Détection des défauts dans un environnement de maintenance prédictive

Chartrand, Alexandre (2021). Détection des défauts dans un environnement de maintenance prédictive. Mémoire de maîtrise électronique, Montréal, École de technologie supérieure.

Prévisualisation

PDF Télécharger (4MB) | Prévisualisation

Résumé

L’anticipation des défaillances est une fonction importante en maintenance prédictive. Ce mémoire propose une méthodologie capable de prédire un nombre de défauts en utilisant des signaux captés des moteurs à courant continu. Ces moteurs électriques sont très présents dans le monde industriel et en particulier dans des chaînes de production. Avec l’avènement de l’Internet industriel des objets, l’instrumentation des moteurs et la collecte des signaux générés sont grandement simplifiées. Désormais, l’utilisation des signaux enregistrés dans la prédiction des défauts est devenu un sujet de recherche très prisé dans le domaine de la maintenance industrielle.

Pour concevoir la fonction de la prédiction des défauts, des signaux temporels sont générés par simulation à l’aide de MATLAB et de Simulink. Ces signaux représentent différentes régimes de fonctionnement des moteurs soumis à des défauts mécaniques et électriques. Dans ce projet, cinq (5) défauts sont analysés sur trois (3) moteurs différents. Ces défauts sont : problème de roulement, court-circuit de l’alimentation, défaut des capteurs de vitesse, de courant et de tension. De plus, des consignes de vitesse sont appliquées aux moteurs afin de simuler des conditions d’utilisation tels le convoyage, le transfert et le levage. Au total 9000 signaux d’une durée de 5 secondes chacun sont générés pour ce projet.

Quatre (4) modèles prédictifs tirés des techniques d’apprentissage profond sont évalués à l’aide des signaux générés. Ces modèles sont : le FCN, le ResNet, l’Encodeur et le LSTM. La performance prédictive de ces modèles sont quantifiée par des métriques de classification telles l’exactitude, la précision, le rappel et le F-score. Le modèle prédictif Encodeur présente les meilleurs résultats lors de son entraînement obtenant 89.6% pour l’exactitude, 90.47% en précision, 90.08% pour le rappel et 90.28% pour le F-score. Ce même modèle appliqué à des nouvelles données produit une exactitude 88.53% et un rappel de 88.67%. Plus intéressant encore, le modèle Encodeur est en mesure de prédire correctement l’absence des défauts à un taux de 83.14% alors que le score est de 50.4% pour le FCN, 14.4% pour le ResNet et 54.4% pour le LSTM.

Enfin, le code source des expérimentations est disponible sur GitHub à : https://github.com/alexchartrand/Fault-detection-in-IIoT et les fichiers de simulation MATLAB-Simulink sont entreposés dans le dossier https://github.com/alexchartrand/DCMotor-fault-simulation.

Titre traduit

Fault detection in a predictive maintenance environment

Résumé traduit

Failure forecasting is an important function in predictive maintenance. This thesis proposes a methodology capable of predicting a number of faults using signals collected from permanent magnet DC motors. These electric motors are often used in the industrial world, especially in production lines. With the advent of the Industrial Internet of Things, condition monitoring and signal acquisition are now greatly simplified. That is why, fault prediction has become a prevalent research topic in the field of industrial maintenance.

In this work, motor signals are generated by simulation using MATLAB and Simulink. These signals represent different motor operating regimes subjected to mechanical and electrical faults. Five (5) types of faults are analyzed using three (3) different engines. They are bearing problems, power supply short circuit, speed, current and voltage sensor problems. In addition, speed setpoints are used as input reference simulating different motor operating conditions such as conveying, transfer and lifting. A total of 9000 signals each having a 5-second length are generated for this project.

Four (4) predictive models, FCN, ResNet, Encoder and LSTM, from deep learning techniques are trained and evaluated using the generated signals. Their performances are quantified using classification metrics such as accuracy, precision, recall and F-score. Experimental results indicate that the Encoder is the best model during training with an accuracy of 89.6%, a precision of 90.47%, a recall 90.08% and a F-score of 90.28%. This trained model when applied to new data was able to produce an accuracy of 88.53% and a recall of 88.67%. More interesting still, the Encoder model is able to correctly classify the absence of faults at a rate of 83.14% while the score is 50.4% for FCN, 14.4% for ResNet and 54.4% for LSTM.

Finally, source code for this project is available at : https://github.com/alexchartrand/Fault-detection-in-IIoT and MATLAB-Simulink signal generation files are stored in the folder https://github.com/alexchartrand/DCMotor-fault-simulation.

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 maîtrise avec mémoire en génie électrique”. Comprend des références bibliographiques (pages 85-88).
Mots-clés libres:	maintenance prédictive, modèles prédictifs, apprentissage profond, simulation, séquences temporelles
Directeur de mémoire/thèse:	Directeur de mémoire/thèse Wong, Tony
Programme:	Maîtrise en ingénierie > Génie électrique
Date de dépôt:	11 févr. 2022 20:15
Dernière modification:	11 févr. 2022 20:15
URI:	https://espace.etsmtl.ca/id/eprint/2899

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt