Reconnaissance des défauts de la machine asynchrone

MODÉLISATION DES DÉFAUTS DE LA MACHINE ASYNCHRONE

MODÉLISATION DES DÉFAUTS STATORIQUES

Les défauts statoriques de la machine asynchrone sont considérés comme des anomalies préoccupantes par les industriels puisqu’ils occasionnent d’importants coûts de maintenance. En effet, ils constituent, d’après une étude menée par IEEE , environ 40 % des défauts du moteur à induction. Les recherches liées à leurs détections représentent une part importante dans la reconnaissance des défectuosités de la machine asynchrone.
Le stator de la machine à induction est exposé à différentes contraintes (thermiques, électriques, mécaniques, et environnementales) affectant sévèrement les conditions de fonctionnement de celle-ci. De plus, la combinaison de ces contraintes entraîne généralement l’apparition des différents défauts statoriques (ex : court-circuit entre spires, court-circuit entre phases).

Selon différentes études , les contraintes peuvent être classifiées comme suit :

Contraintes thermiques : ces contraintes peuvent être dues à un vieillissement ou une surcharge thermique. Dans le cas du vieillissement thermique, les propriétés thermiques des matériaux d’isolation qui composent la machine asynchrone se dégradent avec des fonctionnements de longue durée aux très hautes températures. Les enroulements du stator deviennent alors plus vulnérables aux autres contraintes (contraintes diélectriques, mécaniques, environnementales,…). Afin d’éviter ce phénomène, il est possible de réduire la température de fonctionnement de la machine asynchrone, ou alors, de choisir un matériau possédant une classe d’isolation plus élevée augmentant la durée de vie thermique. Dans le cas de la surcharge thermique, elle peut être causée en raison des variations des tensions, d’un déséquilibre d’alimentation sur les phases, ou d’une exposition répétée au démarrage forcé de la machine dans un temps très court. Celles-ci entraînent une augmentation de la température dans les enroulements affectant alors les propriétés d’isolation.

Bien évidemment, il existe encore d’autres causes qui affectent cette propriété physique telle que la température ambiante ou encore le dysfonctionnement du ventilateur.

Contraintes électriques : ces contraintes peuvent être issues de quatre phénomènes majeurs que sont l’effet Corona (décharge électrique partielle qui apparaît quand le potentiel électrique du matériau dépasse une valeur dite «critique»), l’effet de la propriété diélectrique du matériau (le matériau ne conduit plus les charges électriques, et par conséquent, la température augmente fortement), l’effet Tracking (décharge électrique partielle qui apparaît suivant les conditions environnementales ayant un impact sur la machine asynchrone), et l’effet des conditions transitoires des tensions (surtensions) réduisant la durée de vie des enroulements.

Contraintes mécaniques : ces contraintes sont principalement liées à des événements mécaniques tels que les mouvements des bobines produits par les courants circulants dans les enroulements (phénomène de vibrations) ou les contacts physiques répétés avec le rotor (laminage des enroulements) qui affectent les propriétés d’isolation du matériau.

Contraintes environnementales : ces contraintes, également appelées contaminations, sont dues aux conditions d’opération de la machine asynchrone. En effet, le moteur doit rester propre et sec à l’extérieur et à l’intérieur afin d’éviter l’effet Tracking décrit dans les contraintes électriques.

De plus, la présence de matériaux étrangers peut affecter la dissipation de la chaleur entraînant alors une augmentation de la température pendant les fonctionnements de la machine asynchrone. Il existe également des éléments qui affectent la durée de vie des enroulements comme les moisissures ou les produits chimiques.

IDENTIFICATION DES PARAMÈTRES MOTEURS

Ces dernières décennies, les industriels et chercheurs ont réalisé des efforts importants afin d’améliorer et d’optimiser les asservissements (courants, flux, couple, vitesse, position,…) des moteurs présents dans les systèmes de production (ex : enroulement-déroulement de bande, machine-outil). De ce fait, de nombreuses méthodes de calcul (commande H-∞, LQ, LQG,…) et stratégies (ex :commande centralisée, décentralisée) ont émergé en vue de déterminer les paramètres des correcteurs (ex : P, PI, PID) utilisés dans les commandes de ces machines. Cependant, le point commun pour l’ensemble de ces approches et les conditions initiales nécessaires à la réalisation de ces stratégies de contrôle sont une connaissance précise des paramètres (résistances, inductances,…) de la machine asynchrone.

