Rapport de Stage ...

D ÉDICACE
Nous dédions ce modeste travail :

A nos très chers parents,
Qui se sont sacrifiés durant nos années d’étude pour notre bien ; aucune dédicace ne
peut remplacer le respect et la reconnaissance que nous éprouvons envers eux. Que
Dieu vous procure une longue vie, pleine de bonheur.
A nos sœurs et nos frères
Qui ont toujours été à nos côté et qui n’ont cessé de nous encourager ni de nous
apporter le soutien nécessaire pour continuer nos études et aller en avant.
A nos chers ami(e)s,
Pour chaque moment de joie et de folie que nous avons passé en votre compagnie.
A toute personne ayant contribuée de près ou de loin à la réalisation de ce modeste
travail, nous leur exprimons toute notre gratitude et notre profond respect pour les
efforts qu’ils ont déployés afin de nous soutenir.
A tous ceux qui ont marqué nos vie pour toujours, pour toutes ces personnes, nous
disons que les mots sont faibles pour traduire notre reconnaissance, notre grande
estime et notre grand amour.
R EMERCIEMENT
En premier lieu, Nous tenons à remercier DIEU pour nous donner le courage et la patience
durant nos études.
En second lieu, Nous tenons à remercier à travers ces quelques lignes les nombreuses personnes
qui ont contribué au succès de notre stage et qui, par la confiance, la patience et l’amitié qu’ils ont
manifestées à notre égard, nous ont permis d’apprécier pleinement ces quatre mois au sein du site
D’Alstom.
Nous nous excusons par avance auprès de ceux que nous oublierons de citer ou que nous ne
pourrons évoquer explicitement dans ce paragraphe, et nous leur réaffirmons par ailleurs notre recon-
naissance.
Nous pensons ici en premier lieu à madame Adnane Sanaa - Quality Manager, monsieur mon-
sieur Fahd Kdihi - Responsable Méthodes,et El Badaoui Khalid - Coordinateur Qualite Projet et
Relai Communication.Pour le temps et le suivi qu’ils nous ont accordé malgré leurs engagements,
ainsi que tous les efforts qu’ils ont déployé au long de la réalisation de ce travail. Nous voudrions
remercier monsieur Achmamad Abdelouahed et Ouachtouk Ilias, qui nous ont donné beaucoup de
connaissances techniques, des idées pour notre travail et pour nous avoir assuré la qualité de notre
travail.
Nos sincères remerciements sont également adressés à tout le corps enseignant et responsable
de l’ENSET Rabat, et plus particulièrement au coordonnatrice de la filière génie électrique et notre
encadrante Madame El Hani Soumia , pour toutes les informations et les orientations qu’elle nous a
offerte pour accomplir notre travail.
Enfin, Nous aimerions remercier les membres du jury, pour avoir accepté ce rôle et pour l’honneur
qu’ils nous font de juger mon travail.
Table des matières
D ÉDICACE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . i
R EMERCIEMENT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ii
I NTRODUCTION G ÉN ÉRALE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1 R EPR ÉSENTATION DE L’ ENTREPRISE ET C ADRE G ÉN ÉRALE DU PROJET 3

Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.1 Représentation de l’entreprise . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.1.1 ALSTOM multinationale . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.1.2 ALSTOM Transport Au Maroc . . . . . . . . . . . . . . . . . . . . . . . . 6
1.2 Cadre général du projet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2.1 Problématique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2.2 Objectif . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2.3 Méthodologie de la gestion de projet . . . . . . . . . . . . . . . . . . . . . 7
1.2.4 Ensemble des taches et équipe du projet dans le cadre méthodologique Scrum 9
Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2 G ÉN ÉRALIT ÉS SUR LE DIAGNOSTIC DES D ÉFAUTS M ÉCANIQUES DES MACHINES TOUR -
NANTES 12
Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.1 Diagnostic des défauts mécaniques des machines tournantes par analyse vibratoire . 13
2.1.1 Terminologie propre au diagnostic . . . . . . . . . . . . . . . . . . . . . . . 13
2.1.2 Caractéristiques d’un système de diagnostic . . . . . . . . . . . . . . . . . . 15
2.1.3 Les différentes étapes d’un diagnostic . . . . . . . . . . . . . . . . . . . . . 16
2.1.4 Présentation générale de l’Aanalyse Vibratoire . . . . . . . . . . . . . . . . 16
2.1.5 Les différents niveaux d’analyse vibratoire . . . . . . . . . . . . . . . . . . 18
2.2 Classification des méthodes de diagnostic . . . . . . . . . . . . . . . . . . . . . . . 18
2.2.1 Méthode avec connaissance à priori . . . . . . . . . . . . . . . . . . . . . . 18
2.2.2 Méthodes sans connaissance à priori . . . . . . . . . . . . . . . . . . . . . . 19
conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
3 E SSAIS DE SURVEILLANCE DU MOTEUR DE TRACTION 21

Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
3.1 Les essais de surveillance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
iii
TABLE DES MATIÈRES
3.2 Définition de la zone d’essais des moteurs de traction 4 FXA 4559 D . . . . . . . . . 23

3.2.1 Partie matérielle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
3.2.2 Partie logicielle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.2.3 Implémentation des essais de surveillance dans le LABVIEW . . . . . . . . 29
Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
4 DIAGNOSTIC VIBRATOIRE PAR LES M ÉTHODES AVEC CONNAISSANCE À PRIORI : AP -

PROCHE SIGNAL 32
Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
4.1 Les techniques de traitement du signal appliquées à l’analyse vibratoire . . . . . . . 33
4.1.1 Analyse temporelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
4.1.2 Limite du domaine temporelle . . . . . . . . . . . . . . . . . . . . . . . . . 34
4.1.3 Analyse spectrale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
4.2 Analyse spectrale : analyse du spectre d’enveloppe du signal vibratoire . . . . . . . . 36
4.2.1 Principe de l’analyse d’enveloppe . . . . . . . . . . . . . . . . . . . . . . . 36
4.2.2 Etude fréquentielle des différents défauts . . . . . . . . . . . . . . . . . . . 36
4.2.3 Implémentation d’une analyse d’enveloppe d’un signal vibratoire dans le lo-
giciel de simulation LABVIEW . . . . . . . . . . . . . . . . . . . . . . . . 39
4.2.4 Application expérimentale d’analyse d’enveloppe d’un signal vibratoire . . . 39
Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
5 D IAGNOSTIC VIBRATOIRE PAR LES M ÉTHODES SANS CONNAISSANCE À PRIORI : DIAG -

NOSTIC PAR RECONNAISSANCE DE FORMES . 43
Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
5.1 Principe des méthodes de reconnaissance des formes en diagnostic . . . . . . . . . . 44
5.1.1 Elaboration d’un système de diagnostic par RdF . . . . . . . . . . . . . . . 46
5.2 Phase d’analyse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
5.2.1 Détermination de l’éspace de représentation . . . . . . . . . . . . . . . . . . 47
5.2.2 Les méthodes de classification . . . . . . . . . . . . . . . . . . . . . . . . . 48
5.2.3 Présentation du banc d’essai . . . . . . . . . . . . . . . . . . . . . . . . . . 50
5.2.4 Application de la méthode de la Rdf . . . . . . . . . . . . . . . . . . . . . . 51
5.2.5 Extraction des paramètres et calcul de vecteur forme . . . . . . . . . . . . . 51
5.2.6 Préparation de la base d’apprentissage . . . . . . . . . . . . . . . . . . . . . 52
5.2.7 Partitionnement de la base d’apprentissage . . . . . . . . . . . . . . . . . . 52
5.2.8 Performance de classification . . . . . . . . . . . . . . . . . . . . . . . . . 52
Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
C ONCLUSION G ÉN ÉRALE 55

B IBLIOGRAPHIE ET W EBOGRAPHIE . . . . . . . . . . . . . . . . . . . . . . . . . . . . I
A NNEXE 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . III
A NNEXE 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . V
iv
TABLE DES MATIÈRES
A NNEXE 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . VI
A NNEXE 4 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . VIII
A NNEXE 5 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . X
v
Table des figures
1.1 Tramway Rabat . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5

1.2 Alstom à travers le monde . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3 Chiffre d’affaires d’Alstom . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.4 Projets d’Alstom au Maroc . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.5 méthodes agiles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.6 Cycle en V . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.7 Evolution des différentes phases du projet . . . . . . . . . . . . . . . . . . . . . . . 10
2.1 Ordonnancement des anomalies selon leur criticité . . . . . . . . . . . . . . . . . . 14

2.2 Différentes étapes du diagnostic . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.3 Détection et localisation des défauts :d (t) : entrées inconnues, f (t) : défauts, u (t) :
entrée du système à surveiller, y (t) : sortie du système à surveiller et r (t) : résidus . . 19
3.1 zone des essais dessinée par CATIA . . . . . . . . . . . . . . . . . . . . . . . . . . 24

3.2 schéma synoptique de la zone . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
3.3 Capteur de courant : transformateur de courant Rogowski . . . . . . . . . . . . . . . 26
3.4 Transducteur de la sonde Rogowski . . . . . . . . . . . . . . . . . . . . . . . . . . 26
3.5 Branchement du transducteur avec la sonde Rogowski . . . . . . . . . . . . . . . . . 26
3.6 accéléromètre piézo-électrique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.7 Capteur de température : Pt100 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.8 Module d’acquisition de données : NI 9234 . . . . . . . . . . . . . . . . . . . . . . 27
3.9 interface de l’assistant DAQ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.10 interface de : Mesure des résistances initiales à froid . . . . . . . . . . . . . . . . . . 29
3.11 interface de : Essai à vitesse max et mesure de température . . . . . . . . . . . . . . 30
3.12 interface de :Mesure des vibrations . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3.13 interface de :Essai diélectrique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
4.1 La Transformée de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35

4.2 roulement à billes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
4.3 spectre d’un défault de balourd . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
4.4 spectre d’un défault de désalignement radiale . . . . . . . . . . . . . . . . . . . . . 38
4.5 spectre d’un défault de désalignement axial . . . . . . . . . . . . . . . . . . . . . . 38
vi
TABLE DES FIGURES
4.6 interface graphique LABVIEW du diagnostic des signaux vibratoires . . . . . . . . . 40

