Identification des défauts de roulements par intelligence artificielle.

Abstract

Les défaillances de roulements sont responsables d’environ 40% des pannes des machines tournantes. Elles peuvent non seulement provoquer des arrêts non programmés, mais également entraîner une augmentation significative des coûts de maintenance. Pour permettre une détection précoce des défauts de roulements, ce travail propose une approche basée sur la combinaison de l’analyse vibratoire et d’un réseau de neurones multicouche (MLP). L’approche comporte quatre étapes : importation des signaux vibratoires à partir d’une base de données libre, la décomposition des signaux par la méthode de décomposition en modes empiriques (EMD), l’extraction des caractéristiques à l’aide de la valeur efficace (RMS), et la classification des défauts à l’aide d’un réseau MLP. Quatre états de fonctionnement sont envisagés : fonctionnement normal, défauts de billes, défaut de cage et défaut de bague extérieure. Les résultats des simulations obtenus démontrent une bonne précision de classification, avec une moyenne de 97,77%. Mots-clés : Roulements, Défauts, perceptron multicouche, valeur efficace, décomposition en modes empiriques. Abstract Bearing failures are responsible for about 40% of rotating machinery breakdowns. They can not only cause unplanned shutdowns but also lead to a significant increase in maintenance costs. To enable early detection of bearing faults, this work proposes an approach based on the combination of vibration analysis and a multilayer perceptron (MLP) neural network. The approach consists of four steps: importing vibration signals from a free database, decomposing the signals using the empirical mode decomposition (EMD) method, extracting features using the root mean square (RMS) value, and classifying defects using a multilayer perceptron (MLP) network. Four operating states are considered: normal operation, ball fault, cage fault and outer race fault. The results of the simulations obtained demonstrate a good classification accuracy, with an average of 97.77%. Keywords: Bearings, faults, multilayer perceptron, root mean square, empirical mode decomposition. ملخص تعزى حوالي %40 من أعطال اآلالت الدوارة إلى أعطال المحامل. ال تؤدي هذه األعطال إلى توقفات غير مخططة فحسب، بل يمكن أن تفضي أي ًضا إلى زيادة كبيرة في تكاليف الصيانة. لتمكين الكشف المبكر عن أعطال المحامل، يقترح هذا العمل نه ًجا يعتمد على الدمج بين تحليل االهتزاز وشبكة عصبية متعددة الطبقات .يتكون النهج من أربع خطوات: جلب إشارات اهتزاز من قاعدة بيانات مجانية، تحليل اإلشارات باستخدام طريقة التحليل باألنماط التجريبية، استخراج الخصائص باستخدام قيمة الجذر التربيعي المتوسط ، وتصنيف العيوب باستخدام شبكة متعددة الطبقات .تم أخذ أربع حاالت تشغيل بعين االعتبار: التشغيل العادي ،تضرر الكرات ،تضرر القفص و تضرر الحلقة الخارجية. تُظهر نتائج المحاكاة المتحصل عليها دقة تصنيف جيدة، بمتوسط قدره .%97.77 الكلمات المفتاحية: المحامل، األعطال، الشبكة العصبية متعددة الطبقات، طريقة التحليل باألنماط التجريبية ، الجذر التربيعي المتوسط.