La connaissance précise de ces paramètres moteurs permet également de gérer la consommation électrique de la meilleure manière possible (ex : sauver 5% de puissance électrique), de concevoir des installations électriques avec la plus grande précision (ex. : conception pour une exploitation optimale de la durée de vie des machines électriques), et dans certains cas de prédire (détecter) les défauts de la machine asynchrone le plus efficacement possible (ex. : optimisation de la maintenance prédictive). Le seul moyen d’obtenir une connaissance précise des paramètres moteurs est de les demander directement au constructeur des machines asynchrones ou de les déterminer à partir de méthodes calculatoires et complexes.

ALGORITHMES D’OPTIMISATION

L’optimisation d’un système industriel (ex : roll-to-roll, éolienne, machine-outil) peut être réalisée à l’aide d’algorithmes d’optimisation qui permettent de chercher les paramètres optimaux maximisant ou minimisant la ou les fonctions (appelées «fonctions objectives») qui définissent le système. Ces paramètres sont appelés «variables objectives» et représentent une solution. Cependant, il existe un ensemble de solutions liées à un problème que nous notons S. Cet ensemble de solutions  définit l’espace de solutions (également appelé l’espace de recherche). Cet espace de recherche peut être défini par des paramètres réels, complexes, discrets, continus ou encore par d’autres définitions mathématiques des variables. Cependant, la grande majorité des problèmes auxquels nous devons faire face sont définis par des paramètres continus et réels.

LES ALGORITHMES GÉNÉTIQUES

Les algorithmes génétiques sont des heuristiques (ou métaheuristiques) fortement utilisés dans la résolution des problèmes d’optimisation. Ce sont des méthodes stochastiques qui s’inspirent du processus de l’évolution naturelle biologique décrit par Darwin. Ils ont été développés informatiquement pour la première fois par John Holland en 1973 , et popularisés à travers les travaux de David Goldberg en 1989 et grâce à la puissance computationnelle des ordinateurs permettant leurs exploitations. Depuis, un nombre important de travaux ont permis de concevoir des algorithmes génétiques plus évolués et plus efficaces comme le célèbre Non-dominated Sorting Genetic Algorithm II (NSGA II) développé par Deb et al. qui permet de gérer les problèmes multi-objectifs définis par un ensemble de fonctions objectives à optimiser.

Ces algorithmes appartiennent à la classe des algorithmes évolutionnaires qui sont utilisés pour trouver des solutions approximées d’optimisation à des problèmes complexes quand la solution exacte ne peut être calculée par les méthodes classiques (ex. : Newton-Raphson, Gradient conjugué) basées sur la détermination de fonction dérivée. De plus, les algorithmes génétiques sont de puissantes méthodes d’optimisation globale, c’est-à-dire que par leur propriété stochastique et leur notion de population, ils évitent de tomber dans un minimum local.

COMMANDE DE LA MACHINE ASYNCHRONE

La machine asynchrone est actuellement le moteur le plus utilisé en raison de sa grande robustesse et de son faible coût. Cependant, par rapport à la machine synchrone, elle présente les inconvénients d’avoir une puissance massique plus faible et des pertes au rotor réduisant son rendement. D’autre part, dans les applications faisant intervenir des basses vitesses ou des positionnements, la machine asynchrone ne convient pas. Pour finir, le couple électromagnétique de celle-ci repose sur le couplage des flux ce qui rend son contrôle difficile à mettre en place .

Avec l’objectif d’éliminer les inconvénients cités ci-dessus, un grand nombre de recherches a été réalisé sur la commande de la machine asynchrone et différentes stratégies de contrôle ont vu le jour. De plus, l’intégration de la partie commande dans la détection des défauts de la machine asynchrone influence grandement les valeurs des caractéristiques des anomalies, et par conséquent, leur reconnaissance sera plus difficile .

