L’objectif de ces travaux de thèse est de développer des architectures fiables de surveillance et de détection des défauts d’une machine asynchrone basées sur des techniques paramétriques de traitement du signal. Pour analyser et détecter les défauts, un modèle paramétrique du courant statorique en environnement stationnaire est proposé. Il est supposé être constitué de plusieurs sinusoïdes avec des paramètres inconnus dans le bruit. Les paramètres de ce modèle sont estimés à l’aide des techniques paramétriques telles que les estimateurs spectraux de type sous-espaces (MUSIC et ESPRIT) et l’estimateur du maximum de vraisemblance. Un critère de sévérité des défauts, basé sur l’estimation des amplitudes des composantes fréquentielles du courant statorique, est aussi proposé pour évaluer le niveau de défaillance de la machine. Un nouveau détecteur des défauts est aussi proposé en utilisant la théorie de détection. Il est principalement basé sur le test du rapport de vraisemblance généralisé avec un signal et un bruit à paramètres inconnus. Enfin, les techniques paramétriques proposées ont été évaluées à l’aide de signaux de courant statoriques expérimentaux de machines asynchrones en considérant les défauts de roulements et les ruptures de barres rotoriques. L’analyse des résultats expérimentaux montre clairement l’efficacité et la capacité de détection des techniques paramétriques proposées. / This Ph.D. thesis aims to develop reliable and cost-effective condition monitoring and faults detection architectures for induction machines. These architectures are mainly based on advanced parametric signal processing techniques. To analyze and detect faults, a parametric stator current model under stationary conditions has been considered. It is assumed to be multiple sinusoids with unknown parameters in noise. This model has been estimated using parametric techniques such as subspace spectral estimators and maximum likelihood estimator. A fault severity criterion based on the estimation of the stator current frequency component amplitudes has also been proposed to determine the induction machine failure level. A novel faults detector based on hypothesis testing has been also proposed. This detector is mainly based on the generalized likelihood ratio test detector with unknown signal and noise parameters. The proposed parametric techniques have been evaluated using experimental stator current signals issued from induction machines under two considered faults: bearing and broken rotor bars faults.Experimental results show the effectiveness and the detection ability of the proposed parametric techniques.

Cette thèse est consacrée à l'étude de diagnostic de pannes pour les systèmes pile à combustible de type PEMFC. Le but est d'améliorer la fiabilité et la durabilité de la membrane électrolyte polymère afin de promouvoir la commercialisation de la technologie des piles à combustible. Les approches explorées dans cette thèse sont celles du diagnostic guidé par les données. Les techniques basées sur la reconnaissance de forme sont les plus utilisées. Dans ce travail, les variables considérées sont les tensions des cellules. Les résultats établis dans le cadre de la thèse peuvent être regroupés en trois contributions principales.La première contribution est constituée d'une étude comparative. Plus précisément, plusieurs méthodes sont explorées puis comparées en vue de déterminer une stratégie précise et offrant un coût de calcul optimal.La deuxième contribution concerne le diagnostic online sans connaissance complète des défauts au préalable. Il s'agit d'une technique adaptative qui permet d'appréhender l'apparition de nouveaux types de défauts. Cette technique est fondée sur la méthodologie SSM-SVM et les règles de détection et de localisation ont été améliorées pour répondre au problème du diagnostic en temps réel.La troisième contribution est obtenue à partir méthodologie fondée sur l'utilisation partielle de modèles dynamiques. Le principe de détection et localisation de défauts est fondé sur des techniques d'identification et sur la génération de résidus directement à partir des données d'exploitation.Toutes les stratégies proposées dans le cadre de la thèse ont été testées à travers des données expérimentales et validées sur un système embarqué. / Aiming at improving the reliability and durability of Polymer Electrolyte Membrane Fuel Cell (PEMFC) systems and promote the commercialization of fuel cell technologies, this thesis work is dedicated to the fault diagnosis study for PEMFC systems. Data-driven fault diagnosis is the main focus in this thesis. As a main branch of data-driven fault diagnosis, the methods based on pattern classification techniques are firstly studied. Taking individual fuel cell voltages as original diagnosis variables, several representative methodologies are investigated and compared from the perspective of online implementation.Specific to the defects of conventional classification based diagnosis methods, a novel diagnosis strategy is proposed. A new classifier named Sphere-Shaped Multi-class Support Vector Machine (SSM-SVM) and modified diagnostic rules are utilized to realize the novel fault recognition. While an incremental learning method is extended to achieve the online adaptation.Apart from the classification based diagnosis approach, a so-called partial model-based data-driven approach is introduced to handle PEMFC diagnosis in dynamic processes. With the aid of a subspace identification method (SIM), the model-based residual generation is designed directly from the normal and dynamic operating data. Then, fault detection and isolation are further realized by evaluating the generated residuals.The proposed diagnosis strategies have been verified using the experimental data which cover a set of representative faults and different PEMFC stacks. The preliminary online implementation results with an embedded system are also supplied.

This work is dedicated to faulty induction motors. These motors are often used in industrial applications thanks to their usability and their robustness. However, nowadays optimisation of production becomes so critical that the conceptual reliability of the motor is not sufficient anymore. Motor condition monitoring is expanding to serve maintenance planning and uptime maximisation. Moreover, the use of drive control sensors (namely stator current and voltage) can avoid the installation and maintenance of dedicated sensors for condition monitoring.<p><p>Many authors are working in this field but few approach the diagnosis from a detailed and clear physical understanding of the localised phenomena linked to the faults. Broken bars are known to modulate stator currents but it is shown in this work that it also changes machine saturation level in the neighbourhood of the bar. Furthermore, depending on the voltage level, this change in local saturation affects the amplitude and the phase of the modulation. This is of major importance as most diagnosis techniques use this feature to detect and quantify broken bars. For stator short-circuits, a high current is flowing in the short-circuited coil due to mutual coupling with the other windings and current spikes are flowing in the rotor bars as they pass in front of the short-circuited conductors. In the case of rotor eccentricities, the number of pole-pairs and the connection of these pole-pairs greatly affect the airgap flux density distribution as well as the repartition of the line currents in the different pole-pairs.<p><p>These conclusions are obtained through the use of time-stepping finite element models of the faulty motors. Moreover, circuit models of faulty machines are built based on the conclusions of previously explained fault analysis and on classical Park models. A common mathematical description is used which allows objective comparison of the models for representation of the machine behaviour and computing time.<p><p>The identifiability of the parameters of the models as well as methods for their identification are studied. Focus is set on the representation of the machine behaviour using these parameters more than the precise identification of the parameters. It is shown that some classical parameters can not be uniquely identified using only stator measurements.<p><p>Fault detection and identification using computationally cheap models are compared to advanced detection through motor stator current spectral analysis. This last approach allows faster detection and identification of the fault but leads to incorrect conclusions in low load conditions, in transient situations or in perturbed environments (i.e. fluctuating load torque and unideal supply). Efficient quantification of the fault can be obtained using detection techniques based on the comparison of the process to a model.<p><p>Finally, the work provides guidelines for motor supervision strategies depending on the context of motor utilisation. / Doctorat en Sciences de l'ingénieur / info:eu-repo/semantics/nonPublished