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.
| Identifer | oai:union.ndltd.org:theses.fr/2016LIL10014 |
| Date | 24 February 2016 |
| Creators | Bacchus, Alexandre |
| Contributors | Lille 1, Tounzi, Abdelmounaïm, Macaire, Ludovic, Le Menach, Yvonnick |
| Source Sets | Dépôt national des thèses électroniques françaises |
| Language | French |
| Detected Language | French |
| Type | Electronic Thesis or Dissertation, Text |
Page generated in 0.0016 seconds