Nous avons développé une méthode d'identification de courts-circuits et d'excentricités statiques d'un turboalternateur en fonctionnement. Cette méthode doit être non seulement capable d'identifier le type de défaut, mais également sa gravité et sa localisation. Pour cela, la force électromotrice issue d'une sonde de flux radiale est considérée pour identifier les défauts de la machine. Les méthodes d'apprentissage ayant fait leur preuve sur ce type de problématique, un ensemble d'échantillons des défauts, i.e. matrice des prototypes, est construit grâce à des simulations par la méthode des éléments finis de la machine dans un grand nombre d'états de fonctionnement. Le but est alors d'identifier la classe (le défaut) de mesures expérimentales en considérant les sorties de simulations. Pour faire cela, une maquette de turboalternateur est modélisée et les sorties de simulation sont comparées aux mesures expérimentales. L'application de méthodes de classification supervisée choisies selon la forme des données montre qu'on peut atteindre des taux de bonne classification de 79 % pour les courts-circuits et 93 % pour les excentricités après un traitement spécifique des attributs et un recalage des sorties de simulation. Une règle d'identification du type de défaut est également mise en place au travers d'une classification hiérarchique. Celle-ci donne d'excellents résultats pour lesquels toutes les mesures expérimentales sont assignées au bon type de défaut. Enfin, un automate à états finis permet d'améliorer les résultats précédents en tenant compte de l'évolution temporelle de l'état de fonctionnement de la machine. Ainsi, un taux de bonne classification de 91.5 % pour l'identification de courts-circuits est obtenu. / An identification method of rotor inter-turn short-circuits and static eccentricities of an operating turboalternator is developed. This approach provides the type of the machine functional state such as its seriousness and location. The electromotive force obtained from a radial flux sensor is considered in order to identify the machine faults. Some previous works have shown that learning methods are efficient to characterize precisely the fault of a machine. Thus, a fault signatures data set, i.e. prototypes matrix, is built thanks to simulations using finite element method applied to the machine considering a great number of functional states. Therefore, the goal of this work is to identify the class (fault) of experimental measurements using the simulated output. To do that, a small scale alternator is modelled and simulation outputs are compared to the experimental measurements. The application of supervised classification method chosen beyond the shape of data shows that a good classification rate of 79 % for short-circuits and 93 % for eccentricities can be achieved thanks to specific features and simulation output treatments. An identification rule of the fault type is designed by considering a hierarchical classification approach. It achieves excellent results since all experimental measurements are assigned to the right type of fault. Finally, the use of a finite state automaton achieves better results for short-circuits identification by taking into account the temporal evolution of the machine functional state.

Dans les complexes industriels, les cahiers des charges sont de plus en plus exigeants en terme de performances et d'optimisation économique des installations de production électrique. Dans certains cas, oncherchera à minimiser les courants de court-circuit pour soulager les organes de coupure ; au contraire dans d'autres cas, on veillera à limiter les chutes de tension transitoires. Les moyens de calcul rapides permettant de dimensionner les machines, basés sur des modèles analytiques n'ont pas toujours la précision nécessaire. Les méthodes de calcul par Eléments Finis permettent d'optimiser des parties locales de la machine, mais deviennent trop lourds d'utilisation s'agissant de dimensionner des équipements pour répondre aux appels d'offre de matériel de moyenne puissance. La méthode proposée par L2EP de Lille et le MPEI de Moscou, basée sur l'emploi des réseaux de perméances, a retenu l'attention de Jeumont SA pour développer un nouveau logiciel dans le cadre du CNRT « Réseaux et Machines du Futur » de Lille. Cette méthode permet de conserver la rapidité d'exploitation et d'améliorer la précision de calcul en adaptant facilement le réseau de perméances à la configuration étudiée. Le travail développé est ouvert aux méthodes d'optimisation ainsi qu'à la prise en compte de régimes dynamiques. Dans ce travail, un modèle de turbo-alternateurs a été présenté, basé sur la méthode de contour de dents. L'outil ?TurboTCM' développé sous Matlab permet de générer de façon automatique le réseau de perméances. Des simulations ont été comparées aux résultats expérimentaux et ont montré la bonne correspondance des résultats. Puis, certaines caractéristiques de sortie sont données montrant les possibilités de l'outil. En réalisant un bon compromis entre le temps de calcul et la précision, nous pouvons envisager le couplage avec des outils d'optimisation. Dans un premier temps, une étude de sensibilité est fournie sachant que celle-ci peut être étendue à n facteurs influents. Les perspectives sont nombreuses sur l'application d'un tel outil. Il nous reste à valider celui-ci sur ?n' turbo-alternateurs de puissances différentes mais aussi avec un nombre de pôles différents. Un de nos objectifs à court terme est de coupler l'outil avec la méthode des plans d'expériences, permettant de considérer un grand nombre de facteurs, une première étape de ?Screening ou criblage' permettant de déduire les facteurs influents.