Docto
Docto
Docto
Sujet de thèse :
Diagnostic et pronostic des défaillances des roulements d’essieu des trains à grandes
vitesses par analyse du signal acoustique (AE-DeepDiag)
▪ Objectifs :
▪ Mots clés :
La thèse présente une approche novatrice et pertinente par rapport à l'état de l'art.
L'originalité réside dans la conception d'un banc acoustique spécifique aux roulements des
essieux des trains à grande vitesse, adapté aux contraintes opérationnelles et
environnementales propres à ces trains. L'utilisation d'algorithmes de traitement du signal
avancés, tels que la technique de séparation des sources, transformation en ondelettes, la
transformée de Hilbert-Huang et l'analyse en composantes indépendantes (ICA),
permettra d'extraire des caractéristiques spécifiques des signaux acoustiques des
roulements, surpassant les méthodes classiques. L'intégration de l'apprentissage
automatique pour la classification et la prédiction des défauts à partir des données
acoustiques (et vibratoire par la suite) renforcera la fiabilité du système de détection. Cette
recherche aura une importance cruciale pour la sécurité des trains à grande vitesse, en
offrant une détection précoce et précise des défauts, contribuant ainsi à prévenir les
pannes et à renforcer la sécurité des passagers et du personnel navigant.
▪ Méthodologie :
AXE 1 : Instrumentation :
AXE 2 : Prétraitement :
▪ Mise en place de filtres adaptés, tels que les filtres adaptatifs, les filtres passe-
bas et les filtres de Kalman [1], pour réduire le bruit de mesure et améliorer la
qualité des signaux acoustiques enregistrés.
▪ Développement de méthodes de débruitage et de détection d'anomalies pour
éliminer les signaux non pertinents, en se basant sur des techniques de
traitement du signal avancées, telles que l'estimation bayésienne et les
méthodes de décomposition modale empirique (EMD) [2][3].
Axe 3 : Traitement :
4. Decision
making (Fault
detection and
localization)
1.
Instrumentation
2. Pre-
3.
processing
Processing
Les livrables majeurs de cette thèse sur le "Banc acoustique pour la détection des défauts
dans les roulements des essieux des trains à grande vitesse" seront divers et contribueront
significativement au domaine de la maintenance préventive ferroviaire. Voici les principaux
résultats attendus :
1. Le premier livrable majeur sera la conception et la réalisation d'un banc acoustique dédié
aux roulements des essieux des trains à grande vitesse.
2. Une base de données complète des différents types de défauts de roulement sera établie
à partir des mesures expérimentales réalisées sur des échantillons dégradés. Cette base
de données sera utilisée pour l'entraînement des modèles d'apprentissage automatique.
3. Les algorithmes de prétraitement développés pour filtrer les signaux acoustiques bruités
et pour améliorer la qualité des mesures seront un résultat majeur de cette thèse.
4. Système de classification des défauts : La mise en œuvre d'un système d'apprentissage
automatique pour la classification et la prédiction des défauts à partir des données
acoustiques représentera un résultat clé de cette recherche. Ce système sera capable de
distinguer et de diagnostiquer automatiquement les différents types de défauts de
roulement, ce qui sera d'une grande valeur pour une maintenance proactive et efficace.
5. Validation en conditions réelles : Enfin, le livrable ultime de cette thèse sera la validation
du banc acoustique et des algorithmes développés en conditions réelles sur des
roulements d'essieux de trains à grande vitesse en fonctionnement.
[1]. Khanam S, Tandon N, Dutt J. A system dynamic approach to bearing fault identification with
the application of Kalman and H∞ filters. Journal of Vibration and Control. 2016;22(13):3032-
3056.
[2]. Khalid Dahi, Soumia El Hani, Said Guedira et al. (2016, May). Diagnonis of rotor asymmetries
in Induction motor using ESA. In Electrical and Information Technologies (ICEIT), 2016
International Conference on (pp. 1-8). IEEE.
[3]. Khalid Dahi, Soumia El Hani, Said Guedira and Nabil Ngote (2014). Fault Diagnosis in
Induction Motor Using Motor’s Residual Stator Current Signature Analysis. In Advances in
Condition Monitoring of Machinery in Non-Stationary Operations (pp.631-643). Springer
Berlin Heidelberg.
[4]. H. Agossou, J. Koffi, K. Dahi, M. El Rhabi, A. Boukamel, M. Sedki, A. Naciri, L. F. Borges,
Diagnostic et pronostic des défauts de roulement d’essieu des rames à grande vitesse par
utilisation du signal acoustique et des méthodes de traitement de signal avancées, rapport
interne, projet de fin d’études, septembre 202
[5]. Ghazdali, M. El Rhabi, H. Fenniri, A. Hakim, A. Keziou, Blind noisy mixture separation for
independent/dependent sources through a regularized criterion on copulas, In Signal
Processing, Volume 131, 2017, Pages 502-513.
[6]. M. El Rhabi, H. Fenniri, A. Keziou, E. Moreau, A robust algorithm for convolutive blind source
separation in presence of noise, In Signal Processing, Volume 93, Issue 4, 2013, Pages 818-
827.
[7]. Zheng, Hong, Keyuan Zhu, Chao Cheng, and Zhaowang Fu. 2022. "Fault Detection for High-
Speed Trains Using CCA and Just-in-Time Learning" Machines 10, no. 7: 526.
[8]. Cortes, C., Vapnik, V. Support-vector networks. Mach Learn 20, 273–297 (1995).
[9]. LeCun, Y., Bengio, Y. & Hinton, G. Deep learning. Nature 521, 436–444 (2015).
[10]. Ilias Ouachtouk, Soumia El Hani, Khalid Dahi, (Dec. 2021). Intelligent Bearing Fault Diagnosis
Method Based on HNR Envelope and Classification Using Supervised Machine Learning
Algorithms., ADVANCES IN ELECTRICAL AND ELECTRONIC ENGINEERING, VOLUME: 19 |
NUMBER: 4 | 2021, pp: 282- 294.