| Titre : | Contrôle non linéaire de la machine asynchrone en vue du diagnostic des défauts en utilisant des techniques avancées |
| Auteurs : | imadeddine Harzelli, Auteur ; Abdelhamid Benakcha, Directeur de thèse |
| Type de document : | Monographie imprimée |
| Editeur : | Biskra [Algerie] : Université Mohamed Kheider, 2020 |
| Langues: | Français |
| Mots-clés: | Moteur asynchrone ; Commande par linéarisation entrée-sortie ; Surveillance des défauts ; génération des résidus ; Réseau de neurones (RN) ; réseaux neuro-flou (MANFIS) ; Transformation de Hilbert (TH). |
| Résumé : |
Ce travail de thèse est une contribution à l’approche de surveillance des défauts et à la commande par linéarisation
entrée-sortie du moteur asynchrone dans un entraînement en boucle fermée. Trois types de défauts sont pris en compte dans la machine: cassures de barres, court - circuits entre spires dans les enroulements statoriques et l’excentricité statique du rotor. L’approche est conçue pour détecter et identifier les défauts simples et mixtes pendant le fonctionnement de la machine en utilisant des techniques avancées. A cette fin, deux procédures sont appliquées à la surveillance des défauts : - la stratégie basée sur le modèle avec connaissance à priori, qui génère des résidus de vitesse rotorique et du courant statorique via la technique de génération des résidus pour indiquer la présence de défaut au moyen d’un observateur à grand gain dans l’entraînement en boucle fermée. Cependant, cette stratégie n’est pas en mesure de reconnaître le type de défauts, car elle peut être affectée par les perturbations, - la stratégie basée sur des techniques avancées à savoir les réseaux de neurones (RN) et le réseau neuro - flou (MANFIS) qui sont appliqués afin d'identifier et classer ces défauts. Néanmoins, les techniques avancées ont besoin d’une base de données pertinente pour obtenir des résultats satisfaisants. L’analyse du courant statorique, basée sur la combinaison HFFT de la transformée de Hilbert (TH) et de la transformée de Fourier rapide (FFT), est donc appliquée pour extraire les amplitudes des raies et les utiliser comme données d’entrées pour les réseaux RN et MANFIS. Les résultats obtenus montrent l'efficacité du système de surveillance des défauts et sa capacité à détecter et classer pratiquement toutes les défaillances mineures dans un entrainement à base d’un moteur asynchrone. |
| Sommaire : |
Remerciements
Dédicaces Résumé Liste des figures Liste des tableaux Notations et symboles Sommaire Introduction générale 01 Chapitre I : État de l’art sur le diagnostic de défaut dans la machine asynchrone I.1. Introduction 08 I.2. Définitions et conceptions 08 I.3. Conception d’un système de surveillance 08 I.4. Principaux défauts affectant la machine asynchrone à cage d’écureuil 09 I.4.1. Défaillances mécaniques 10 I.4.1.1. Défauts de roulement 10 I.4.1.2. Défauts d'excentricité 12 I.4.2. Défaillances électriques 13 I.4.2.1. Défauts statorique 13 I.4.2.2. Défauts rotorique 14 I.5. Aperçu sur les méthodes et techniques de diagnostic des défauts 15 I.5.1. Méthodes sans modèle 15 I.5.1.1. Approche signal 16 I.5.1.2. Systèmes experts 17 I.5.2. Méthodes avec modèle 19 I.5.2.1. Techniques à base de l'estimation d'état 20 I.5.2.2. Technique de génération des résidus 20 I.5.2.3. Techniques d'identification 21 I.6. Conclusion 22 I.7. Bibliographie 22 Contributions Scientifiques Chapitre II : Modélisation et diagnostic de la machine asynchrone à cage avec défaut rotorique et statorique II.1. Introduction 30 II.2. Modèle multi-enroulement de la machine 30 II.2.1. Calcul des inductances 30 II.2.1.1. Partie statorique 30 II.2.1.2. Partie rotorique 32 II.2.1.3. Mutuelles inductances entre stator/rotor 34 II.2.2. Mise