Développement d’une plateforme de diagnostic non-intrusive des grands alternateurs hydroélectriques par mesures vibroacoustiques

Ibrahim, Rony (2024). Développement d’une plateforme de diagnostic non-intrusive des grands alternateurs hydroélectriques par mesures vibroacoustiques. Thèse de doctorat électronique, Montréal, École de technologie supérieure.

Prévisualisation

PDF Télécharger (10MB) | Prévisualisation

Résumé

Cette thèse présente une contribution à la surveillance et au diagnostic des grands alternateurs hydroélectriques en utilisant une approche basée sur l’autoencodeur variationnel, une technique d’apprentissage profond. Pour mettre en oeuvre cette technique, il est nécessaire de disposer d’une base de données comprenant des signaux sans et avec défauts. Étant donné qu’il est impossible d’interrompre le fonctionnement de la machine et de créer des défauts en centrale, une modélisation numérique d’un grand alternateur hydroélectrique sur ANSYS WORKBENCH est utilisée pour générer les signatures fréquentielles des défauts. Ces signatures seront ensuite injectées dans des signaux réels collectés sur site. La base de données ainsi constituée servira à l’apprentissage et à la validation du modèle d’intelligence artificielle.

La surveillance en temps réel des machines électriques est essentielle pour une détection précoce des défauts. À cet effet, deux métriques ont été établies en se basant sur cette technique pour signaler la présence de défauts tout en limitant les fausses alertes. L’utilisation de l’espace latent du modèle, qui réduit la dimensionnalité, a permis un diagnostic efficace. Dans cette approche, chaque état de la machine est indiqué par un cluster coloré, simplifiant ainsi la visualisation et l’interprétation des données. De plus, l’ajout d’un terme de désirabilité dans la fonction objective du modèle a permis de standardiser le diagnostic des défauts dans différentes machines. Une avancée majeure de cette recherche a été l’exploration de l’espace latent du modèle avec divers niveaux de sévérité des défauts, aboutissant à une première métrique de surveillance plus efficace que les méthodes traditionnelles basées sur l’analyse temporelle des signaux vibratoires, même avec différents niveaux de bruit gaussien.

Une autre contribution majeure réside dans la création d’une seconde métrique de surveillance, basée sur un calcul de probabilité, qui permet de déclencher une alerte précoce pour un niveau de risque défini. L’exploration de l’espace latent a inclus plusieurs niveaux de gravité pour divers types de défauts, améliorant ainsi la capacité du modèle à détecter diverses anomalies. Un autre apport notable a été l’intégration d’un terme basé sur la fonction de désirabilité dans la fonction objective du modèle, rendant ce dernier adapté à différentes conceptions de machines hydroélectriques et compatible avec un banc d’essai en ligne. Cela améliore la capacité du modèle à identifier une gamme étendue de défauts.

Ces travaux, menés en collaboration avec le Centre de recherche d’Hydro-Québec (CRHQ), s’appuient sur des données fournies par cette entité. Cette coopération facilite le transfert technologique vers l’industrie, optimisant ainsi la surveillance et le diagnostic des machines électriques. Elle ouvre également la voie à l’adoption de systèmes de mesure alternatifs dans l’entreprise, bénéficiant des progrès de cette recherche.

Titre traduit

Development of a non-intrusive diagnostic platform for large hydroelectric alternators through vibroacoustic measurements

Résumé traduit

This thesis presents a contribution to the monitoring and diagnosis of large hydroelectric generators using an approach based on the variational autoencoder, a deep learning technique. To implement this technique, it is necessary to have a database containing signals both with and without faults. Since it is impossible to interrupt the operation of the machine and create faults in the power plant, a digital model of a large hydroelectric generator on ANSYS WORKBENCH is used to generate the frequency signatures of the faults. These signatures are then injected into real signals collected on-site. The database thus created will serve for the training and validation of the artificial intelligence model, which is the Variational Autoencoder.

Real-time monitoring of electrical machines is essential for early detection of faults. To this end, two metrics have been established based on this technique to signal the presence of faults while minimizing false alarms. The use of the model’s latent space, which reduces dimensionality, has allowed for effective diagnosis. In this approach, each state of the machine is indicated by a colored cluster, thus simplifying the visualization and interpretation of the data. Additionally, the addition of a desirability term to the model’s objective function has standardized the diagnosis of faults in different machines.

A major advancement of this research has been the exploration of the model’s latent space with various levels of fault severity, leading to a first monitoring metric more effective than traditional methods based on the temporal analysis of vibratory signals, even with different levels of Gaussian noise.

Another significant contribution lies in the creation of a second monitoring metric, based on a probability calculation, which allows for an early alert for a predefined risk level. The exploration of the latent space included multiple levels of severity for various types of faults, thereby enhancing the model’s ability to detect various anomalies. Another notable contribution was the integration of a term based on the desirability function into the model’s objective function, making it suitable for different designs of hydroelectric machines and compatible with an online test bench. This improves the model’s ability to identify a wide range of faults.

These works, conducted in collaboration with the Hydro-Quebec Research Centre (CRHQ), are based on data provided by this entity. This close cooperation facilitates the transfer of technology to the industry, thus optimizing the monitoring and diagnosis of electrical machines. It also paves the way for the adoption of alternative measurement systems within the company, benefiting from the advances of this research.

Type de document:	Mémoire ou thèse (Thèse de doctorat électronique)
Renseignements supplémentaires:	"Thèse par articles présentée à l’École de technologie supérieure comme exigence partielle à l’obtention du doctorat en génie". Comprend des références bibliographiques (pages 213-227).
Mots-clés libres:	vibration, grands alternateurs hydroélectriques, diagnostic, non-intrusive, modélisation numérique, Intelligence Artificielle, AutoEncoder variationnel
Directeur de mémoire/thèse:	Directeur de mémoire/thèse Tahan, Antoine
Codirecteur:	Codirecteur Al-Haddad, Kamal Merkhouf, Arezki
Programme:	Doctorat en génie > Génie
Date de dépôt:	16 déc. 2024 20:18
Dernière modification:	16 déc. 2024 20:18
URI:	https://espace.etsmtl.ca/id/eprint/3506

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt