Mémoire tshala odia finish 1

Les moteurs asynchrones triphasés occupent une place importante dans les installations industrielles en raison de leur robustesse, de leur simplicité de construction et de leurs bonnes performances. Malgré ces avantages, ils restent soumis à différents défauts électriques et mécaniques susceptibles d’entraîner une diminution des performances, des arrêts imprévus et, dans certains cas, une détérioration importante de l’équipement. Dans ce contexte, ce travail porte sur la conception d’une méthode de diagnostic automatique des défauts d’un moteur asynchrone triphasé basée sur l’analyse de la signature du courant statorique et le Machine Learning. La démarche adoptée repose d’abord sur la modélisation et la simulation du moteur sous MATLAB/Simulink. Quatre états de fonctionnement sont considérés : l’état sain, le défaut statorique, le défaut mécanique équivalent et le défaut rotorique équivalent. Les courants statoriques sont ensuite analysés par la méthode MCSA. Les signaux en régime permanent sont rééchantillonnés à 10 kHz et découpés en fenêtres de 2 secondes. Vingt-six caractéristiques temporelles, triphasées et fréquentielles sont finalement extraites afin de constituer les variables d’entrée du système de classification. La base d’apprentissage comprend quarante simulations correspondant à 120 observations. La classification est réalisée à l’aide d’un SVM multiclasses à noyau RBF, associé à une stratégie ECOC one-versus-one.