4.7 Allure du signal vibratoire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
4.8 Spectre d’enveloppe du signal vibratoire . . . . . . . . . . . . . . . . . . . . . . . . 41
4.9 Résultat de l’analyse spectrale sur l’interface graphique . . . . . . . . . . . . . . . . 42
5.1 Représentation d’un point dans un espace de dimension d . . . . . . . . . . . . . . . 45

5.2 Notion de classe en reconnaissance des formes. . . . . . . . . . . . . . . . . . . . . 45
5.3 Schéma de principe de la procédure du diagnostic . . . . . . . . . . . . . . . . . . . 47
5.4 Illustration de l’affectation par la règle des k-plus proches voisins avec k=7 . . . . . 49
5.5 banc d’essai pour le diagnostic du moteur de traction par RDF . . . . . . . . . . . . 51
5.6 Allure de la performance k-ppv . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
5.7 Moteur de traction type :4 FXA 4559 D . . . . . . . . . . . . . . . . . . . . . . . . III
5.8 Variateur de vitesse de type : ALSPA MV 3000 C . . . . . . . . . . . . . . . . . . . V
5.9 schéma de puissance et d’alimentation de l’autotransformateur . . . . . . . . . . . . VI
5.10 Schéma d’alimentation de la commande du variateur de vitesse . . . . . . . . . . . . VII
5.11 Programme LabVIEW utilisé pour l’éssai de température . . . . . . . . . . . . . . . VIII
5.12 Programme LabVIEW utilisé pour le diagnostic par l’analyse d’enveloppe . . . . . . IX
vii
Liste des tableaux
1.1 Fiche technique d’Alstom . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4

1.2 Equipe Scrum . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
3.1 Limites des intensités vibratoires,en vitesse . . . . . . . . . . . . . . . . . . . . . . 23
4.1 Synthèse des fréquences de défauts des principales anomalies . . . . . . . . . . . . . 39

4.2 Exemple d’étude fréquentielle d’un défaut de roulement . . . . . . . . . . . . . . . . 41
5.1 les principaux indicateurs temporelles, leurs relations et leur déclaration sur Matlab . 52
5.2 les principaux indicateurs fréquentielles, leurs relations et leur déclaration sur Matlab 52
5.3 Partitionnement de la base d’apprentissage . . . . . . . . . . . . . . . . . . . . . . . 53
5.4 Performance de classification des deux classifieurs k-ppv et svm . . . . . . . . . . . 53
viii
LISTE DES TABLEAUX
I NTRODUCTION G ÉN ÉRALE

Actuellement le monde industriel a connu un développement rapide, et les exigences des procédés
sont de plus en plus complexes et sophistiqués. Par conséquent, l’augmentation de la fiabilité, la
disponibilité et la sûreté de fonctionnement, constitue à l’heure actuelle, l’une des préoccupations
majeures des industriels. Le diagnostic des défaillances des systèmes industriels, lorsqu’il est réalisé
avec efficacité et s’il permet de détecter de façon précoce une dégradation, représente un des moyens
essentiels qui contribue à obtenir un meilleur gain de productivité.
ALSTOM TRANSPORT MAROC s’est engagé dans un contrat à objectifs avec l’ONCF (office
nationale des chemins de fer), en mettant en place un plan de maintenance préventive et correc-
tive pour assurer une fiabilité et disponibilité efficace des locomotives à traction électrique des trois
séries E1300, E1350 et E1400, fabriquées par le groupe ALSTOM TRANSPORT en France. Dans ce
cadre ALSTOM TRANSPORT Maroc a confié la maintenance des moteurs de traction de locomotives
E1300, E1350 et E1400 au prestataire CBE (Construction de Bobinage Electrique).
Le moteur de traction constitue l’un des éléments les plus importants de la locomotive. Il est
donc indispensable de le surveiller et de l’entretenir efficacement. Dans ce sens vient ce projet de fin
d’études qui porte sur a surveillance et diagnostic assisté par ordinateur des moteurs de tractions
des locomotives de la série E1400 qui vise à diagnostiquer le moteur de traction afin de détecter et
localiser les défauts qui affectent ce dernier pour une meilleure démarche de maintenance.
A la date de 20/03/2019, nous avons fait une visite aux ateliers du prestataire CBE spécialiste
des révisions des moteurs de traction pour ONCF et ALSTOM au Maroc, et nous avons remarqué
que le déroulement de l’opération de la surveillance et du diagnostic n’est pas conforme aux normes
en vigueur. Cela se reflète dans l’insuffisance des instruments de mesure, et la prise aléatoire des
grandeurs mesurées qui influence leurs exactitudes, ce qui amène une mauvaise prise de décision
pour l’opération de la maintenance. D’où le besoin de la société ALSTOM d’une zone sécurisée
dédiée pour les tests de surveillance et de diagnostic du moteur de traction, afin de vérifier son état de
fonctionnement.
Au terme de ce travail, et pour répondre à la problématique citée , nous avons commencé par
définir une zone sécurisée tout en respectant les règles de l’art (Santé, Sécurité et Qualité) pour faire
les essais de surveillance et de diagnostic du moteur de traction asynchrone type 4 FXA 4559 D des
locomotives de la série E1400 conformément à la norme CEI 60349-2, deuxième édition 2002-08.
Dans le cadre de la surveillance assisté par ordinateur, nous avons réalisé une application bureau sur
l’environnement LabView capable de traiter d’une part les informations issues des capteurs installés
dans la zone, et d’autre part communiquer ces résultats à travers une interface graphique.
La détection de l’anomalie est une étape importante, mais reste insuffisante car elle ne localise pas
le défaut, l’étape suivante consiste à localiser les défauts affectant le moteur, pour cela nous avons ap-
pliqué dans un premier lieu, les techniques de traitement du signal vibratoire pour étudier la similarité
entre les fréquences qui apparaissent dans le spectre d’enveloppe et les fréquences caractéristiques des
défauts. Dans un deuxième lieu nous allons introduire la méthode de la reconnaissance des formes
afin de comprendre la contribution de l’intelligence artificielle au diagnostic des machines tournantes.
1
Le présent mémoire a pour sujet l’établissement d’un processus de surveillance et du diagnostic de
ces moteurs afin d’améliorer les conditions des activités de la maintenance. Notre travail sera effectué
dans l’ordre suivant : Le premier chapitre est réservé à la présentation de l’organisme d’accueil ainsi
que le cadre général du projet.
Le second chapitre présente un aperçu général sur le diagnostic des machines tournantes par l’ana-
lyse vibratoire. Ainsi les différentes approches de diagnostic les plus adaptées en analyse vibratoire
à savoir les méthodes avec connaissance à priori sur le système à diagnostiquer et les méthodes sans
connaissances à priori.
Dans le troisième chapitre nous allons définir la zone des tests des moteurs de traction des lo-
comotives de la série E1400 ainsi que les différents essais de surveillance proposés par le fabricant
de ces derniers, ainsi que nous allons développer une application bureau à l’aide du logiciel Lab-
View afin de traiter les informations issues des différentes capteurs et communiquer par la suite des
résultats informant sur l’état de santé de la machine tournante. Nous nous attarderons dans le qua-
trième chapitre sur les techniques de traitement de signal qui s’inscrivent dans le cadre des méthodes
avec connaissance à priori. Puis nous allons faire une synthèse des principaux défauts qui affectent les
machines tournantes, afin de comprendre leurs caractères fréquentielles. Et enfin, nous appliquerons
la technique de l’analyse d’enveloppe du signal vibratoire pour la localisation des défauts du moteur
en communiquant les résultats de cette technique à travers une interface homme/machine réalisée
dans l’environnement LabView.
Finalement, le dernier chapitre traitera le problème du diagnostic de façon différente, nous parlons
maintenant des techniques basée sur les principes de l’intelligence artificielle, notamment la méthode
de la reconnaissance des formes. Une application expérimentale sera faite par la suite pour détecter
et localiser les défauts, afin de valider les performances de la technique introduite dans ce chapitre.
Enfin, nous terminerons avec une conclusion générale et des perspectives pour améliorer notre projet
par la suite.
Chapitre 1
R EPR ÉSENTATION DE L’ ENTREPRISE ET

C ADRE G ÉN ÉRALE DU PROJET
Sommaire
Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.1 Représentation de l’entreprise . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.1.1 ALSTOM multinationale . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.1.2 ALSTOM Transport Au Maroc . . . . . . . . . . . . . . . . . . . . . . . 6
1.2 Cadre général du projet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2.1 Problématique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2.2 Objectif . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2.3 Méthodologie de la gestion de projet . . . . . . . . . . . . . . . . . . . . 7
1.2.4 Ensemble des taches et équipe du projet dans le cadre méthodologique Scrum 9
Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
3
CHAPITRE 1. REPR ÉSENTATION DE L’ENTREPRISE ET CADRE G ÉN ÉRALE DU
PROJET
Introduction
Dans ce chapitre,nous allons présenter l’entreprise d’acceuil,Alstom au niveau international ainsi
que national (Alstom Transport Maroc).
Par la suite,nous allons discuter le cadre général de notre projet,tout en décrivant la problématique
, l’objectif et la méthodologie suivie tout au long de la période du projet.
1.1 Représentation de l’entreprise
1.1.1 ALSTOM multinationale

Historique :
ALSTOM est une société anonyme basée en France spécialisée dans les secteurs des transports,
principalement ferroviaires (trains, tramways et métros), et de la production et le transport d’énergie
(centrales électriques et énergies renouvelables comme les éoliennes et les postes de transformation
et d’interconnexion). À l’origine ,Alsthom, contraction d’ Alsace et de Thomson , devenu
Alsthom, était le résultat de la fusion, réalisée en 1928, d’une partie de la Société alsacienne de
constructions mécaniques (SACM), spécialiste de la construction de locomotives, et de la Compa-
gnie Française Thomson- Houston (CFTH), société franco-américaine spécialiste des équipements de
traction électrique et de la construction électromécanique.
Fiche technique :
Raison sociale ALSTOM

