Génie Mécaniques
Permanent URI for this communityhttps://dspace.univ-boumerdes.dz/handle/123456789/67
Browse
6 results
Search Results
Item Electrical systems faults diagnosis based on thermography and machine learning techniques(Université M'Hamed Bougara Boumerdès : Faculté de Technologie, 2025) Mahami, Amine; Benazzouz, Djamel(Directeur de thèse)The goal of using AI-driven conditional monitoring in electrical devices is to monitor and trace the beginning and development of deterioration prior to a failure. This degradation eventually results in a system malfunction that impacts the availability of the whole system. Early identification allows for a planned shutdown, averting catastrophic failure and guaranteeing more cost-effective and dependable operation. This study is divided into two major parts: the first part deals with the identification and categorization of faults in induction motors, and the second part deals with the detection and classification of faults in transformers. In machine health management, condition monitoring and problem diagnostics of electrical machines are important study areas. Using infrared thermography method (IRT), a new noncontact and nonintrusive experimental framework is used in the first portion of this thesis to monitor and diagnose defects in a three-phase induction motor. Using IRT to obtain a thermograph of the target machine is the first step in the process. The Speeded-Up Robust Features (SURF) detector and descriptor are then used to extract fault features from the IRT images using the bag-of-visual-word (BoVW) technique. Then, a group learning method known as Extremely Randomized Tree (ERT) is applied to automatically detect different types of induction motor defect patterns. Based on experimental IRT images, the efficacy of the suggested method is evaluated, showcasing its potential as a potent diagnostic tool with superior classification accuracy and stability over alternative approaches. The second part of the thesis presents an experimental framework that uses infrared thermography (IRT) to monitor and diagnose transformer defects in a non-intrusive and non-contact manner. Using IRT to obtain a thermograph of the intended machine is the first step in the process. GIST features are then taken from the database's reference image and every other image. Finally, a machine learning technique known as Support Vector Machine (SVM) is used to automatically identify different fault patterns in the transformer. Based on experimental IRT images and diagnostic results, the efficacy and capacity of the proposed method are assessed, demonstrating its potential as a potent diagnostic tool with high classification accuracy and stability. This method improves operational reliability by facilitating the early identification and detection of transformer failuresItem Analysis of bearings defaults using machine learning techniques(Université M'Hamed Bougara Boumerdès : Faculté de Technologie, 2025) Moussaoui, Imane; Benazzouz, Djamel(Directeur de thèse)Rotating machines have become ubiquitous in contemporary industries, playing a pivotal role in various applications. The consequences of defects in these machines extend beyond mere technical issues, potentially leading to substantial economic losses and posing a significant threat to human safety. Operators often grapple with the intricacies of troubleshooting these complex systems, where a single mistake can have catastrophic consequences. One of the most critical elements in these machines is the bearings. Consequently, numerous researchers have dedicated their time and efforts to addressing this matter. While extensive studies have been conducted in this field, a common limitation is the focus on constant-speed scenarios. In reality, rotating machines typically operate under non-stationary conditions, making constant-speed techniques largely theoretical. This thesis is divided into two essential parts. The first part addresses the challenges of diagnostic resolution under time-varying conditions. Given the dynamic nature of the working environment, understanding and mitigating faults in non-stationary conditions is imperative for practical applications. Our method aims to tackle the diagnostic issue under time-varying conditions. The technique was tested on a bearing database collected under time-varying conditions, containing three types of faults. Vibrational signals are initially processed using the Empirical Wavelet Transform (EWT) to extract AM-FM modes. Subsequently, a list of features is extracted from these modes. For feature selection, the Clan-Based Cultural Algorithm (CCA) is employed, and model training utilizes the Random Forest algorithm. The results demonstrate the robustness of the diagnostic process despite varying conditions. The second part focuses on feature selection, which plays a crucial role in controlling the quality of the diagnostic system and reducing misleading factors. This area of research is increasingly attracting attention, with numerous methods developed. However, many of these techniques require in-depth domain knowledge, particularly concerning parameter tuning and result interpretation. In this work, we introduce a robust technique based on standard deviation and Random Forest methods for sequential feature selection. The method was tested on three different bearing databases, including