Nous pouvons diviser les commandes existantes en trois familles distinctes. La plus ancienne et la plus simple est la commande scalaire. Cette méthode de contrôle équipe le plus grand nombre de variateurs industriels. En général, la commande scalaire  est choisie dans des applications qui ne nécessitent pas de fonctionnement à basse vitesse et un fort couple (ventilation, compression, climatisation, pompage,…). La deuxième famille de commandes est le contrôle vectoriel . Cette commande a été introduite pour la première fois au début des années 1970 . Elle permet par rapport à la commande scalaire un contrôle en couple, en vitesse et en position avec de très bonnes performances dynamiques en vitesses élevées et basses. La dernière approche de commande qui a vu le jour dans les années 1980 est la commande directe du couple (CDC ou Direct Torque Control – DTC). Différente des deux autres, de par son principe de fonctionnement reposant sur le contrôle des amplitudes, elle offre également une plus grande robustesse vis-à-vis des variations de paramètres de la machine pouvant exister.

DESCRIPTION DU MODÈLE D’IDENTIFICATION DES PARAMÈTRES

Le processus d’identification utilise le principe de la modélisation d’une boîte noire. Cette approche repose sur un système physique (machine asynchrone, pompe…), possédant des paramètres de valeur inconnue, et une représentation mathématique de celui-ci. De surcroît, les conditions initiales du système (alimentation électrique, composants chimiques…) doivent être connues préalablement afin de simuler, grâce à la modélisation, son comportement. Puis, les données générées par le modèle mathématique (ex. : vitesse, température) sont comparées avec ceux du système réel.

La comparaison s’effectue à l’aide d’un critère qui définira la fonction objective utilisée par l’algorithme génétique. Il existe plusieurs critères comme l’erreur quadratique moyenne (Mean Square Error – MSE) et l’erreur absolue moyenne (Mean Absolute Error – MAE). Ensuite, l’algorithme d’optimisation opère afin de générer itérativement les paramètres nécessaires pour la simulation du modèle jusqu’à ce qu’un critère d’arrêt ait été rencontré.

Dans notre cas d’étude, le système de boîte noire est composé du moteur à induction réel (physique) qui est comparé au modèle mathématique de la machine à induction. Plus spécifiquement, les données du signal de la vitesse de rotation du rotor fournies à partir d’un capteur (codeur incrémental, tachymètre…) sont comparées avec le signal de la vitesse généré par le modèle mathématique de la machine asynchrone.

Cependant, afin de réaliser l’identification des paramètres, le système de la boîte noire doit connaître les paramètres d’alimentation (tension, fréquence) utilisés par la machine réelle. Ces informations permettent de simuler, avec les mêmes conditions d’alimentation, le modèle mathématique. Ensuite, le système d’identification calcule l’erreur quadratique moyenne (MSE) entre les signaux réel et prédit de la vitesse de rotation mécanique. Pour finir, par un processus itératif, l’algorithme génétique minimise la fonction objective définie par le critère MSE, puis il crée de nouveaux vecteurs (séries de valeurs)sous différentes contraintes.