Date de création 1928
Forme juridique Société anonyme
Siège social 3 Avenue André Malraux - 92300 Levallois - Perret France
Directeur Patrick Kron
Activités Infrastructures d’énergie et de transport
Filiales Alstom POWER, Alstom TRANSPORT, Alstom GRID
Effectif 96 000 Salariés (Au 31 Mars 2014)
Capital 2 165 651 950
Chiffre d’affaires 20,3 Milliards d’euros 2013/14
Résultat Net 0,556
Site WEB www.alstom.com
Tél +33 (0) 1 41 49 20 00
RCS 389 058 447 Nanterre
TABLE 1.1 – Fiche technique d’Alstom
4
PROJET
Secteur d’activités : ’Secteur Transport’
Le Secteur Transport fournit partout dans le monde des équipements, des systèmes et des services
ferroviaires pour les transports urbains, régionaux et grandes lignes, ainsi que pour le transport de fret.
Alstom conçoit, fournit des systèmes ferroviaires durables et intégrés qui répondent aux nouveaux en-
jeux d’une mobilité plus intelligente. L’offre d’Alstom Transport porte sur la fourniture des différents
produits d’un système ferroviaire ou de solutions clés en main complètes. Adaptées aux attentes des
différents opérateurs et autorités de transport comme à celles des passagers, ces solutions ferroviaires
sont synonymes d’efficacité, tant sur le plan technique, qu’économique et environnemental.
F IGURE 1.1 – Tramway Rabat
Alstom à travers le monde :
F IGURE 1.2 – Alstom à travers le monde
5
PROJET
F IGURE 1.3 – Chiffre d’affaires d’Alstom
Chiffre d’affaires :
1.1.2 ALSTOM Transport Au Maroc

Historique :
Présence depuis plus de 40 ans au Maroc dans l’hydro électrique et le thermique :

— 1997 : Ouverture du 1er bureau Alstom ;
— 2001 : Ouverture du 1er bureau Alstom Grid ;
— 2003 : Ouverture du 1er bureau Alstom Thermal ;
— 2011 : Création de la joint-venture Cabliance avec Nexans : unité de fabrication de faisceaux
et de câbles et des armoires électriques basse tension (120 employés).
— 2015 : Alstom a finalisé le 2 novembre 2015 la vente de ses activités Énergie (Power et Grid) à
General Electric (GE). Alstom est désormais entièrement recentré sur le transport ferroviaire.
Projets au Maroc :
— Alstom Transport, Le spécialiste français des transports ferroviaires travaille actuellement sur
plusieurs projets au Maroc, dont le plus important reste celui des trains dédiés à la ligne à
grande vitesse (LGV), pour relier Tanger et Casablanca, en 2h10 et à une vitesse maximale de
320 km/h.
— Alstom contribue à la réalisation des objectifs de l’ONCF pour répondre à l’augmentation du
trafic générée par l’ouverture du port de Tanger Med, pour renforcer une offre ferroviaire de
qualité, pour améliorer les capacités de la ligne existante en fluidifiant le trafic et participer au
développement structurel et durable des régions traversées.
— Alstom transport a eu le projet de maintenance offert par l’Office National des Chemins Fer-
roviaires (ONCF) à Casablanca (Lieux du Stage)
6
PROJET
F IGURE 1.4 – Projets d’Alstom au Maroc
1.2 Cadre général du projet
1.2.1 Problématique
A la date de 20/03/2019, nous avons fait une visite aux ateliers du prestataire CBE spécialiste
des révisions des moteurs de traction pour ONCF et ALSTOM au Maroc, et nous avons remarqué
que le déroulement de l’opération de la surveillance et du diagnostic n’est pas conforme aux normes
en vigueur. Cela se reflète dans l’insuffisance des instruments de mesure, et la prise aléatoire des
grandeurs mesurées qui influence leurs exactitudes, ce qui amène une mauvaise prise de décision
pour l’opération de la maintenance. D’où le besoin de la société ALSTOM d’une zone sécurisée
dédiée pour les tests de surveillance et de diagnostic du moteur de traction, afin de vérifier son état de
fonctionnement.
1.2.2 Objectif
— définition d’une zone sécurisée tout en respectant les règles de l’art (Santé, Sécurité et Qualité)
pour faire les essais de surveillance et de diagnostic du moteur de traction asynchrone type 4
FXA 4559 D des locomotives de la série E1400 conformément à la norme CEI 60349-2,
deuxième édition 2002-08.
— réalisation d’une application bureau sur l’environnement LabView capable de traiter d’une
part les informations issues des capteurs installés dans la zone, et d’autre part communiquer
ces résultats à travers une interface graphique.
1.2.3 Méthodologie de la gestion de projet

Les méthodes agiles
Les méthodes agiles consistent à travailler en cycle itératifs courts et décomposer le l’objectif
global en sous objectifs. L’agilité, comme nous l’appelons, est l’alternative moderne aux méthodes
de gestion de projet classiques, qui utilisent le cycle en V, et qui commencent toujours par l’analyse
des besoins du client et la rédaction du cahier des charges. Une fois les partis prenantes du projet
sont d’accords, les spécifications fonctionnelles, puis techniques de du produit sont rédigées et va-
lidées. L’ensemble des fonctionnalités du produit, et les modalités de sa réalisation (choix techniques
notamment) est décrit avant que la moindre tache ne soit effectuée.
L’approche agile est radicalement différente. Plutôt que de tout spécifier dès le début du projet et
7
PROJET
de s’en tenir à un cadre très rigide, un projet agile sera organisé en cycles de développements itératifs
et incrémentaux, auxquels le client final et l’utilisateur seront intégrés et participeront de façon active.
Le centre de gravité n’est donc plus le projet en lui-même, mais bel et bien le produit. L’objectif n’est
plus de mener le projet à bien, mais de donner naissance à un produit fini, correspondant parfaitement
au besoin du client.
F IGURE 1.5 – méthodes agiles
F IGURE 1.6 – Cycle en V
8
PROJET
Le framework scrum
Scrum est considéré comme un cadre ou framework de gestion de projet agile. Ce cadre est
constitué d’une définition des rôles, de réunions et d’artefacts.
Scrum définit 3 rôles :
— Le Product Owner qui porte la vision du produit à réaliser (représentant généralement le
client).
— Le Scrum Master garant de l’application de la méthodologie Scrum.
— L’équipe de développement qui réalise le produit, composée généralement de 2 à 9 personnes,
et qui peut inclure également le Product Owner et Scrum Master.
— On peut également ajouter rôle supplémentaire qui est les intervenants,ce sont les gens qui
interviennent dans le projet pour donner des directives,des conseils et des orientations.
La vie d’un projet Scrum est rythmée par un ensemble de réunions clairement définies et strictement
limitées dans le temps (timeboxing) :
— Planification du Sprint (Sprint = itération) : au cours de cette réunion, l’équipe de développement
sélectionne les éléments prioritaires du Product Backlog (liste ordonnancée des exigences
fonctionnelles et non fonctionnelles du projet) qu’elle pense pouvoir réaliser au cours du sprint
(en accord avec le Product Owner ).
— Revue de Sprint : au cours de cette réunion qui a lieu à la fin du sprint, l’équipe de développement
présente les fonctionnalités terminées au cours du sprint et recueille les feedbacks du Product
Owner et des utilisateurs finaux. C’est également le moment d’anticiper le périmètre des pro-
chains sprints et d’ajuster au besoin la planification de release (nombre de sprints restants).
— Rétrospective de Sprint : la rétrospective qui a généralement lieu après la revue de sprint est
l’occasion de s’améliorer (productivité, qualité, efficacité, conditions de travail, etc) à la lueur
du ”vécu” sur le sprint écoulé (principe d’amélioration continue).
— Mêlée quotidienne : il s’agit d’une réunion de synchronisation de l’équipe de développement
qui se fait debout (elle est aussi appelée ”stand up meeting”) en 15 minutes maximum au cours
de laquelle chacun répond principalement à 3 questions : Qu’est-ce que j’ai terminé depuis
la dernière mêlée ? Qu’est-ce que j’aurai terminé d’ici la prochaine mêlée ? Quels obstacles
me retardent ? .
1.2.4 Ensemble des taches et équipe du projet dans le cadre méthodologique

Scrum
Afin d’avoir un bon déroulement du projet ,nous avons appliqué la méthodologie Scrum qui
est plus adaptée à la nature de notre projet,nous avons défini l’équipe de Scrum (tableau 1.2
ensuite,nous présentons dans la figure ??,le déroulement dans les différentes phases du projet.
9
PROJET
Product Owner Hassan Jarham

Scrum Master Mohamed Yaken
Equipe de développement Mohamed Yaken
Hassan Jarham
Les intervenants Mme Soumia El Hani : PES à l’ENSET Rabat
Mme Sanaa Adnan : Manager qualité Alstom Maroc
Mr Kdihi Fahd : Responsable méthode
Mr El Badaoui Khalil :Responsable HSE
Mr Hamza Boukil : Ingénieur industrialisation
Mr Abdelouahed Achmamad : Doctorant à l’ENSET
Clients Département qualité Alstom
TABLE 1.2 – Equipe Scrum
F IGURE 1.7 – Evolution des différentes phases du projet
10
PROJET
Conclusion
Dans un premier lieu, nous avons présenté la fameuse entreprise internationale Alstom qui opère
dans le domaine transport ferroviaire, son installation, ses projets au Maroc, et son entité Alstom
Transport qui nous a accueillis dans mon stage de fin d’études. dans un deuxième lieu, nous avons
décrit le déroulement du projet en utilisant le cadre méthodologique Scrum.
11
Chapitre 2
G ÉN ÉRALIT ÉS SUR LE DIAGNOSTIC DES

