DI-UMONS : Dépôt institutionnel de l’université de Mons

Recherche transversale
Rechercher
(titres de publication, de périodique et noms de colloque inclus)
2008-07-10 - Travail avec promoteur/Doctorat - Français - 233 page(s)

Kilundu Y'E Bondo Bovic, "Détection et diagnostic vibratoire de dégradations mécaniques : apport du data mining"

  • Codes CREF : Mécanique appliquée générale (DI2100)
  • Unités de recherche UMONS : Génie Mécanique (F707)
Texte intégral :

Abstract(s) :

(Français) Cette thèse de doctorat s’est fixée comme objectif général d’explorer les possibilités offertes par les méthodes de data mining pour l’optimisation des processus de détection et de diagnostic vibratoire de dégradations mécaniques. Après avoir circonscrit le contexte de l’étude et présenté les outils de base utilisés en détection et diagnostic vibratoire, la thèse aborde la question du prétraitement des signaux vibratoires en vue de l'extraction des indicateurs, et celle du traitement des ensembles de données constituées d’indicateurs dans le but d’en sélectionner les plus pertinents. Ensuite une description des méthodes d’apprentissage est présentée tout en soulignant l’importance de la prise en compte de coûts de classification. Cette thèse propose, pour différents besoins d’analyse, des démarches essentiellement basées sur l’analyse en composantes principales (ACP): l’analyse spectrale singulière pour le débruitage et le filtrage des signaux, la combinaison de l’ACP et des poids synaptiques d’un réseau de neurones pour la sélection des indicateurs pertinents et la construction des résidus ACP pour la détection précoce des dégradations et pour la construction de variables monotones croissantes utilisables dans le cadre d’un processus de pronostic. Ces travaux démontrent l’applicabilité des techniques d’apprentissage et leur complémentarité à l’analyse vibratoire traditionnelle dans un contexte industriel. Les différentes démarches développées sont validées expérimentalement dans deux domaines techniques: - la surveillance des machines tournantes : diagnostic de défauts multiples et détection précoce de défauts de roulement ; - la surveillance de l'usure d'outils en usinage : identification « qualitative » de l’état de l’outil, détection d’anomalie de fonctionnement et suivi de l’évolution temporelle de l’usure.