Utilisation des dispositifs MEMS pour la maintenance intelligente des machines industrielles

Jemli, Mohamed (2023). Utilisation des dispositifs MEMS pour la maintenance intelligente des machines industrielles. Mémoire de maîtrise électronique, Montréal, École de technologie supérieure.

Prévisualisation

PDF Télécharger (11MB) | Prévisualisation

Résumé

L'anticipation des défaillances et l’estimation de l’état de santé des composants sont deux missions essentielles de la maintenance prédictive. Ce mémoire fait l’objet d’une étude pour prédire un certain nombre de défauts en utilisant des signaux capturés sur des roulements par des capteurs accéléromètres MEMS. Ces composants des machines sont très utilisés dans le monde industriel, notamment dans les moteurs électriques. Avec la naissance de l'Internet industriel des objets d'Intelligence Artificielle, la collecte des signaux été grandement amélioré. L'utilisation des signaux enregistrés dans la prédiction des pannes et dans l’estimation de la durée de vie restante sont désormais un sujet de recherche brûlant dans le domaine de la maintenance industrielle.

Ce projet se décompose en deux parties, une première partie de l’étude sera faite sur une base de données Open Source afin de bien tester les modèles pour la détection et la classification des anomalies, ainsi que pour prédire l’état de santé des roulements. Une deuxième partie est consacrée pour concevoir un banc de tests pour enregistrer des données de vibration de deux roulements par les deux MEMS accéléromètres Adxl335 et l’Adxl 1002Z afin d’évaluer ses performances dans contexte de maintenance prédictive.

Nous sommes arrivés à prédire les défauts avant leurs apparitions en utilisant les signaux enregistrés par les deux accéléromètres avec un F-score maximal de 98.26% pour la classification des défauts par le modèle SVM, de plus une démarche méthodologique est adaptée à ce problème pour l’estimation de l’état de santé de ces composants.

Titre traduit

The use of MEMS devices in the intelligent maintenance of industrial machines

Résumé traduit

The prediction of failures and the estimation of the health status of components are two critical functions of predictive maintenance. This thesis is the subject of an investigation that aims to predict several defects using vibration signals captured from rotors bearing by MEMS accelerometers sensors. These machine components are widely used in the industrial world, particularly in electric motors. Moreover, artificial intelligence and signal collection have greatly improved, especially with the advent of the Industrial Internet of Things. The use of recorded signals in the prediction of failures and the estimation of the remaining useful life span are currently trending subjects of research in the field of industrial maintenance.

This project is divided into two parts. The first part of the research is conducted on an opensource data base to thoroughly evaluate the models for anomaly detection and classification, as well as to predict the health of the bearings. A second section is devoted to designing a test bench to record vibration data from two bearings using two MEMS accelerometers Adxl335 and Adxl1002Z in order to evaluate their performance in the context of predictive maintenance.

We were able to predict defects before their appearance using the signals recorded by the two accelerometers with a maximum F-score of 98.26% for fault classification using the SVM model. Additionally, a methodological approach has been adapted to this problem for estimating the state of health of these components.

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 91-97).
Mots-clés libres:	maintenance prédictive, MEMS accéléromètres, RUL, apprentissage machine, roulements, enregistrement des données
Directeur de mémoire/thèse:	Directeur de mémoire/thèse Izquierdo, Ricardo
Programme:	Maîtrise en ingénierie > Génie électrique
Date de dépôt:	11 avr. 2023 15:36
Dernière modification:	11 avr. 2023 15:36
URI:	https://espace.etsmtl.ca/id/eprint/3215

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt