SURVEILLANCE VIBRATOIRE D’UNE TURBINE DE VENTILATION A BASE D’UN SYSTEME DE PRISE DE DECISION
Date
2019
Journal Title
Journal ISSN
Volume Title
Publisher
ÉCOLE SUPÉRIEURE DE TECHNOLOGIES INDUSTRIELLES -ANNABA
Abstract
Avec le développement rapide de la technologie et de la science, les équipements mécaniques dans l'industrie moderne deviennent de plus en plus fonctionnels et complexes. Les machines tournantes font partie des équipements les plus importants dans les applications industrielles modernes et le diagnostic des pannes de ces machines devient l’aspect le plus critique de la conception et de la maintenance des systèmes, il existe plusieurs méthodes de diagnostic des défauts parmi lesquelles l’analyse vibratoire occupe une place prépondérante. Ce travail s’inscrit dans le cadre de la surveillance d’une turbine de ventilation, ainsi plusieurs techniques basées sur l’analyse vibratoire ont été appliqués pour l’étude de trois cas de défauts : défaut de balourd, défaut de choc et le défaut combiné de ces deux derniers. D’abord une application des méthodes d’analyse globale et de traitement de signal a été faite dans le but d’extraire une information pertinente du défaut. Ensuite, une classification de ces défauts a été réalisé à l’aide d’un algorithme de classification par les réseaux de neurones artificiels (Extreme Learning Machine), dans l’objectif de rendre la procédure de l’identification des défauts automatisé. À l’aide de logiciel SolidWorks, une modélisation d’une partie de la chaine de
ventilateur a été réaliser afin de provoquer des défauts similaires à ceux enregistrés dans la réalité, Puis à partir d'une simulation dynamique dans les mêmes conditions du fonctionnement du modèle réel, des signaux temporels ont été relevés, dont certains nous a permis de valider le modèle de la simulation numérique et les autres vont nous permettre d'avoir les signatures fréquentielles de certains défauts dont nous n'avons pas les signaux réels, cette approche promet d’être très avantageuse pour l’alimentation des modèles d’apprentissage à partir des modèles numériques sains et défectueux.