Surveillance d’un turbocompresseur Propane industriel basée sur le Deep Learning

Abstract

Les Processus industriels sont sujets à de multiples défaillances, ce qui rend la détection et le diagnostic de défauts un domaine de recherche d’une importance majeure. De nombreuses méthodes ont été développées à cet effet dans le contexte de l'apprentissage de la machine (Machine Learning ou ML), et plus précisément le Deep Learning qui est une branche du ML ayant suscité un intérêt particulier ces dernières années. Dans cette thèse, nous nous sommes intéressés au problème particulier de la surveillance du turbocompresseur propane de la boucle de réfrigération au propane entrant dans le cycle de liquéfaction du gaz naturel dans le Complexe GL2Z de la zone industrielle d’Arzew. Notre approche de surveillance est typiquement orientée vers la conception d’un système de classification de défauts basée sur les réseaux de neurones à convolution (CNN), dont le développement engage l’emploi d’une quantité importante de mesures prélevée sur le système réel dans différentes périodes de fonctionnement par les opérateurs sur site. Cette base de données regroupe des situations de fonctionnement normal et défaillant présentant des caractéristiques très variées et complexes. Les modèles de diagnostic développés ont été validés sur les données expérimentales du processus à surveiller, montrant des performances supérieures en termes de training, testing et prédiction des défauts. Nos résultats constituent une preuve de faisabilité de l’approche de surveillance par Deep Learning en milieu industriel, offrant par conséquent des solutions de monitoring très prometteuses en matière d’exploitation de l’historique des mesures à des fins de surveillance industrielle.