D ÉFAUTS M ÉCANIQUES DES MACHINES
TOURNANTES
Sommaire
Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.1 Diagnostic des défauts mécaniques des machines tournantes par analyse vibra-
toire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.1.1 Terminologie propre au diagnostic . . . . . . . . . . . . . . . . . . . . . . 13
2.1.2 Caractéristiques d’un système de diagnostic . . . . . . . . . . . . . . . . . 15
2.1.3 Les différentes étapes d’un diagnostic . . . . . . . . . . . . . . . . . . . . 16
2.1.4 Présentation générale de l’Aanalyse Vibratoire . . . . . . . . . . . . . . . 16
2.1.5 Les différents niveaux d’analyse vibratoire . . . . . . . . . . . . . . . . . 18
2.2 Classification des méthodes de diagnostic . . . . . . . . . . . . . . . . . . . . . 18
2.2.1 Méthode avec connaissance à priori . . . . . . . . . . . . . . . . . . . . . 18
2.2.2 Méthodes sans connaissance à priori . . . . . . . . . . . . . . . . . . . . . 19
conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
12
CHAPITRE 2. G ÉN ÉRALIT ÉS SUR LE DIAGNOSTIC DES D ÉFAUTS M ÉCANIQUES
DES MACHINES TOURNANTES
Introduction
De nombreuses défaillances peuvent apparaı̂tre sur les machines tournantes provoquant des arrêts
intempestifs. Le premier pas vers la réduction des arrêts non planifiés réside dans la mise en œuvre
d’une bonne stratégie de maintenance. Cela nécessite l’utilisation d’une méthode de diagnostic effi-
cace afin d’établir un système de surveillance capable d’assurer la disponibilité, la fiabilité et la sûreté
de fonctionnement des machines.
Dans ce chapitre,nous présentons les techniques de diagnostic des machines tournantes par ana-
lyse vibratoire . En effet l’analyse vibratoire apparaı̂t comme l’un des outils les plus utilisés et les plus
efficaces pour détecter, diagnostiquer et suivre les défauts des composants mécaniques dans une ma-
chine tournante. Finalement nous présentons les différentes approches de diagnostics les plus adaptées
en analyse vibratoire.
2.1 Diagnostic des défauts mécaniques des machines tournantes

par analyse vibratoire
2.1.1 Terminologie propre au diagnostic

Diagnostic :
De nombreuses définitions sont proposées pour le terme de diagnostic, celle du dictionnaire Robert
est rigoureusement étymologique : action de déterminer une maladie d’après ses symptômes .
L’origine de ce mot provient de deux mots grecs, dia qui signifie par et gnossie qui
signifie connaissance .
Dans l’industrie, le diagnostic est défini par l’ensemble d’actions visant à évaluer un procédé
(système) et identifier la cause probable des défaillances à l’aide d’un raisonnement logique fondé sur
un ensemble d’informations provenant d’une inspection, d’un contrôle ou d’un test de son fonction-
nement.
Le diagnostic est en principe défini comme un processus à trois phases :
— Détection du mode de fonctionnement.
— Qualification du mode de fonctionnement.
— Décision à partir de la reconnaissance du mode de fonctionnement.
Un système est dit diagnosticable, s’il est susceptible d’être soumis à un diagnostic, il doit alors
être muni d’organes d’observation (capteurs) et d’un système d’analyse pour étudier les informations
fournies. La diagnosticabilité sera l’aptitude d’un système à être diagnostiqué.
Défaut :
Un défaut est une anomalie de fonctionnement d’un système physique. On appelle défaut tout
écart entre la caractéristique observée sur le dispositif et la caractéristique théorique. Cet écart est
idéalement nul en absence de défauts.
13
Défaillance :
Evénement engendrant une modification du fonctionnement du procédé. L’état du système ne

correspond plus à un fonctionnement normal. Le système n’est plus apte à assurer totalement ses
fonctions. Il est clair qu’une défaillance implique l’apparition d’un défaut puisqu’il existe un écart
entre la caractéristique mesurée et la caractéristique théorique. Par contre, un défaut n’implique pas
nécessairement une défaillance puisque le dispositif peut très bien continuer à assurer sa mission
principale.
Dégradation :
C’est le processus qui amène à état défaillant du système.
Panne :
Lorsque plus aucune fonction n’est assurée, le terme de panne est employé à la place du terme
défaillance.
Défaut ⇒ Défaillance ⇒ panne
Signe :
Un défaut est perceptible au travers d’un signe, caractère manifestant un état comportemental
anormal. Un signe est caractérisé par un ensemble d’observations en provenance d’un système phy-
sique. Il est révélateur de la présence d’un défaut.
Symptômes :
Le terme signe dans le cas d’une défaillance correspond au terme symptôme définit comme suit :
caractéristique distinctive d’un état fonctionnel anormal.
F IGURE 2.1 – Ordonnancement des anomalies selon leur criticité
14
La distinction entre les termes symptôme et signe s’apparente donc à la différence entre les notions
de défaut et de défaillance. Un symptôme révélant d’une défaillance est nécessairement un signe, alors
qu’un défaut se manifeste à travers des signes qui ne sont pas nécessairement des symptômes.
Résidu :
Un résidu communément appelé indicateur de défaut ou variable d’écart, est un signal conçu
comme indicateur d’anomalies comportementales ou fonctionnelles. Il exprime l’incohérence entre
les informations disponibles et celles théoriques fournies par un modèle censé décrire correctement
le processus.
2.1.2 Caractéristiques d’un système de diagnostic

L’ensemble des caractéristiques souhaitées, qu’un système de diagnostic devrait posséder est :
1. Détection rapide.
2. Isolation : c’est l’habilité pour différencier les défauts.
3. Robustesse vis-à-vis de certains bruits et d’incertitudes.
4. Identification de nouveautés : on se réfère à la capacité de décider si le processus est en état
normal ou anormal. Dans le cas d’anomalie, il faut identifier s’il s’agit d’un défaut connu ou
d’un nouveau défaut.
5. Estimation de l’erreur de classification du défaut (diagnostic) en vue de sa fiabilité.
6. Adaptabilité : le système de diagnostic devrait être adaptable aux changements de conditions
du processus (perturbations, changements d’environnement).
7. Facilité d’explication de l’origine du défaut et de la propagation de celui-ci. Ceci est important
pour la prise de décision en ligne.
8. Conditions de modélisation : pour le déploiement rapide et facile des classificateurs de diag-
nostic en temps réel, l’effort de modélisation devrait être aussi minimal que possible.
9. Facilité de mise en œuvre informatique (faible complexité dans les algorithmes et leur implém-
entation) et capacité de stockage.
10. Identification de multiples défauts : pour de grands processus, l’énumération combinatoire de
multiples défauts est trop importante et ils ne peuvent être explorés de manière exhaustive.
15
2.1.3 Les différentes étapes d’un diagnostic

Effectuer un diagnostic nécessite un certain nombre d’étapes qui s’enchaı̂nent (figure 2.2.)
Etape d’acquisition de données :
La procédure de diagnostic nécessite une disponibilité d’informations sur le fonctionnement du

système à surveiller. Ces informations sont recueillies lors d’une phase d’acquisition de données sui-
vie d’une validation. Cette étape implique l’utilisation de capteurs appropriés permettant de mesurer
les différentes variables du processus.
Etape d’élaboration d’indicateurs de défauts :
A partir des mesures réalisées et des observations issues des opérateurs en charge de l’installa-
tion, il s’agit de construire des indicateurs permettant de mettre en évidence les éventuels défauts
pouvant apparaı̂tre au sein du système. Dans le domaine du diagnostic, les indicateurs de défauts sont
couramment dénommés les résidus ou symptômes.
Etape de détection :
Cette étape doit permettre de décider si le système se trouve ou non dans un état de fonctionnement
normal, cette étape fait le plus souvent appel aux tests statistiques ou, de manière plus simple, est
réalisée à l’aide d’un seuillage.
Etape de localisation :
Il s’agit à partir des résidus non nuls statistiquement, de localiser le défaut, c’est-à-dire de déterminer
le ou les éléments défaillants. La procédure de localisation nécessite l’utilisation d’un ensemble (ou
vecteur) de résidus, qui doivent avoir des propriétés permettant de caractériser de manière unique
chaque défaut.
Etape de prise de décision :
Il s’agit de décider de la marche à suivre afin de conserver les performances souhaitées, du système
sous surveillance. Cette prise de décision doit permettre de générer, éventuellement sous le control
d’un opérateur humain, les actions correctrices nécessaires à un retour à la normale du fonctionne-
ment de l’installation. En résumé, quelle que soit la méthode employée, la procédure de diagnostic
comprend deux principales étapes, une étape de génération de résidus et une étape d’évaluation des
résidus.
2.1.4 Présentation générale de l’Aanalyse Vibratoire

Toutes les machines en fonctionnement produisent des vibrations, images des efforts dynamiques
engendrés par les pièces en mouvement. La détérioration du fonctionnement conduit le plus sou-
16
F IGURE 2.2 – Différentes étapes du diagnostic
vent à un accroissement du niveau des vibrations. En observant l’évolution de ce niveau, il est par
conséquent possible d’obtenir des informations très utiles sur l’état de la machine. La modification du
niveau vibratoire d’une machine constitue souvent la première manifestation physique d’une anoma-
lie, cause potentielle de dégradation, voire de pannes. Les vibrations véhiculent beaucoup d’informa-
tions sur l’état de fonctionnement de la machine, toutes les caractéristiques des vibrations (amplitude,
répartition des amplitudes, fréquence, ...) peuvent être exploitées et analysées pour révéler des détails
précis sur l’état interne de la machine. L’analyse vibratoire est aujourd’hui très fortement répandue
dans l’industrie en y trouvant sa place au sein des stratégies de maintenance conditionnelle car elle
offre une panoplie des méthodes qui permettent de détecter la présence des défauts (diagnostic) et
d’analyser leur évolution temporelle (la surveillance). La maintenance par l’analyse vibratoire se
compose de trois étapes clés :
— L’étude cinématique de la machine : calcul des fréquences caractéristiques de défauts des
composants à surveiller.
— L’acquisition et le traitement des données vibratoires : extraction des paramètres significatifs
de l’état de dégradation des composants
— La décision : Diagnostic et pronostic de pannes.
17
2.1.5 Les différents niveaux d’analyse vibratoire

