Classification des défauts d’un entraînement électrique Par les outils de l’intelligence artificielle

Abstract

Ce mémoire se concentre sur la classification des défauts d'un entraînement électrique à l'aide des outils de l'intelligence artificielle. L'étude repose sur une base de données comprenant des images acoustiques] représentant des défauts de roulements et de barres rotoriques d'une machine asynchrone. Pour accomplir cette tâche, deux approches neuronales ont été implémentées à l'aide de MATLAB : les réseaux de neurones simples et les réseaux de neurones convolutifs. En parallèle, des approches classiques ont été utilisées, notamment le KNN (K plus proches voisins) avec deux méthodes : KNN avec un nombre fixe de voisins et KNN avec recherche en grille. De plus, les SVM (machines à vecteurs de support) ont été explorés avec deux configurations : SVM en un-contre-un et SVM utilisant le descripteur de caractéristiques HOG (Histogram of Oriented Gradients). Cette étude vise à comparer l'efficacité de ces différentes méthodes dans la classification précise des défauts détectés dans les composants de l'entraînement électrique. Les résultats obtenus sont analysés et discutés afin de déterminer les avantages et les limitations de chaque approche This thesis focuses on the classification of faults in an electric drive using artificial intelligence tools. The study is based on a database that includes acoustic images representing bearing and rotor bar faults in an asynchronous machine. To accomplish this task, two neural approaches were implemented using MATLAB: simple neural networks and convolutional neural networks. In parallel, classical approaches were used, including KNN (K-nearest neighbors) with two methods: KNN with a fixed number of neighbors and KNN with grid search. Additionally, SVMs (support vector machines) were explored with two configurations: one-vs-one SVM and SVM using the HOG (Histogram of Oriented Gradients) feature descriptor. This study aims to compare the effectiveness of these different methods in the accurate classification of detected faults in the electric drive components. The obtained results are analyzed and discussed to determine the advantages and limitations of each approach.