time-varying conditions, and three signal decomposition techniques (EWT, EMD, and MODWPT). It provided promising results in terms of both quality and quantity, being user-friendly and not demanding extensive knowledge in the optimization fieldItem Intégration des techniques de l'intelligence artificielle dans l'analyse des systèmes complexes : cas de l'industrie pharmaceutique(Université M'Hamed Bougara Boumerdès : Faculté de Technologie, 2024) Amrani, Mohamed; Benazzouz, Djamel(Directeur de thèse)En résumé, pour mieux cerner l'objectif de ce travail de recherche, commençons par poser les questions suivantes : Quelle est la problématique du sujet ? L'industrie pharmaceutique revêt une importance cruciale en raison de son impact direct sur la santé humaine. Cependant, en dehors de la phase de conception et de mise en place des installations pharmaceutiques, et même tout au long de leur exploitation, de nombreux aspects méritent une attention particulière. En premier lieu, la sécurité joue un rôle essentiel. Il est impératif de garantir la sécurité et la santé de tous les intervenants, y compris le personnel travaillant dans l'industrie pharmaceutique, ainsi que de préserver les produits fabriqués et l'environnement dans lequel ils sont utilisés. Il est essentiel de mettre en place des mesures rigoureuses de protection pour atteindre ces objectifs fondamentaux. De plus, l'industrie pharmaceutique est soumise à des normes et réglementations strictes (OMS, FDA, BPF, LNCCP…), ce qui ajoute un niveau supplémentaire de complexité. Les systèmes de fabrication pharmaceutique présentent également des défis techniques considérables. Les processus de production sont souvent intrinsèquement complexes, impliquant de multiples équipements et étapes interdépendantes. Il est impératif de bien comprendre et de gérer cette complexité pour garantir des opérations fluides et efficientes. Par ailleurs, l'exactitude des équipements de laboratoire revêt une importance cruciale dans l'industrie pharmaceutique. Les tests et les analyses doivent produire des résultats précis et fiables afin d'assurer la qualité et la conformité des produits. Enfin, la maîtrise des différentes sources de contamination demeure un enjeu majeur. Il est essentiel de prévenir et de contrôler les contaminations croisées, microbiennes et d'autres éventuelles sources de contamination tout au long des processus de production pharmaceutique. Quelle est la solution développée pour remédier ? Face à l'ensemble de ces contraintes, il est impératif d'investir dans des technologies de pointe pour maîtriser les contaminations et préserver l'environnement. C'est dans cette perspective que nous avons introduit une nouvelle approche basée sur l'utilisation de l'intelligence artificielle (IA). Cette approche novatrice vise à améliorer la qualité, l'efficacité et la sécurité des opérations pharmaceutiques en tirant parti des capacités avancées de l'IA pour détecter, prévenir et résoudre les problèmes liés à ce secteur en question. Afin d'atteindre cet objectif, nous avons sélectionné trois études de cas qui abordent l'ensemble de ces problématiques. Les critères de sélection de ces études ont été définis en collaboration avec des experts de l'industrie pharmaceutique, en tenant compte de la disponibilité des données et de l'importance des défis qu'elles abordent. Pour remédier à ces problématiques, nous avons développé des modèles hybrides intelligents en combinant les techniques des réseaux de neurones artificiels et des réseaux bayésiens. L'application de ces techniques facilite la surveillance, le diagnostic et la prévision des défaillances, ce qui rend la gestion des problèmes posés possibleItem Optimisation de l'algorithme de détection des défauts à base de BG-LFT(Université M'Hamed Bougara Boumerdès : Faculté de Technologie, 2023) Ouziala, Mahdi; Benazzouz, Djamel(Directeur de thèse)Les systèmes industriels sont devenus de plus en plus complexes d'où une automatisation est une commande très sophistiquée est une obligation non évitable. Cette complexité peut provoquer des dégâts et des catastrophes très importants, surtout dans les systèmes pétrochimiques et nucléaires. ?viter ces dégâts est une chose essentielle pour les industriels et les scientifiques par ailleurs, ce qui a donné naissance à beaucoup de travaux de recherches dont l'objectif est de détecter, anticiper et pourquoi pas prédire les défaillances afin d'éviter des pannes et des dégâts environnementaux, économiques ainsi que les accidents humains. Dans notre travail, nous, nous avons penché sur le problème de détection optimale des défauts avec les Bonds graphs LFT. Le bond graph présente une démarche très puissante et très adaptée à la génération des systèmes de détection robuste grâce à ses propriétés comportementales structurelles et causales. L'outil bond graph a servi pour la représentation graphique des incertitudes paramétriques, cette représentation est fondée sur le principe de la transformation linéaire fractionnel appliquée au bond graph (LFT-BG) cette méthode a permis de générer des seuils adaptatifs pour une détection robuste, mais ça empêche d'avoir quelques ambiguïtés. La surestimation des incertitudes lors de la génération des seuils adaptatifs engendre une non-détection de certains défauts à faibles valeurs. Le problème d'estimations de ces incertitudes peut être vu