Maintenance prédictive pour une turbine de puissance en utilisant des algorithmes d’apprentissage machine

Résumé

Aujourd’hui, des technologies telles que l'automatisation et l'apprentissage machine s'introduisent à plein régime au sein de plusieurs secteurs industriels. Cela permet aux entreprises de tirer un meilleur profit de leurs chaînes de production. L'un des plus grands atouts de cette avancée technologique est de permettre aux équipements de fonctionner plus longtemps sans l’apparition de panne. Ceci est une conséquence de la maintenance prédictive appliquée au système industriel et réalisée avec des systèmes d'analyse de données. La maintenance prédictive consiste à prévoir les pannes des machines avant qu'elles ne surviennent et à éviter les pauses non programmées. L'une des principales techniques utilisées dans le cadre de la maintenance prédictive est l'extraction des données vibratoires des machines. Les informations extraites de ces données permettent d'identifier, de prévoir et de prévenir les pannes des machines rotatives. Dans ce contexte, ce mémoire propose une méthode de diagnostic et pronostic du défaut de déséquilibre d’une turbine de puissance à l’aide des techniques de l’intelligence artificielle et l’apprentissage machine en mettant en exergue leurs avantages par rapport aux anciennes techniques de diagnostic principalement l’analyse temporelle et l’analyse fréquentielle des signaux. Cette étude de recherche a été réalisée en collaboration avec un partenaire industriel, Siemens Energy, qui est basé à Montréal. Elle a pour but d’améliorer et d’automatiser leur processus de maintenance quant à la détection de l’état de leurs machines. L’objectif de ce travail est donc de proposer une démarche de maintenance prédictive pour suivre et détecter en temps réel si la turbine de puissance est sujette d’un défaut de balourd ou elle est en état de fonctionnement normal à l’aide des techniques de l’intelligence artificielle. Pour cela, une étude comparative de différentes approches analytiques et de plusieurs algorithmes d’apprentissage machine tel que le SVM (Support Vector Machine), le RF (Random Forest) et le KNN (K Nearst Neighbors), a été réalisée afin de choisir l’approche la plus efficiente en ce qui concerne la détection du défaut.

Date	17 déc. 2021
langue originale	Français
Établissement diplômant	École de technologie supérieure
Superviseur	Amin Chaabane (Directeur(-trice))