Application du traitement du signal pour le suivi des défauts de composants mécaniques soumis à des vibrations

Des informations générales:

Page de garde:

Résumé:

La qualité de la maintenance est un paramètre important dans le rendement des unités de production industrielle. Un bon suivi de la détérioration des machines tournantes peut entraîner la diminution du coût de la maintenance en réduisant au minimum le nombre d’arrêts accidentels et en diminuant le stock des pièces de rechange au strict minimum. Un système efficace de maintenance devrait être capable de surveiller les paramètres tels que les vibrations, la température, la qualité de l’huile et d’en déduire l’état actuel de fonctionnement d’une machine tournante, d’avancer l’état futur d’une machine et de prévenir les pannes fatales suffisamment à l’avance.
C’est pourquoi les mesures de vibration sont utilisées régulièrement comme indicateur majoritaire de l’état de santé des machines tournantes et de l’opportunité des opérations de maintenance. Les informations contenues dans ces mesures sont mises sans cesse, en évidence et à profit, par traitement du signal vibratoire. Dans cette étude des méthodes de pronostic sont développées pour prévenir la détérioration d’une machine tournante en utilisant des modèles auto – régressifs et les réseaux de neurones artificiels.
L’état d’une machine dépend de ses éléments, d’où la nécessité de suivre l’état vibratoire des pièces en particulier en fonction de l’importance du défaut. De plus il est important de détecter le défaut dès l’apparition et de suivre son évolution. Cette démarche est envisageable par des techniques de traitement du signal.
Le suivi permanent des grandeurs dénonciatrices d’endommagement, est fastidieux pour un esprit humain. Il est possible de mener la surveillance de façon automatique. Cette automatisation peut notamment être réalisée par l’utilisation des réseaux de neurones. Donc on cherche à concevoir un système capable de diagnostiquer un défaut mécanique et de suivre son évolution, ce système conduira à une meilleure performance du service de maintenance.
Mots clés : maintenance – prédiction – vibration – réseaux de neurones.

Télécharger: