Contribution au diagnostic des systèmes électro-énergétiques

Abstract

ette thèse propose une approche innovante pour le diagnostic des défauts des machines asynchrones en exploitant les signaux acoustiques et en combinant deux techniques avancées de traitement d’image : la matrice de cooccurrence des niveaux de gris (GLCM) et les motifs binaires locaux (LBP). Cette combinaison a conduit au développement d’une nouvelle approche bidimensionnelle, baptisée GLBP (Gray-Level Binary Patterns), permettant une extraction optimisée des caractéristiques texturales. L'utilisation de la méthode GLCM a permis de réduire l’espace de caractéristiques en sélectionnant uniquement cinq caractéristiques discriminantes, minimisant ainsi la complexité computationnelle. Les performances de l’approche GLBP ont été évaluées à l’aide de trois classificateurs d’intelligence artificielle : MCSVM (Multi-Class Support Vector Machine), K-NN (K-Nearest Neighbour) et ANN (Artificial Neural Network). Les résultats montrent un taux de classification parfait de 100 % avec MCSVM et ANN, et de 97,3 % avec K-NN, démontrant ainsi la robustesse et la fiabilité de la méthodologie proposée. Cette étude apporte une contribution significative en combinant des signaux acoustiques et des méthodes d’analyse de texture pour améliorer la précision du diagnostic des défauts dans les machines asynchrones. This thesis presents an innovative approach for fault diagnosis in asynchronous machines by leveraging acoustic signals and combining two advanced image processing techniques: the Gray-Level Co-occurrence Matrix (GLCM) and Local Binary Patterns (LBP). This combination led to the development of a new two-dimensional approach called GLBP (Gray-Level Binary Patterns), optimizing the extraction of textural features. The use of the GLCM method helped reduce the feature space by selecting only five discriminative features, thereby minimizing computational complexity. The performance of the GLBP approach was evaluated using three artificial intelligence classifiers: MCSVM (Multi-Class Support Vector Machine), K-NN (K-Nearest Neighbour), and ANN (Artificial Neural Network). The results show 100% classification accuracy with MCSVM and ANN, and 97.3% with K-NN, demonstrating the robustness and reliability of the proposed methodology. This study makes a significant contribution by combining acoustic signals and texture analysis methods to enhance the accuracy of fault diagnosis in asynchronous machines. The obtained results open promising industrial applications in predictive maintenance and electrical equipment monitoring.