Détection des défauts dans un environnement de maintenance prédictive

Résumé

L’anticipation des défaillances est une fonction importante en maintenance prédictive. Ce mémoire propose une méthodologie capable de prédire un nombre de défauts en utilisant des signaux captés des moteurs à courant continu. Ces moteurs électriques sont très présents dans le monde industriel et en particulier dans des chaînes de production. Avec l’avènement de l’Internet industriel des objets, l’instrumentation des moteurs et la collecte des signaux générés sont grandement simplifiées. Désormais, l’utilisation des signaux enregistrés dans la prédiction des défauts est devenu un sujet de recherche très prisé dans le domaine de la maintenance industrielle. Pour concevoir la fonction de la prédiction des défauts, des signaux temporels sont générés par simulation à l’aide de MATLAB et de Simulink. Ces signaux représentent différentes régimes de fonctionnement des moteurs soumis à des défauts mécaniques et électriques. Dans ce projet, cinq (5) défauts sont analysés sur trois (3) moteurs différents. Ces défauts sont : problème de roulement, court-circuit de l’alimentation, défaut des capteurs de vitesse, de courant et de tension. De plus, des consignes de vitesse sont appliquées aux moteurs afin de simuler des conditions d’utilisation tels le convoyage, le transfert et le levage. Au total 9000 signaux d’une durée de 5 secondes chacun sont générés pour ce projet. Quatre (4) modèles prédictifs tirés des techniques d’apprentissage profond sont évalués à l’aide des signaux générés. Ces modèles sont : le FCN, le ResNet, l’Encodeur et le LSTM. La performance prédictive de ces modèles sont quantifiée par des métriques de classification telles l’exactitude, la précision, le rappel et le F-score. Le modèle prédictif Encodeur présente les meilleurs résultats lors de son entraînement obtenant 89.6% pour l’exactitude, 90.47% en précision, 90.08% pour le rappel et 90.28% pour le F-score. Ce même modèle appliqué à des nouvelles données produit une exactitude 88.53% et un rappel de 88.67%. Plus intéressant encore, le modèle Encodeur est en mesure de prédire correctement l’absence des défauts à un taux de 83.14% alors que le score est de 50.4% pour le FCN, 14.4% pour le ResNet et 54.4% pour le LSTM. Enfin, le code source des expérimentations est disponible sur GitHub à : https://github.com/alexchartrand/Fault-detection-in-IIoT et les fichiers de simulation MATLAB-Simulink sont entreposés dans le dossier https://github.com/alexchartrand/DCMotor-fault-simulation.

Date	22 déc. 2021
langue originale	Français
Établissement diplômant	École de technologie supérieure
Superviseur	Tony Wong (Directeur(-trice))