Application des algorithmes d'apprentissage automatique pour la détection des défauts de roulement sur les machines tournantes dans le cadre de l'industrie "4.0"

Abstract

Notre objectif principal est de réaliser un système permettant d’assurer l’analyser des signaux vibratoires d’une machine tournante dans le domaine temps/fréquence. Il sera ensuite aisé de le comparer avec un système d’apprentissage automatique capable de détecter et clas-ser les défauts grâce à des algorithmes d’intelligence artificielle. Durant cette étude, nous avons implémenté dans un premier temps des algorithmes qui nous ont permis d’extraire des caractéristiques des signaux d’une machine tournante. Ensuite, nous avons mis en place un système de surveillance de l’état de cette machine en fixant un seuil pour le bon fonctionnement et un autre pour déclencher une alarme quand ce dernier est atteint. Dans un second temps, nous avons utilisé des algorithmes d’apprentissage automatique (ou machine learning) pour classer les différents niveaux de défaillance. Après extraction des caractéristiques des signaux dans le domaine temporel et fréquentiel nous avons visualisé le défaillance de notre système par la méthode PCA (en anglais principal component analysis) puis nous avons obtenu une fiabilité de 97.5% avec la classification par l’algorithme de Foret Aléatoire(en anglais Random Forest).