Nous avons développé une méthode d'identification de courts-circuits et d'excentricités statiques d'un turboalternateur en fonctionnement. Cette méthode doit être non seulement capable d'identifier le type de défaut, mais également sa gravité et sa localisation. Pour cela, la force électromotrice issue d'une sonde de flux radiale est considérée pour identifier les défauts de la machine. Les méthodes d'apprentissage ayant fait leur preuve sur ce type de problématique, un ensemble d'échantillons des défauts, i.e. matrice des prototypes, est construit grâce à des simulations par la méthode des éléments finis de la machine dans un grand nombre d'états de fonctionnement. Le but est alors d'identifier la classe (le défaut) de mesures expérimentales en considérant les sorties de simulations. Pour faire cela, une maquette de turboalternateur est modélisée et les sorties de simulation sont comparées aux mesures expérimentales. L'application de méthodes de classification supervisée choisies selon la forme des données montre qu'on peut atteindre des taux de bonne classification de 79 % pour les courts-circuits et 93 % pour les excentricités après un traitement spécifique des attributs et un recalage des sorties de simulation. Une règle d'identification du type de défaut est également mise en place au travers d'une classification hiérarchique. Celle-ci donne d'excellents résultats pour lesquels toutes les mesures expérimentales sont assignées au bon type de défaut. Enfin, un automate à états finis permet d'améliorer les résultats précédents en tenant compte de l'évolution temporelle de l'état de fonctionnement de la machine. Ainsi, un taux de bonne classification de 91.5 % pour l'identification de courts-circuits est obtenu.
Directeurs de Thèse : Abdelmounaïm Tounzi et Ludovic Macaire Rapporteurs : Gérard Champenois et Mohamed Benbouzid Examinateurs : Yvonnick Le Menach, Mélisande Biet, Guy Clerc et Bernard Riera
Thèse de l'équipe Imagerie Couleur soutenue le 24/02/2016
français
English