On note trois niveaux d’analyse ; la surveillance, le diagnostic et le suivi et pronostic. La sur-
veillance est considérée comme le premier niveau d’analyse vibratoire. Elle consiste à surveiller
l’état de fonctionnement général des machines à travers des indicateurs, le plus souvent globaux.
Un seuil peut être donné par le fabricant ou choisi en étudiant l’historique de la machine. Si un indi-
cateur dépasse le seuil admissible, soit des actions correctives sont effectuées soit on passe au niveau
supérieur d’analyse : le diagnostic.
Le diagnostic consiste à mettre en évidence la défaillance des composants et d’identifier la source de
cette défaillance par des techniques de traitement du signal. L’étape de suivi et de pronostic constitue
le niveau le plus élevé dans l’analyse vibratoire et son objectif est la qualification, la quantification
et la prédiction en termes de fiabilité. Dans ce niveau on s’intéresse soit à l’estimation de la proba-
bilité qu’une défaillance survienne à un instant donné, soit à la prédiction du temps résiduel avant
défaillance communément appelé RUL (Remaining Useful Life). Cela permet de planifier un arrêt
programmé de la machine pour le remplacement du (ou des) composant(s).
2.2 Classification des méthodes de diagnostic

On peut globalement distinguer deux grandes familles de méthodes de diagnostic :
— Les méthodes basées sur une modélisation des systèmes ou sur des signaux, qualifiées de
méthodes avec connaissance à priori .
— Les méthodes basées sur l’intelligence artificielle également appelées méthodes sans connais-
sance à priori .
2.2.1 Méthode avec connaissance à priori

Ces méthodes consistent à estimer à l’aide d’un modèle mathématique du système, les grandeurs
mesurées sur celui-ci. Si le modèle reflète bien le comportement du système, tout écart entre les
grandeurs estimées et mesurées traduira l’apparition d’un ou plusieurs défauts.
Les défauts sont alors détectés par comparaison des résidus à des seuils convenablement choisis. La
figure ci-dessous illustre ce principe et où d (t) représente les entrées inconnues, f (t) les défauts, u (t)
l’entrée du système à surveiller, y (t) la sortie du système à surveiller et r (t) les résidus.
Les méthodes avec connaissance à priori regroupent les méthodes dites mono signal et les méthodes
dites multi signaux.
Approches sans modèle (approche signal) :
Cette approche se base sur le fait que l’apparition d’un défaut se manifeste par une modification
des caractéristiques des grandeurs mesurables sur le système. Ces dernières possèdent des profils
temporels et fréquentiels typiques qui correspondent à un état normal ou bien à des défaillances
connues. Une comparaison entre les signatures de référence et actuelles permet de bien identifier l’état
18
F IGURE 2.3 – Détection et localisation des défauts :d (t) : entrées inconnues, f (t) : défauts, u (t) :
entrée du système à surveiller, y (t) : sortie du système à surveiller et r (t) : résidus
réel du système et de diagnostiquer le défaut si présent. Ces outils sont classés en quatre catégories
selon leur domaine d’application : temps, fréquences, temps-fréquence ou temps-échelle.
Approches avec modèle :
L’idée de base est de vérifier la cohérence entre les relations mathématiques du système et les
mesures. Supposons qu’une mesure puisse s’exprimer en fonction des autres par une relation connue.
La différence entre la mesure et sa valeur calculée à l’aide du modèle est appelée résidu. Si le résidu
est nul, les mesures sont cohérentes par rapport au modèle, le système est déclaré sans défaut. Un
résidu non nul implique l’existence d’un défaut. L’approche par espace de parité suppose donc la
connaissance d’un modèle mathématique du système.
2.2.2 Méthodes sans connaissance à priori
Les méthodes avec connaissance à priori reposent sur l’utilisation d’un modèle mathématique du
système étudiée. Toutefois, l’obtention d’un modèle global est quelquefois difficile à obtenir en raison
de la complexité des phénomènes physiques mis en jeu. On peut alors avoir recours aux méthodes sans
connaissance à priori. Dans ce cas les connaissances utilisables reposent alors sur le savoir d’experts
et sur un ensemble de données issues de l’installation à surveiller. Suivant ce type d’approche, on
retrouve l’ensemble des méthodes basées sur l’intelligence artificielle (IA).
L’intelligence artificielle (IA) est une branche de l’informatique qui traite la reproduction par la
machine de certains aspects de l’intelligence humaine tels qu’apprendre à partir d’une expérience
19
passée à reconnaı̂tre des formes complexes et à effectuer des déductions. L’intérêt de recourir à l’in-
telligence artificielle (IA) pour résoudre le problème de diagnostic des défaillances, est dû principale-
ment aux avantages suivants :
— La non disponibilité de modèle explicite pour le cas de défaillances est un problème que les
techniques de l’intelligence artificielle (IA) peuvent résoudre car basées sur la non nécessité
de modélisation.
— L’insertion de connaissance d’expert données sous forme linguistique, soit pour la détection,
ou la localisation de défauts, ce qui permet de rendre le système de contrôle ou de commande
apte à effectuer l’insertion automatique des symptômes et la mémorisation de chaque nouvel
acte (possibilité de son auto instruction).
— La simplicité dans la mise en œuvre, une fois préparées les règles d’expert.
— La robustesse face aux perturbations.
L’intelligence artificielle recouvre principalement la reconnaissance des formes, les systèmes experts,
les réseaux de neurones et les systèmes d’inférence floue.
Conclusion
Nous avons présenté dans ce chapitre quelques notions de base sur le diagnostic des systèmes
en général et le diagnostic par l’analyse vibratoire en particulier. Le diagnostic apparait comme un
domaine riche et varié et fait appel à des concepts différents comme la modélisation, le traitement
du signal, des méthodes d’intelligence artificielles, etc. Les différentes méthodes proposées dans ce
domaine reposent sur l’utilisation de modèles avec connaissance à priori ou des modèles sans connais-
sance à priori obtenus en exploitant l’ensemble des connaissances disponibles sur le système à diag-
nostiquer.
20
Chapitre 3
E SSAIS DE SURVEILLANCE DU MOTEUR DE

TRACTION
Sommaire
Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
3.1 Les essais de surveillance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
3.2 Définition de la zone d’essais des moteurs de traction 4 FXA 4559 D . . . . . . 23
3.2.1 Partie matérielle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
3.2.2 Partie logicielle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.2.3 Implémentation des essais de surveillance dans le LABVIEW . . . . . . . 29
Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
21
CHAPITRE 3. ESSAIS DE SURVEILLANCE DU MOTEUR DE TRACTION
Introduction
Le moteur de traction constitue l’un des éléments les plus importants de la locomotive. Il est donc
nécessaire de le surveiller et de l’entretenir correctement, si on souhaite l’utiliser en toute sécurité
et en toute fiabilité. La surveillance a pour objectif général de caractériser l’état de fonctionnement
(normal ou défaillant) d’un système. Un seuil peut être donné par le fabricant ou choisi en étudiant
l’historique de la machine, si un indicateur dépasse le seuil admissible, soit des actions correctives
sont effectuées soit on passe au niveau supérieur d’analyse : le diagnostic.
C’est pour cet objectif, le fabricant des moteurs objets de notre étude (le moteur de traction type 4
FXA 4559 D), a défini un ensemble d’essais conformément à la norme CEI 60349-2 que nous devrons
respecter strictement.
Après avoir présenté ces essais, notre contribution sera la définition d’une zone d’essai qui res-
pecte les règles d’art (santé, sécurité,. . . ), nous proposons également de digitaliser ce processus en
développant une application ‘Descktop’ qui permet d’une part, de traiter et d’analyser les informa-
tions issus des capteurs implantés dans la zone à travers des cartes d’acquisition, et d’autre part, inter-
agir avec l’opérateur de surveillance à travers une interface graphique, afin d’assurer le déroulement
des essais de façon optimale.
3.1 Les essais de surveillance

Préambule :
Dans cette partie nous allons présenter les essais de surveillances développé par le fabricant du
moteur de traction asynchrone type 4 FXA 4559 D conformément à la norme CEI 60349-2 deuxième
édition, 2002-08.
Mesure des résistances initiales à froid :
Mesurer les résistances initiales à froid, aux bornes de chacune des paires de phases UV, VW et
UW. Pour un moteur donné, l’écart maximum entre les différentes valeurs de résistances, mesurées
aux bornes de chacune des paires de phases, ne doit pas excéder ± 1.0 % de la valeur moyenne des 3
mesures
Essai à vide et contrôle du sens de rotation :
Connecter dans l’ordre les phases 1,2 et 3 de l’alimentation aux bornes U, V et W du moteur.
Effectuer une rotation à vide du moteur à tension réduite (entre 1000 et 1400 V) et la fréquence de 50
± 1 Hz, durant 10 minutes environ. Vérifier que le moteur tourne dans le sens horaire, vu coté bout
d’arbre.
22
Essai à vitesse max et mesure de température :
Accélérer progressivement le moteur fonctionnant à vide jusqu’à une vitesse de rotation de 3827
tr/min et maintenir cette vitesse durant 2 minutes La température ne doit pas dépasser 70◦ C coté
commande et 50◦ C côté opposé commande.
Mesure des vibrations :
Conditions d’essai : le moteur est posé sur des supports élastiques , et fonctionne à vide.
Mesurer le niveau d’intensité vibratoire RMS transverse (direction horizontale, à hauteur d’axe
du moteur), au niveau des flasques, coté bout d’arbre et opposé au bout d’arbre, pour des vitesses de
3827, 3600 et 1500 tr / min .
Le tableau 3.1 montre les limites d’intensité vibratoire, en vitesse :
Vitesse de rotation Limite de vitesse de vibration

3827 tr/min 4.2 mm/s
TABLE 3.1 – Limites des intensités vibratoires,en vitesse
Essai diélectrique
La résistance d’isolement du bobinage statorique mesurée sous 1000 DC ne doit pas être inférieure
à 100 MΩ.
3.2 Définition de la zone d’essais des moteurs de traction 4 FXA

4559 D
Dans cette partie nous nous interesserons à la mise en place d’une zone de test pour les essais à
vide des moteurs de traction asynchrones type 4 FXA 4559 D 1 des locomotives de la série E1400 afin
de vérifier l’état de santé de ces derniers en respectant les règles d’arts (Santé, Sécurité et Qualité).
Pour ce faire, nous décomposerons cette zone en deux parties : Une partie matérielle , où nous
présentons les différents composants constituants de la zone,et une partie logicielle , dans laquelle
nous introduisons la notion de la surveillance assistée par ordinateur.
1. Voir Annexe 1
23
3.2.1 Partie matérielle