Table des matières

CHAPITRE 1 : INTRODUCTION 
1.1 CONTEXTE DE LA RECHERCHE 
1.2 MAINTENANCE INDUSTRIELLE
1.3 LA MACHINE ASYNCHRONE ET LE CONTEXTE DE RECHERCHE
1.4 MACHINE ASYNCHRONE 
1.4.1 LE STATOR
1.4.2 LE ROTOR
1.4.3 PRINCIPE DE FONCTIONNEMENT DE LA MACHINE ASYNCHRONE
1.5 INTELLIGENCE ARTIFICIELLE 
1.6 RECONNAISSANCE DES DÉFAUTS DE LA MACHINE ASYNCHRONE 
1.7 DÉFINITION DU PROJET DE RECHERCHE 
1.8 ORGANISATION DU PROJET DE RECHERCHE
CHAPITRE 2: REVUE DE LITTÉRATURE 
2.1 INTRODUCTION 
2.2 MODÉLISATION DES DÉFAUTS DE LA MACHINE ASYNCHRONE 
2.2.1 MODÉLISATION DES DÉFAUTS STATORIQUES
2.2.2 MODÉLISATION DES DÉFAUTS ROTORIQUES
2.2.3 CONCLUSION
2.3 IDENTIFICATION DES PARAMÈTRES MOTEURS 
2.3.1 ÉTAT DE L’ART GÉNÉRAL
2.3.2 ALGORITHMES D’OPTIMISATION
2.3.3 LES ALGORITHMES GÉNÉTIQUES
2.3.4 LES ALGORITHMES GÉNÉTIQUES MULTI-OBJECTIFS
2.3.5 CONCLUSION
2.4 TRAITEMENTS DES SIGNAUX ET EXTRACTION DES CARACTÉRISTIQUES 
2.4.1 L’APPROCHE FRÉQUENTIELLE
2.4.2 L’APPROCHE ÉNERGÉTIQUE
2.4.3 L’APPROCHE GÉOMÉTRIQUE
2.4.4 AUTRES APPROCHES
2.4.5 CONCLUSION
2.5 LES ALGORITHMES DE CLASSIFICATION 
2.5.1 ARBRES DE CLASSIFICATION
2.5.2 SUPPORT VECTOR MACHINE
2.5.3 K-PLUS PROCHES VOISINS
2.5.4 RÉSEAUX NEURONES ARTIFICIELS
2.5.5 CONCLUSION
2.6 COMMANDE DE LA MACHINE ASYNCHRONE 
2.6.1 MONTAGE D’EXPLOITATION DE LA MACHINE ASYNCHRONE EN INDUSTRIE
2.6.2 COMMANDE DIRECTE DU COUPLE
2.6.3 AUTRES MÉTHODES DE CALCUL DE LA COMMANDE DE LA MACHINE ASYNCHRONE
2.6.4 CONCLUSION
2.7 CONCLUSION
CHAPITRE 3 : IDENTIFICATION DES PARAMÈTRES DE LA MACHINE ASYNCHRONE 
3.1 INTRODUCTION 
3.2 DESCRIPTION DU MODÈLE D’IDENTIFICATION DES PARAMÈTRES
3.2.1 LES MODÈLES DE LA MACHINE ASYNCHRONES
3.2.2 LES ALGORITHMES GÉNÉTIQUES
3.3 CONDITIONS DES TESTS RÉALISÉS 
3.3.1 LES FONCTIONS OBJECTIVES
3.3.2 LES FONCTIONS DE CONTRAINTES ET PARAMÈTRES DES AGs
3.4 RÉSULTATS ET ANALYSE DE L’IDENTIFICATION DES PARAMÈTRES 
3.4.1 IDENTIFICATION DU MOTEUR 1
3.4.2 IDENTIFICATION DU MOTEUR 2
3.4.3 ANALYSE DES RÉSULTATS
3.5 CONCLUSION
CHAPITRE 4 : RECONNAISSANCE DES DÉFAUTS DE LA MACHINE ASYNCHRONE 
4.1 INTRODUCTION 
4.2 ÉTAT DE L’ART 
4.2.1 LES OUTILS DE TRAITEMENTS DU SIGNAL
4.2.2 LES ALGORITHMES DE DÉCISION
4.3 RECONNAISSANCE DES DÉFAUTS DE COURT-CIRCUIT ENTRE SPIRES
4.3.1 STRATÉGIE DE RECONNAISSANCE 1
4.3.2 STRATÉGIE DE RECONNAISSANCE 2
4.4 RECONNAISSANCE DES DÉFAUTS DE BARRES ROMPUES 
4.5 RECONNAISSANCE DES DÉFAUTS DE COURT-CIRCUIT ENTRE SPIRES ET DE BARRES ROMPUES 
4.6 CONCLUSION 
CHAPITRE 5 : CONCLUSION GÉNÉRALE
5.1 RÉALISATIONS DES OBJECTIFS 
5.2 REVUE DE LA SOLUTION DEVELOPÉE 
5.3 LIMITATION DE NOTRE SOLUTION PROPOSÉE
5.5 APPORTS PERSONNELS DU DOCTORAT

Télécharger le rapport complet