comme un problème d'optimisation de la surface qui sépare les deux fonctions seuils, résidus générés par LFT-BG. Pour faire mettre cette idée en pratique, nous avons choisi l'utilisation des méthodes d'optimisation bio inspirée. Ces dernières sont des méthodes plus adaptées au problème d'optimisation complexe. ? la suite de cette optimisation, nous avons pu réestimer de nouvelles valeurs d'incertitude paramétriques à travers lesquelles on génère des seuils adaptatifs optimisés. Ces seuils adaptatifs optimisés ont assuré une détection optimale et précoce des défauts de faibles grandeurs. ? travers cette thèse, nous avons pu constater l'amélioration des performances de l'algorithme de détection de défaut à base des bonds graphs LFT. Cette méthode de génération de seuils optimisés a fait l'objet d'une validation sur un véhicule bond d'essai, le Robucar. Ce dernier, est un véhicule autonome intelligent. Nous avons pu vérifier l'utilité de notre algorithme de détection optimale, à l'aide d'une co-simulation à l'aide de logiciel MATLAB Simulink. Les résultats de la validation étaient prometteurs. Notre thèse est une initiation au diagnostic robuste et optimale à travers l'utilisation des méthodes d'optimisation et celle de l'intelligence artificielle dans le but de développer des systèmes de détection performant et même des systèmes de control tolérants aux défautsItem Energy-aware USVs path planning(Université M'Hamed Bougara : Faculté de Technologie, 2022) Ouelmokhtar, Hand; Benazzouz, Djamel(Directeur de thèse)Unmanned Surface Vehicles (USV) are an innovative solution for various maritime applications such as marine navigation, rescue, environmental monitoring and surveillance, etc. USVs offer the advantage to operate in hostile or dangerous environments where humans cannot safely or not at all perform. In general, USVs operate in harsh environmental conditions that require accuracy, reliability and autonomy. To meet these critical requirements, the focus on USVs and their applications is gradually performed. One of the most important problems to be solved is that of trajectory planning. In order to execute the planned tasks, the USVs must operate in an autonomous way and manage their resources optimally in order to minimize human interventions. Thus, performance and autonomy criteria are very important to consider when executing any type of task. In this thesis, we address the general problem of maritime surveillance using a USV equipped with an on-board LiDAR (Light Detection and Ranging) that allows remote coverage of distant points. The objectives are to cover the maximum area with lowest energy cost while avoiding collisions with obstacles. To solve this problem, we used two optimization approaches: • The first one consists in using heuristic methods based on multi-objective evolutionary algorithms. In this case, two algorithms are used and compared. One consists of a local search method known as Pareto Archived Evolution Strategy (PAES). Other consists of a population-based search algorithm called Non-Dominated Genetic Sorting Algorithm II (NSGA-II). • A novel method is proposed to improve the performance of evolutionary algorithms when solving path planning problems by reducing the size of chromosomes. • The second approach isbased on the exact method using a Mixed Integer Programming (MIP) model with two objective functions inspired by both the Covering Salesman Problem (CSP) and the Travelling Salesman Problem with Profit (TSPP).Item Contribution au diagnostic des systèmes par bond graph(Université M'Hamed Bougara : Faculté de Technologie, 2021) Termeche, Adel; Benazzouz, Djamel(Directeur de thèse)La détection et l'isolation des défauts (FDI) est une tâche essentielle qui permet d’éviter les conséquences des pannes sur les performances du système. Le Bond Graph, en tant qu'outil de modélisation, fournit à travers ses propriétés structurelles et causales, une génération automatique de Relations de Redondance Analytique (RRA). Ces relations sont utilisées pour les applications de diagnostic, elles constituent les contraintes mathématiques qui permettent de vérifier la cohérence entre les mesures du processus et le comportement du système de référence représenté par le modèle. L'approche de diagnostic RRA classique permet à la fois de détecter et d'isoler le composant défectueux du système. Dans ce travail, l'objectif principal est d'augmenter le nombre de défauts isolables en augmentant le nombre de RRA, en utilisant la sortie du modèle de graphe de liaison avec la sortie mesurée du système réel. La représentation Bond Graph sous forme de transformation linéaire fractionnelle (LFT) a été exploitée pour l’intégration de la fonction linéaire, cette dernière est utilisée pour l’amélioration de la détection des défauts en présence des erreurs de mesures. L'intérêt innovant de ce travail est que le nombre des défauts isolés peut être amélioré sans l'ajout de capteurs supplémentaires. Suite à la discussion générale de la méthode proposée, un sous-système robotique (traction d'un robot mobile omnidirectionnel) est envisagé pour valider la procédure proposée. Deux scénarii défectueux sont ensuite présentés et discutés en utilisant à la fois l'approche classique et l'approche proposée. La méthode proposée est capable d'isoler 3 défauts qui ne peuvent pas être isolées avec l’approche de RRA classique.