Constitution de la zone d’essais :
F IGURE 3.1 – zone des essais dessinée par CATIA
la zone d’essai ,Comme illustré dans la figure 3.1, est constituée principalement :
1. Une alimentation alternative de tension U=400V,dans notre cas c’est le réseau.
2. Un Autotransformateur MENG, 50 Hz, Primaire. 400V , Secondaire. 690V
3. Un variateur de vitsse type ALSPA MV3000C 2
4. Une zone grillagée dédiée au moteur,pour assurer la protection des biens et du personnel et
des autres composants pendant la mise en marche du moteur.
5. Un Châssis OYA 238 et un Faux palier OYA 236 pour la fixation du moteur.
2. Pour plus d’informations sur le variateur,Voir l’annexe 2
24
Schéma synoptique de câblage de la zone :
F IGURE 3.2 – schéma synoptique de la zone
Note :
Tous les instruments de protection électrique utilisés dans le schéma de câblage 3 tels que (les
sectionneurs porte fusibles,les relais thermiques . . . ), les contacteurs et les boutons de commande
sont intégrés et câblés à l’avance dans l’armoire contenant le variateur de vitesse,donc l’opérateur
chargé du câblage n’aura pas à les installer pendant le raccordement des composants de la zone.
3. Voir Annexe 3
25
Les capteurs utilisés pour les essais de surveillance :
1. Capteur de courant : transformateur de courant Rogowski le courant maximale dans le moteur

peut aller jusqu’à 695 A, c’est pour cela qu’on a choisi le TC Rogowski. Ce dernier est un
transformateur de courant ouvrant qui permet de mesurer des plages d’intensité importantes
allant jusqu’à 4000 A. Leur avantage est la possibilité de passer autour d’un conducteur de
phase sans contrainte.
F IGURE 3.3 – Capteur de courant : transformateur de courant Rogowski
Les sondes Rogowski ne fonctionnent qu’avec un transducteur adapté avec une sortie de
0. . . 1A. Le transducteur peut alors être connecté à un instrument de mesure pour le traite-
ment.
F IGURE 3.4 – Transducteur de la sonde Rogowski
Leur branchement est le suivant :
F IGURE 3.5 – Branchement du transducteur avec la sonde Rogowski
26
2. Capteur de vibration : accéléromètre piézo-électrique

Un accéléromètre est un capteur de mesure des oscillations de la vibration et des chocs sur les
machines (par ex : état de roulements, s’il y a une usure du roulement).
F IGURE 3.6 – accéléromètre piézo-électrique
3. Capteur de température : Pt100

La température maximale que peut atteindre notre système est de l’ordre de 200◦ C, d’où le
choix du Pt100.
Ses caractéristiques sont :0◦ C jusqu’à 200◦ C ; sortie de 4mA jusqu’à 20mA .
F IGURE 3.7 – Capteur de température : Pt100
4. Module d’acquisition de données : NI 9234

Le NI 9234 est un module d’acquisition de signaux dynamiques à quatre canaux pour une
haute précision de mesures de capteurs IEPE. Le NI 9234 offre 102 dB de gamme dynamique
et incorpore un conditionnement de signal piézoélectrique à électronique intégrée(IEPE) à une
constante de 2 mA courant pour les accéléromètres.
F IGURE 3.8 – Module d’acquisition de données : NI 9234
27
3.2.2 Partie logicielle

Logiciel de simulation LabVIEW :
LabVIEW (Laboratory Virtual Instrument Engineering Workbench) est un logiciel crée en

1985 qui utilise un langage de programmation graphique. C’est un logiciel de développement d’ap-
plications d’instrumentation plus particulièrement destiné à :
- Acquisition de données par l’intermédiaire de diverses connectiques : PCI, USB, Ethernet, Wifi, . . . . ;
-Traitement de : signal (convolution, analyse spectrale, TF,. . . ), images (Masque, détection de contours,
manipulation de pixels,. . . ) ;
- Présentation des données : graphiques, tableaux, images, génération de rapport, par l’intermédiaire
d’internet (outils de publication web, serveur data socket, TCP/IP, envoie d’alertes par email).
Acquisition des données :
L’acquisition de données (DAQ) est le processus de mesure d’un phénomène électrique ou

physique tel que la tension, le courant, la température..., avec un ordinateur. Un système DAQ com-
prend des capteurs, du matériel de mesure DAQ et un ordinateur avec logiciel programmable. Com-
parés aux systèmes de mesure traditionnels, les systèmes DAQ basés sur PC exploitent la puissance de
traitement, la productivité, l’affichage et la connectivité des ordinateurs standards du secteur, offrant
une solution de mesure plus puissante, flexible et économique.
F IGURE 3.9 – interface de l’assistant DAQ
28
3.2.3 Implémentation des essais de surveillance dans le LABVIEW

Mesure des résistances initiales à froid :
Comme déjà mentionné avant, l’écart maximum entre les différentes valeurs de résistances, me-
surées aux bornes de chacune des paires de phases, ne doit pas excéder un pourcentage de 1.0 de
la valeur moyenne des 3 mesures. Le principe dans la simulation sur LABVIEW consiste à vérifier
cette condition pour les trois résistances, si l’une d’eux ne la vérifie pas, son voyant correspondant
s’allume.
F IGURE 3.10 – interface de : Mesure des résistances initiales à froid
Essai à vitesse max et mesure de température
On Accélére progressivement le moteur fonctionnant à vide jusqu’à une vitesse de rotation de

3827 tr/min et on le maintient cette vitesse durant 2 minutes.
Dans cet essai la température sera mesurée dans les deux cotés du moteur,(le coté commande et le
coté opposé commande), ensuite ces mesures seront comparées respectivement à : 4
— 70◦ C pour le côté commande .
— 50◦ C pour le côté opposé commande .
4. Pour voir le Programme Labview
29
F IGURE 3.11 – interface de : Essai à vitesse max et mesure de température
Mesure des vibrations
Le principe dans ce test consiste à mesurer la valeur de la vibration pour chacune des trois vitesses,
pour les deux cotés (coté commande CC et côté opposé commande CO ) et de les comparer
chacune avec la limite de vitesse vibratoire correspondante suivant le tableau précédant, si cette limite
est franchise, le voyant correspondant à cette valeur s’allume (figure 3.12).
Essai diélectrique
Appliquer entre le bobinage statorique et la masse, une tension alternative de fréquence comprise
entre 25 et 100 Hz égale à 5375 V ac durant une minute. Après l’essai diélectrique, la résistance
d’isolement du bobinage statorique mesurée sous 1000 V dc, ne devra pas être inférieure à 100 MΩ
(figure 3.13)
30
F IGURE 3.12 – interface de :Mesure des vibrations
F IGURE 3.13 – interface de :Essai diélectrique
Conclusion
Nous avons présenté dans ce chapitre les différents tests appliqués au moteur de traction afin de
vérifier son état de fonctionnement, ces tests permettent de décider si le moteur est en état défectueux
on non, mais ne localisent pas le défaut ou bien l’élément en défaut, c’est dans ce contexte que
déroulent les deux chapitres suivants qui vont traiter les méthodes de diagnostic du machines tour-
nantes.
31
Chapitre 4
DIAGNOSTIC VIBRATOIRE PAR LES

M ÉTHODES AVEC CONNAISSANCE À
PRIORI : APPROCHE SIGNAL
Sommaire
Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
4.1 Les techniques de traitement du signal appliquées à l’analyse vibratoire . . . . 33
4.1.1 Analyse temporelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
4.1.2 Limite du domaine temporelle . . . . . . . . . . . . . . . . . . . . . . . . 34
4.1.3 Analyse spectrale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
4.2 Analyse spectrale : analyse du spectre d’enveloppe du signal vibratoire . . . . 36
4.2.1 Principe de l’analyse d’enveloppe . . . . . . . . . . . . . . . . . . . . . . 36
4.2.2 Etude fréquentielle des différents défauts . . . . . . . . . . . . . . . . . . 36
4.2.3 Implémentation d’une analyse d’enveloppe d’un signal vibratoire dans le
logiciel de simulation LABVIEW . . . . . . . . . . . . . . . . . . . . . . 39
4.2.4 Application expérimentale d’analyse d’enveloppe d’un signal vibratoire . . 39
Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
32
CHAPITRE 4. DIAGNOSTIC VIBRATOIRE PAR LES M ÉTHODES AVEC
CONNAISSANCE À PRIORI : APPROCHE SIGNAL
Introduction
La localisation des anomalies nécessite dans un premier temps de prendre la mesure des signaux
vibratoires et dans un deuxième temps une bonne exploitation des signaux recueillis. L’efficacité des
techniques de traitement de signal mises en œuvre dépend essentiellement de la qualité de la prise de
mesure des vibrations. Le choix du ou des point(s) de mesure, le mode de fixation des capteurs, les
paramètres de l’appareil de mesure (sensibilité des capteurs, fréquence d’échantillonnage) sont des
paramètres à prendre en considération.
Dans ce chapitre nous allons commencer par définir les techniques de traitement de signal utilisés
dans le diagnostic vibratoire, à savoir, l’analyse temporelle, l’analyse spectrale et l’analyse spectrale
du signal d’enveloppe. Puis, nous présenterons le caractère fréquentiel des principaux défauts des ma-
chines tournantes. Et nous clôturons ce chapitre par une implémentation de la technique de l’analyse
d’enveloppe pour la détection des défauts à l’aide de logiciel de traitement et de simulation LabVIEW,
afin de communiquer les résultats à travers une interface graphique.
4.1 Les techniques de traitement du signal appliquées à l’analyse

