Apprentissage automatique par réseaux de neurones artificiels pour la maintenance des systèmes électriques

Abstract

Les machines synchrones à aimants permanents (MSAP) sont couramment utilisées dans les applications industrielles pour leur rendement élevé et leur fiabilité. Cependant, elles restent vulnérables aux défauts statoriques, tels que les courts-circuits inter-spires, pouvant entraîner des arrêts imprévus et coûteux. Ce travail propose une approche de maintenance prédictive combinant le traitement du signal par transformée en ondelettes et les réseaux de neurones artificiels (RNA) pour la détection et la classification automatique des défauts. La MSAP a été modélisée en régime sain et défectueux afin de générer des signaux de courant statorique. La transformée en ondelettes a permis d'extraire des caractéristiques discriminantes utilisées pour entraîner un RNA. Les résultats de simulation montrent une précision élevée, confirmant la pertinence de cette approche hybride pour le diagnostic en temps réel et l'optimisation de la planification de la maintenance dans les systèmes électriques industriels.