en équation 35 II.2.2.1. Equations statoriques 35 II.2.2.2. Equations rotoriques 36 II.3. Modèle réduit de la machine asynchrone à cage tenant compte des défauts 38 II.3.1. Modèle réduit de la machine tenant compte des défauts des cassures de barres rotorique 41 II.3.2. Simulation numérique : cas d’un défaut rotorique 42 II.3.3. Modèle réduit de la machine tenant compte du défaut de court-circuit statorique 44 II.3.4. Simulation numérique : cas d’un défaut statorique 46 II.4. Prise en compte du défaut d'excentricité statique de la machine asynchrone 47 II.4.1. Simulation du défaut d'excentricité statique 48 II.5. Prise en compte de trois défauts simultanés dans la machine asynchrone 50 II.5.1. Simulation de trois défauts simultanés 50 II.6. Conclusion 52 II.7. Bibliographie 53 Chapitre III : Détection des défauts de la machine asynchrone commandée par linéarisation entrée-sortie à base de génération de résidus III.1. Introduction 57 III.2. Commande par linéarisation entrée-sortie 58 III.2.1. Théorie de linéarisation 58 III.2.1.1. Notions mathématiques 58 III.2.1.2. Principe de la technique de linéarisation au sens des entrées-sorties 63 III.2.2. Application de la commande par linéarisation entrée-sortie au moteur asynchrone 67 III.3. Observateur à grand gain 72 III.3.1. Synthèse de l’observateur 73 III.3.2. Application de l’observateur grand gain à la machine asynchrone 74 Contributions Scientifiques III.4. Organisation fonctionnelle de la commande par linéarisation entrée-sortie 75 III.4.1. Bloc de défluxage 75 III.4.2. Modélisation de l’onduleur de tension à MLI 76 III.4.2. Commande de l’onduleur de tension à MLI naturelle (sinus-triangle) 78 III.5. Procédures de surveillance des défauts 79 III.6. Résultat de simulation de la commande par linéarisation entrée-sortie de la MAS 80 III.6.1. Fonctionnement sain de la machine 80 III.6.2. Fonctionnement en défaut de la machine asynchrone (Génération de résidus) 82 III.7. Conclusion 92 III.8. Bibliographie 93 Chapitre IV : Diagnostic des défauts de la machine asynchrone par les réseaux de neurones et l’Approche Neuro-Flou rotorique IV.1. Introduction 97 IV.2. Méthodologie d'utilisation les techniques d’IA dans le domaine du diagnostic 97 IV.2.1. Choix des indicateurs de défauts 98 IV.2.2. Choix des indicateurs de défauts 98 IV.2.2.1. Les réseaux de neurones 98 IV.2.2.2. Le réseau neuro-floue 99 IV.2.3. Construction de la base d'apprentissage et de test 101 IV.2.4. Apprentissage et test du réseau 102 IV.2.4.1. Les réseaux de neurones 102 IV.2.4.2. Le réseau neuro-floue 102 IV.3. Signature des défauts statorique et rotorique 104 IV.3.1. Analyse de l’enveloppe de courant statorique 104 IV.3.2. Analyse spectrale de l'enveloppe du courant statorique 105 IV.4. Diagnostic des défauts par les réseaux de neurones RN 114 IV.4.1. Description du système de diagnostic 114 IV.4.2. Extraction des indicateurs des défauts 114 IV.4.3. Séquence d'apprentissage 115 IV.4.4. Structure du réseau RN 116 IV.4.5. Résultats d'apprentissage 117 IV.4.6. Résultats de test du réseau RN 119 IV.5. Diagnostic des défauts par le réseau neuro-flou MANFIS 122 Contributions Scientifiques IV.5.1. Architecture MANFIS du système de diagnostic 122 IV.5.2. Choix des indicateurs de défaut 123 IV.5.3. Génération de la base d’apprentissage 123 IV.5.4. Structure du réseau MANFIS 125 IV.5.5. Résultats d'apprentissage 126 IV.5.6. Résultats de test du réseau MANFIS 128 IV.6. Comparaisons des résultats obtenus par le MANFIS et RN 131 IV.7 Conclusion 132 IV.9 Bibliographie 132 Conclusion générale 135 Annexes |
Disponibilité (1)
| Cote | Support | Localisation | Statut | Emplacement | |
|---|---|---|---|---|---|
| TH/1045 | Thèse de doctorat | BIB.FAC.ST. | Empruntable |
Erreur sur le template
