnementales d'une part, et par une excitation de nature impulsionnelle, d'autre part. Le deuxième objectif est de proposer et d'étudier un nouvel indicateur vectoriel, désigné par JFV (pour Jacobian Feature Vector). Le calcul du JFV s'appuie sur la reconstruction de la trajectoire du système dynamique observé dans son espace des phases. Cette approche exploite les développements scientifiques récents réalisés en théorie des systèmes dynamiques non linéaires, parfois qualifiée de théorie du chaos. Le JFV est comparé aux coefficients de modèles auto-régressifs (AR), couramment utilisés en analyse des séries temporelles. Pour réaliser ce travail de thèse, plusieurs cas d'études expérimentaux sont utilisés dont notamment une maquette de structure en bois sur laquelle l'excitation est contrôlée et des variations environnementales sévères sont imposées. \indent Les indicateurs AR et JFV sont extraits des signaux vibratoires relatifs aux différents cas d'études et normalisés par le biais du concept de distance de Mahalanobis. Les résultats expérimentaux montrent que, pour les deux indicateurs vectoriels, la détection de l'endommagement est favorisée par une sollicitation comportant une composante de bruit. Une excitation purement instationnaire, constituée de séquences aléatoires d'impulsions, dégrade de façon significative les performances de détection. Les variations environnementales génèrent une forte variabilité des indicateurs, rendant difficile l'ajustement d'un modèle statistique robuste dédié à la discrimination des dégradations. Seuls les niveaux d'endommagement extrêmes sont repérés dans la configuration d'essai la plus pénalisante. L'analyse comparée des coefficients AR et du JFV met en évidence une dispersion beaucoup plus grande des composantes de ce dernier, conduisant à une sensibilité plus faible. Une étude paramétrique montre cependant que la sensibilité du JFV peut être améliorée par une optimisation des méthodes de sélection des paramètres de reconstruction de l'espace des phases. Face aux performances limitées des indicateurs AR et JFV dans certains cas très défavorables, un autre indicateur est proposé, basé sur la corrélation croisée des informations portées par une paire de capteurs. Cet indicateur présente une performance intéressante sur un cas d'étude complexe combinant variations environnementales fortes et sollicitation purement instationnaire. Une discussion est également proposée sur la façon de répartir les mesures de référence dans les différentes bases de données nécessaires à l'application de la démarche de détection de nouveauté. Enfin, différentes approches de modélisation statistique des indicateurs normalisés sont mises en oeuvre dans le but de comparer leurs aptitudes respectives à la définition d'un seuil de classification robuste.