Autodiagnostic intégré basé sur un modèle stochastique pour les roulements à éléments roulants

Aujourd'hui, le problème le plus fondamental de la surveillance d'état dans la plupart des installations industrielles est le diagnostic et le pronostic des défauts. L'une des approches les plus efficaces pour étudier ce problème est la surveillance de l'état basée sur l'analyse des signaux de vibration. Avec le développement de l'industrie, la maintenance multithread et l'acquisition multicanal se généralisent, ce qui met en avant des exigences de maintenance plus élevées. Sur la base de cette observation, il est proposé dans cette thèse un cadre de diagnostic automatisé pour le roulement qui intègre les étapes successives de détection de défaut, d'identification du type de défaut, de reconstruction du signal de défaut et de caractérisation de la taille du défaut. L'avantage est que le processus de diagnostic complet est réalisé en une seule fois, tout en impliquant un seul hyperparamètre clé, ce qui améliore le degré d'automatisation de la maintenance basée sur les conditions (CBM) actuelle et libère la participation humaine. En présence de défaut naissant, les vibrations des roulements présentent des signatures symptomatiques sous forme d'impulsions répétitives. Cela peut être vu comme un signal non stationnaire dont les propriétés statistiques basculent entre deux états. La stratégie de maintenance proposée modélise ces caractéristiques avec un modèle de Markov caché à durée explicite (EDHMM) et utilise les paramètres estimés du modèle pour effectuer un diagnostic intégré sans nécessiter l'expertise de l'utilisateur. La détection d'un défaut est d'abord réalisée au moyen d'un test de rapport de vraisemblance construit sur les paramètres de l'EDHMM. Une approche de comptage statistique et une probabilité sont ensuite utilisées pour identifier automatiquement le type de défaut. Afin d'obtenir le signal de défaut dans certains cas, un filtre bayésien basé sur les paramètres EDHMM est construit. Enfin, la taille du défaut est estimée à partir des durées renvoyés par EDHMM. Par la suite, la capacité du cadre d'autodiagnostic intégré est illustrée sur différents ensembles de données expérimentales. La première validation est réalisée sur les données de vibration pour des conditions spécifiques. Les résultats indiquent une diagnostic robuste et précise du roulement à éléments roulants. De plus, le résultat sur des données de dégradation accélérée montre également l'efficacité de la méthode, en particulier la capacité à détecter l'occurrence d'une défaillance et de suivre quantitativement son développement. Cette technique a un potentiel d'utilisation en CBM.Today, the most fundamental issue of condition monitoring in most industrial plants is fault diagnostics and prognostics. One of the most effective approaches to investigate this issue is condition monitoring based on vibration signal analysis. With the development of industry, multi-threaded maintenance and multi-channel acquisition are becoming more widespread in the current, which put forward higher requirements for maintenance. Based on this observation, it is proposed in this thesis one automated diagnosis framework for the rolling element bearing that integrates the successive steps of fault detection, fault type identification, fault signal reconstruction and fault size characterization. The advantage is that the complete diagnosis process is completed at once, while involving only one key hyperparameter, which improves the degree of automation of current Condition Based Maintenance (CBM) and liberating human participation. In the presence of incipient fault, vibrations of rolling element bearings show symptomatic signatures in the form of repetitive impulses. This can be seen as a non-stationary signal whose statistical properties switch between two states. The proposed maintenance strategy models such characteristics with an explicit-duration hidden Markov model (EDHMM) and uses the estimated model parameters to perform integrated diagnosis without requiring the user's expertise. The detection of a fault is first achieved by means of a likelihood ratio test built on the EDHMM parameters. One statistical counting approach and posterior probability spectrum are then used for identifying the fault type automatically. In order to obtain the fault signal in some cases, one Bayesian filter based on the EDHMM parameters is constructed. Finally, the fault size is estimated from the duration times returned by EDHMM. Subsequently, the capability of the integrated auto-diagnosis framework is illustrated on different experimental datasets. The first validation is forced on the vibration data for specific conditions. The results prove the robust and accurate maintenance of the rolling element bearing. In addition, the result of accelerated degradation data also shows the effectiveness of the method, especially the ability of detecting failure occurrence and tracking quantitatively fault development. This technique has potential for using in the machine CBM