Diagnostic des machines tournantes par analyse vibratoire, et prédiction du défaut de balourd par machine learning

Abstract

Dans le cadre de ce mémoire, nous avons examiné l'application pratique des concepts d'apprentissage automatique, notamment le modèle de forêt aléatoire, pour la prédiction des défaillances dans des systèmes mécaniques complexes. À travers un stage dans deux entreprises spécialisées, nous avons utilisé des outils avancés de mesures de vibration pour diagnostiquer les défauts des machines, en nous concentrant sur le ventilateur 3-318 de SME et la turbine à gaz de GI. Nous avons employé des techniques telles que l'analyse spectrale, le spectre polaire, le spectre de la cascade, le spectre de Bode, les graphiques de tendance et les graphiques d'orbites pour identifier des anomalies comme le balourd et les égratignures. La comparaison des résultats entre les deux entreprises a mis en lumière les similarités et les différences dans les défauts détectés et les méthodes de diagnostic utilisées, enrichissant ainsi notre compréhension des défis spécifiques aux environnements industriels variés. Nous avons également exploré les avancées récentes dans les applications de l'apprentissage automatique, en mettant en avant des algorithmes comme les SVM, RNN et les forêts aléatoires. Les résultats obtenus ont démontré une précision élevée dans la prédiction des défaillances, confirmant ainsi l'efficacité de ces modèles. En parallèle à notre recherche, nous avons développé une application conviviale pour interagir avec notre modèle d'apprentissage automatique, facilitant la prédiction des défaillances dans un environnement industriel. Cette étude démontre l'importance de l'apprentissage automatique en maintenance prédictive et améliore la précision des prédictions grâce à une interface utilisateur intuitive.