Maintenance prédictive pour une turbine de puissance en utilisant des algorithmes d’apprentissage machine

Jemmali, Mariem (2021). Maintenance prédictive pour une turbine de puissance en utilisant des algorithmes d’apprentissage machine. Mémoire de maîtrise électronique, Montréal, École de technologie supérieure.

Prévisualisation

PDF Télécharger (5MB) | Prévisualisation

Résumé

Aujourd’hui, des technologies telles que l'automatisation et l'apprentissage machine s'introduisent à plein régime au sein de plusieurs secteurs industriels. Cela permet aux entreprises de tirer un meilleur profit de leurs chaînes de production. L'un des plus grands atouts de cette avancée technologique est de permettre aux équipements de fonctionner plus longtemps sans l’apparition de panne. Ceci est une conséquence de la maintenance prédictive appliquée au système industriel et réalisée avec des systèmes d'analyse de données.

La maintenance prédictive consiste à prévoir les pannes des machines avant qu'elles ne surviennent et à éviter les pauses non programmées. L'une des principales techniques utilisées dans le cadre de la maintenance prédictive est l'extraction des données vibratoires des machines. Les informations extraites de ces données permettent d'identifier, de prévoir et de prévenir les pannes des machines rotatives. Dans ce contexte, ce mémoire propose une méthode de diagnostic et pronostic du défaut de déséquilibre d’une turbine de puissance à l’aide des techniques de l’intelligence artificielle et l’apprentissage machine en mettant en exergue leurs avantages par rapport aux anciennes techniques de diagnostic principalement l’analyse temporelle et l’analyse fréquentielle des signaux.

Cette étude de recherche a été réalisée en collaboration avec un partenaire industriel, Siemens Energy, qui est basé à Montréal. Elle a pour but d’améliorer et d’automatiser leur processus de maintenance quant à la détection de l’état de leurs machines. L’objectif de ce travail est donc de proposer une démarche de maintenance prédictive pour suivre et détecter en temps réel si la turbine de puissance est sujette d’un défaut de balourd ou elle est en état de fonctionnement normal à l’aide des techniques de l’intelligence artificielle. Pour cela, une étude comparative de différentes approches analytiques et de plusieurs algorithmes d’apprentissage machine tel que le SVM (Support Vector Machine), le RF (Random Forest) et le KNN (K Nearst Neighbors), a été réalisée afin de choisir l’approche la plus efficiente en ce qui concerne la détection du défaut.

Titre traduit

Predictive maintenance system for a power turbine using machine learning algorithms

Résumé traduit

Today, automation and machine learning technologies are making their way into the industry, allowing companies to get the most out of their production chains. One of the greatest strengths of this technological advancement is that it enables equipment to function longer without failure. This is a consequence of the predictive maintenance applied to the industrial system and carried out with data analysis systems.

Predictive maintenance is about predicting machine failures before they happen and avoiding unscheduled downtime. One of the main techniques generally used in predictive maintenance is the extraction of vibration data from machines. The information extracted from this data allows us to identify, predict, and prevent rotating machinery breakdowns. In this context, this thesis proposes a method of diagnosis and prognosis of the imbalance fault of a power turbine using the techniques of artificial intelligence and machine learning by putting their advantages over the old diagnostic procedures, mainly temporal analysis and frequency analysis of signals.

This research study is designed to collaborate with our industrial partner, Siemens Energy, based in Montreal. It aims to improve and automate its machine condition maintenance process. Therefore, this work aims to propose a predictive maintenance approach to monitor and detect in real-time whether the power turbine is subject to an imbalance or it is in normal operating condition using the techniques of artificial intelligence. For this, a comparative study of different analytical approaches and several machine learning algorithms, such as SVM (Support Vector Machine), RF (Random Forest), and KNN (K Nearest Neighbors), was made to choose the most efficient method in terms of defect detection.

Type de document:	Mémoire ou thèse (Mémoire de maîtrise électronique)
Renseignements supplémentaires:	"Mémoire présenté à l’École de technologie supérieure comme exigence partielle à l’obtention de la maitrise en génie de la production automatisée". Comprend des références bibliographiques (pages 111-116).
Mots-clés libres:	maintenance prédictive, industrie 4.0, diagnostic, détection des défauts, déséquilibre, turbine de puissance, machine rotative, analyse vibratoire, apprentissage machine
Directeur de mémoire/thèse:	Directeur de mémoire/thèse Chaabane, Amin
Programme:	Maîtrise en ingénierie > Génie de la production automatisée
Date de dépôt:	10 févr. 2022 18:51
Dernière modification:	10 févr. 2022 18:51
URI:	https://espace.etsmtl.ca/id/eprint/2894

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt