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.