Surveillance et Diagnostic des Machines Tournantes par Analyse Vibratoire Assistée par Intelligence Artificielle

Abstract

L’objectif de ce projet de fin d’études est d’établir un modèle hybride d’apprentissage profond CNN-LSTM pour le diagnostic des défauts dans les machines tournantes en utilisant l’analyse vibratoire avec une implémentation MATLAB. L’ensemble des signaux utilisé pour l’apprentissage a été fourni par la base de données de l’Université de Case Western Reserve (CWRU). Dans ce contecste afin de valider nos résultats numériques, un band d’essai et une chaine d’acquisition des données ont été réalisés au sein du laboratoire de vibration au centre de recherche de développent militaire (CRD) pour déterminer les paramètres vibratoires de plusieurs défauts comme le défaut de roulement, d’engrenage, désalignement et le déséquilibre. Les résultats obtenus montrent que notre modèle hybride CNN-LSTM est très performant pour faire un bon diagnostic des défauts des machines tournantes qui été validé par les résultats du band d’essai The goal of this final project study is to develop a hybrid CNN-LSTM deep learning model for fault diagnosis in rotating machinery using vibration analysis, implemented in MATLAB. The signal dataset used for training was provided by the Case Western Reserve University (CWRU) bearing data center. In this context, to validate our numerical results, a test rig and a data acquisition chain were set up within the vibration laboratory at the Military Research and Development Center (CRD) to determine the vibration parameters of several faults, such as bearing faults, gear faults, misalignment, and unbalance. The results obtained show that our hybrid CNN-LSTM model is highly effective in accurately diagnosing rotating machinery faults, which was successfully validated by the experimental results from the test rig.