vibratoire
4.1.1 Analyse temporelle

L’objectif de l’analyse temporelle est basé est de suivre les ”indicateurs de défauts” associés à
une signature vibratoire afin d’étudier le comportement vibratoire de la machine tournante à partir de
ces derniers. Un indicateur temporel est une grandeur qui caractérise la puissance, l’amplitude ou la
répartition des amplitudes du signal vibratoire, et son évolution signifie apparition d’un défaut. Ces
indicateurs évaluent le mode de fonctionnement global de la machine mais ne localisent pas le défaut.
Nous allons présenter par la suite quelques indicateurs qui ne forment pas une liste exhaustive de
tous les indicateurs utilisés dans l’industrie ou dans la littérature scientifique. Cependant ils présentent
les indicateurs les plus utilisés.
La valeur efficace :
La valeur efficace, la moyenne quadratique ou la valeur RMS (Root Mean Square), est l’indi-
cateur scalaire le plus couramment utilisé, il permet de mesurer l’énergie moyenne du signal, il est
utilisé pour détecter des dissipations d’énergie anormalement élevées accompagnant la naissance d’un
défaut. La RMS est la racine carrée de la moyenne quadratique du signal vibratoire temporel discrétisé
x(n) de longueur N.
sP
N
i=0 (x(i)2 )
xRM S = (4.1)
N
33
Le facteur crête :
Le facteur crête est défini comme étant le rapport entre la valeur crête, , et la valeur efficace.
xpeak
xF c = (4.2)
xRM S
Le facteur crête a l’avantage de détecter le défaut dès son apparition et donne une information très
précoce de la prédiction.
Le Kurtosis :
Le kurtosis est un indicateur qui permet de caractériser le degré d’aplatissement d’une distribution
ce qui permet la détection précoce d’un défaut.
[x(i) − x̄]4
1 PN
N i=1
xKu = (4.3)
σ4
Avec σ est l’écart type.
Le facteur K :
Le facteur K d’un signal est déni comme étant le produit entre la valeur crête et la valeur efficace.
v
u N
u 1 X
xK = xpeak × xRM S = xpeak ×t x(i)2 (4.4)
N i=1
Le Skewness :
Le coefficient de dissymétrie (skewness) correspond à une mesure de l’asymétrie de la distribution

d’une variable aléatoire réelle.
[x(i) − x̄]3
PN
i=1
xSK = (4.5)
(N − 1)σ 3
4.1.2 Limite du domaine temporelle

La représentation temporelle est généralement la première, et la plus naturelle, description considérée
d’un signal, étant donné que presque tous les signaux physiques sont obtenus par des récepteurs en-
registrant les variations dans le temps. Malgré cet avantage, la technique temporelle présente l’in-
convénient de ne fournir aucune information concernant la fréquence, qui symbolise l’information la
plus pertinente du signal. Pour surmonter les limites de cette méthode, l’utilisation d’une représentation
fréquentielle est indispensable.
34
4.1.3 Analyse spectrale

L’analyse en fréquence est devenue l’outil fondamental pour le traitement des signaux vibratoires.
Elle s’appuie sur la transformée de Fourier du signal vibratoire. Cet outil permet de connaı̂tre le
contenu spectral du signal et de localiser les fréquences caractéristiques de défauts des composants
mécaniques :
Z +∞
X(f ) = x(t) exp−j2πf t dt (4.6)
−∞
X(f) est la transformée de Fourier, t est la variable temps et f est la variable de fréquence.
On peut extraire un ensemble des caractéristiques statistiques à partir du spectre d’un signal.
F IGURE 4.1 – La Transformée de Fourier
Parmi ces caractéristiques on trouve le centre de fréquence Xfc qui est un indicateur permettant d’in-
diquer la concentration des fréquences dans le spectre, la RMS fréquentielle Xrmsf.
PK
i=1 fj (S(fj ))
Xf c = PK (4.7)
i=1 S(fj )
v
PK
fj2 (S(fj ))
u
i=1
u
tX = (4.8)
fc PK
i=1 S(fj )
Avec S(j) est le spectre de puissance du signal x(n) , pour j = 1 ; 2. . . K. K est le nombre de lignes
spectrales et fj est la fréquence du j ème ligne.
35
4.2 Analyse spectrale : analyse du spectre d’enveloppe du signal

vibratoire
4.2.1 Principe de l’analyse d’enveloppe

L’analyse d’enveloppe est particulièrement bien adaptée au diagnostic des défauts générant des
chocs périodiques ou des modulations en amplitude tels que les engrenages et les roulements. Elle
consiste à filtrer le signal de vibration par un filtre passe-bande. Le signal résultant est ensuite traité
par la transformée de Hilbert (HT) afin d’obtenir l’enveloppe et son spectre. Pour un signal donné
s(t), le HT dans le domaine temporel est défini comme :
1 Z s(τ )
s̃(t) = ( )dt (4.9)
π t−τ
Le signal analytique ŝ(t) du signals(t) peut être constitué à travers s(t)et son HT s̃(t)
ˆ
ŝ(t) = s(t) + js(t) (4.10)
Le processus peut être suivi en prenant la valeur absolue du signal analytique pour générer l’enve-
loppe :
q
|ŝ(t) = s2 (t) + s̃2 (4.11)
Généralement, les défauts générant des chocs provoquent une modulation du signal. En utilisant
l’analyse de l’enveloppe, le pic présent dans le spectre correspond à la fréquence caractéristique du
défaut.
4.2.2 Etude fréquentielle des différents défauts

Défaut de roulement :
D’après la figure 4.2 qui représente la géométrie du roulement, N b est le nombre de billes,Db
etDc sont respectivement le diamètre de la bille et de la cage, β étant l’angle de contact.
— Fréquence de défaut de la bague intérieure
DBI = nF2 r x(1 + Dc Db
cos β)
— Fréquence de défaut de la bague extérieure
DBO = nF2 r x(1 − Dc Db
cos β)
— Fréquence de défaut des éléments roulants
1 Db
DER = 2d x(1 − Dc cos β)
36
F IGURE 4.2 – roulement à billes
Défaut de balourd :
Une masse de rotor mal équilibrée s’appelle un balourd. Lorsqu’une masse mal équilibrée est mise
en rotation, il en résulte une force centrifuge qui accentue la charge sur les roulements et une vibration
du rotor à la fréquence exacte de rotation. Ceci est la caractéristique spécifique d’une machine mal
équilibrée, on constate une pointe élevée en amplitude à la fréquence de rotation. La correction de ce
problème se fait par un équilibrage sur site ou après démontage et entretien en atelier.
Le balourd va induire, dans un plan radial, une vibration dont le spectre présente une composante dont
la fréquence de base correspond à la fréquence de rotation Fr.
Elle représente alors le pic le plus élevé avec des pics d’amplitudes plus faibles sur les harmoniques
de Fr.
F IGURE 4.3 – spectre d’un défault de balourd
Désalignement :
Le défaut d’alignement est l’une des principales causes de réduction de la durée de vie des
équipements. Il concerne soit deux arbres lies par un accouplement, soit deux paliers soutenant le
37
même axe.
Le mauvais alignement d’arbre de machines accouplées directement se traduit par une vibration élevée
à deux fois la fréquence de rotation, mais parfois à la fréquence de rotation. Si l’écart de concentricité
domine, une mesure élevée de vibration sera constatée en direction radiale (perpendiculaire à l’arbre).
Si par contre l’écart de parallélisme domine, une mesure élevée de vibration sera constatée dans la
direction axiale de la machine.
Il y a deux types de désalignement :
— Désalignement radial
Un défaut d’alignement est révélé par un pic d’amplitude prépondérante généralement 2 fois
la fréquence de rotation (parfois 3 ou 4 fois).Il apparait une vibration dans la direction radiale
de composante d’ordre 2 de la fréquence de rotation (rarement d’ordre 3, voire 4), avec des
amplitudes supérieures aux composantes d’ordre 1.
F IGURE 4.4 – spectre d’un défault de désalignement radiale
— Désalignement axial
Il apparait une vibration axiale de composante d’ordres 1, 2, 3 ou 4 de la fréquence de rotation
avec des amplitudes supérieures à celles des composantes radiales correspondantes.
F IGURE 4.5 – spectre d’un défault de désalignement axial
38
Synthèse des fréquences de défauts des principales anomalies
Type d’anomalie Fréquence de vibration Direction

Balourd 1×fr Radiale
Défaut d’alignement 2 ×fr Axiale et radiale
Défaut de fixation 1, 2, 3, 4×fr Radiale
Vitesse critique de rotation Fréquence critique de rotor Radiale
Excitation électrique 1, 2, 3, 4 ×50Hz Axiale et radiale
Engrenage endommagé Fréquence d’engrènement fe = z ×fr Axiale et radiale
Faux-rond d’un pignon fe±fr pignon Axiale et radiale
Détérioration de roulement Hautes fréquences Axiale et radiale
Courroie en mauvais état 1, 2, 3, 4×fp Radiale
TABLE 4.1 – Synthèse des fréquences de défauts des principales anomalies
frot = fréquence de rotation

fe = fréquence d’engrènement .
fp = fréquence de passage de la courroie.
z = nombre de dents de l’engrenage.
4.2.3 Implémentation d’une analyse d’enveloppe d’un signal vibratoire dans

le logiciel de simulation LABVIEW
Le principe du programme réalisé dans le logiciel LABVIEW consiste à tracer le spectre d’en-
veloppe du signal vibratoire issue du moteur de traction, et détecter les trois premiers grands pics
présents dans le spectre, ces pics peuvent correspondre à l’une des fréquences caractéristiques des
défauts.
Les fréquences caractéristiques des défauts sont calculées au préalable, suivant des règles men-
tionnées antérieurement, ces fréquences sont comparées respectivement aux fréquences des trois pics
pour identifier les défauts présents dans la machine.
La figure 4.6 montre l’interface graphique LABVIEW qui sert à communiquer avec l’opérateur
du diagnostic, cette interface affichera les fréquences des trois pics ainsi que les types
4.2.4 Application expérimentale d’analyse d’enveloppe d’un signal vibratoire

Dans cet exemple nous allons prendre un signal vibratoire issue d’un moteur défectueux, L’essai
est réalisé pour une vitesse de rotation de 2000 tr/min, soit une fréquence de 33,33 Hz. Ce signal est
échantillonné par une fréquence de fs=20 kHz.
La figure 4.7 montre l’allure du signal vibratoire obtenu par l’outil MATLAB Script,qui est inclu dans
le logiciel LABVIEW.
39
F IGURE 4.6 – interface graphique LABVIEW du diagnostic des signaux vibratoires
F IGURE 4.7 – Allure du signal vibratoire
D’après les caractéristiques de ce moteur, nous pouvons calculer analytiquement les différentes
fréquences des défauts rencontrés fréquemment :
— Les défauts de roulement :
40
D’après les caractéristiques de ce roulement qui sont : Le nombre d’éléments roulants n =

8 Diamètre d’élément roulant d = 0.235 inches . Diamètre moyen du roulement Dc = 1.245
inches. β= 0 ; angle de contact
Fréquence de défaut de la bague extérieure DBE = 236 Hz

Fréquence de défaut de la bague intérieure DBI = 297 Hz
Fréquence de défaut des éléments roulants DER= 278 Hz
TABLE 4.2 – Exemple d’étude fréquentielle d’un défaut de roulement
— Défaut de balourd : Le défaut de balourd apparait pour une fréquence de 1*frot = 33,33 Hz.
— Défaut de désalignement : Le défaut de désalignement apparait pour une fréquence de 2*frot
= 66,66 Hz.
Spectre d’enveloppe du signal :
La figure 4.8 montre le spectre d’enveloppe du signal vibratoire après la simulation, on voit clai-
rement que les trois grands pics correspondent chacun à une fréquence bien définie.
F IGURE 4.8 – Spectre d’enveloppe du signal vibratoire
La figure 4.9,illustre l’interface graphique LABVIEW ,qui va afficher le résultat de la comparaison

de chacune des trois fréquences aux fréquences caractéristiques des défauts calculées précédemment.
41
Comme le montre la figure 4.9 ,pour notre cas la fréquence du grand pic correspond au défaut de la
bague extérieure.
F IGURE 4.9 – Résultat de l’analyse spectrale sur l’interface graphique
Conclusion
Les méthodes avec connaissance à priori reposent sur l’utilisation d’un modèle mathématique du
système étudié, les grandeurs mesurées sur celui-ci. Dans le cadre de notre étude sur le diagnostic des
moteurs de traction des locomotives de la série E1400, ces méthodes offrent des résultats satisfaisants.
Notamment, le spectre d’enveloppe, permet d’obtenir une bonne caractérisation du comportement
fréquentielle du signal mesuré, afin de bien localiser le défaut ou l’élément défaillant de la machine
tournante.
Toutefois, le modèle global des systèmes industrielle est quelquefois difficile à obtenir en raison
de la complexité des phénomènes physiques mis en jeu. On peut alors avoir recours aux méthodes
sans connaissance à priori. Dans ce cas les connaissances utilisables reposent sur un ensemble de
données issues de l’installation à surveiller. Suivant ce type d’approche, on retrouve l’ensemble des
méthodes basées sur l’intelligence artificielle (IA).
42
Chapitre 5
D IAGNOSTIC VIBRATOIRE PAR LES

M ÉTHODES SANS CONNAISSANCE À
PRIORI : DIAGNOSTIC PAR
RECONNAISSANCE DE FORMES .
Sommaire
Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
5.1 Principe des méthodes de reconnaissance des formes en diagnostic . . . . . . . 44
5.1.1 Elaboration d’un système de diagnostic par RdF . . . . . . . . . . . . . . 46
5.2 Phase d’analyse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
5.2.1 Détermination de l’éspace de représentation . . . . . . . . . . . . . . . . . 47
5.2.2 Les méthodes de classification . . . . . . . . . . . . . . . . . . . . . . . . 48
5.2.3 Présentation du banc d’essai . . . . . . . . . . . . . . . . . . . . . . . . . 50
5.2.4 Application de la méthode de la Rdf . . . . . . . . . . . . . . . . . . . . . 51
5.2.5 Extraction des paramètres et calcul de vecteur forme . . . . . . . . . . . . 51
5.2.6 Préparation de la base d’apprentissage . . . . . . . . . . . . . . . . . . . . 52
5.2.7 Partitionnement de la base d’apprentissage . . . . . . . . . . . . . . . . . 52
5.2.8 Performance de classification . . . . . . . . . . . . . . . . . . . . . . . . 52
Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
43
CHAPITRE 5. DIAGNOSTIC VIBRATOIRE PAR LES M ÉTHODES SANS
CONNAISSANCE À PRIORI : DIAGNOSTIC PAR RECONNAISSANCE DE FORMES.
Introduction
Le diagnostic peut être abordé selon deux grandes approches : avec et sans connaissance à apriori.
Dans le chapitre précédant nous avons développé la première approche qui est basée sur des modèles
mathématiques des systèmes, donc une connaissance préalablement connu sur ce dernier, tandis que la
deuxième est fondée sur les principes de l’intelligence artificielle. Parmi les techniques utilisées dans
l’approche sans connaissance à priori, nous trouverons les méthodes basées sur la reconnaissance des
formes (Rdf).
Le travail que nous présentons dans ce chapitre s’inscrit dans le cadre de l’automatisation du diag-
nostic moyennant les méthodes de reconnaissance de formes. Dans un premier temps, nous exposons
un aperçu général ainsi que la méthodologie adoptée pour la conception du système de reconnais-
sance automatique des défauts pour ensuite, détailler les différentes étapes en allant de l’acquisition à
la décision, puis deux algorithmes de classification seront mis en place à savoir :
— Les k-plus proches voisins ‘k-ppv’ (en anglais k-nearest neighbors, k-nn).
— Les séparateurs a vaste marge ‘SVM’ ((en anglais support vector machine, SVM)
Enfin, nous présenterons une application expérimentale du système de diagnostic par reconnais-
sance des formes (Rdf) afin de valider ses performances.
5.1 Principe des méthodes de reconnaissance des formes en diag-

nostic
La reconnaissance des formes (RdF) est un des nombreux aspects de l’intelligence artificielle.
A partir d’un ensemble de données ou d’informations apprises, elle offre la possibilité d’interpréter
toute nouvelle observation (ou forme). Les observations déjà connues sont regroupées en classes,
constituant des prototypes auxquels la nouvelle observation est comparée pour être identifiée. Il s’agit
donc d’un outil qui a, entre autres, la capacité d’apprentissage.
Une forme est une observation réalisée sur le processus. Elle est caractérisée par un ensemble
de d paramètres (ou caractères), et représentée par un point dans l’espace de dimension d, défini
par les différents paramètres appelé espace de représentation. Comme les paramètres sont souvent
des nombres réels, une forme ‘i’ peut être définie par un vecteur [Xi = xi1, xi2, . . . , xid] de Rd
(figure 5.1) , appelé vecteur forme. Si l’on se place dans le contexte du diagnostic, les paramètres du
vecteur forme traduisent l’état du système étudié. Ils sont issus d’analyses effectuées sur les signaux
mesurés par les capteurs implantés sur le système (vibrations, vitesse, courants ou encore tensions par
exemple).
Les formes types (ou prototypes) sont des points représentatifs de cet espace, et le problème de la
reconnaissance consiste à associer une forme observée à une forme type connue.
A cause des perturbations (bruit de mesure, précision des capteurs,. . . ), une nouvelle observation
sera rarement identique à l’un des prototypes. Ainsi, afin de traduire l’influence du bruit, les classes
(ω1, , ω2, ..., ωc, ..., ωM ) correspondent à des zones dans l’espace, regroupant les formes semblables
44
F IGURE 5.1 – Représentation d’un point dans un espace de dimension d
F IGURE 5.2 – Notion de classe en reconnaissance des formes.
Le principe de la reconnaissance est de savoir décider à quelle classe, parmi M classes connues,
associer une nouvelle forme, [Xi = xi1, xi2, . . . , xid] observée.
En termes de diagnostic, les classes correspondent aux modes de fonctionnement connus. Elles
constituent notre ensemble de données initiales, appelé ensemble d’apprentissage et noté Xa. Le fait
de classer une nouvelle observation, revient à identifier un de ces modes.
45
5.1.1 Elaboration d’un système de diagnostic par RdF

L’élaboration d’un système de diagnostic par RdF se déroule en trois phases : une phase de per-
ception, une phase d’analyse et une phase d’exploitation.
La phase de perception
La phase de perception constitue la source principale des informations sur le système. Elle se com-
pose de deux étapes. Une étape d’acquisition des données qui consiste à déterminer la configuration
matérielle (le type, le nombre de capteurs à utiliser et la période d’échantillonnage, etc.) nécessaire
pour le recueil des signaux sur le système étudié.
Les signaux acquis doivent fournir l’information utile afin de juger de l’état de fonctionnement
dans lequel se trouve le système. Cette première étape est suivie d’une phase de prétraitement des
signaux (filtrage, débruitage,...).
La phase d’analyse
La phase d’analyse au cours de laquelle il s’agit d’étudier les informations fournies par les cap-
teurs implantés sur le système. Si ces informations sont sous formes de signaux, il est alors nécessaire
d’en extraire des caractéristiques (ou paramètres) numériques. Ces paramètres, qui par ailleurs consti-
tuent le vecteur forme, doivent pouvoir décrire le comportement du système. De cette phase d’ana-
lyse doit également sortir la définition précise des classes qui représenteront les différents modes de
fonctionnement. On dispose alors d’un ensemble de N observations X1, X2, . . . .Xn réparties en M
classes. C’est l’ensemble d’apprentissage. Les observations d’une classe représentent alors les proto-
types de cette classe. Une procédure de classification est alors appliquée à l’ensemble d’apprentissage
afin d’établir des frontières entre les différentes classes. Cette procédure permettra de définir une règle
pour affecter ou non une nouvelle observation à l’une des classes connues lors de la phase d’exploi-
tation.
La phase d’analyse est lourde en termes de calcul et nécessite souvent toute la connaissance du
système étudié pour rechercher les paramètres adéquats par les méthodes de traitement adaptées.
La phase d’exploitation
La phase d’exploitation (phase de décision) permet d’associer une nouvelle observation X in-
connue, recueillie sur le système à l’une des classes définies lors de la phase de classification en
appliquant la règle de décision associée. La bonne exploitation du système décisionnel dépend de la
pertinence du vecteur forme et des performances de la règle de décision.
Dans la suite, les différentes étapes nécessaires à la conception du diagnostic par RdF avant
de passer à la décision vont être détaillées.
46
F IGURE 5.3 – Schéma de principe de la procédure du diagnostic
5.2 Phase d’analyse
5.2.1 Détermination de l’éspace de représentation

Cette étape consiste à construire le vecteur forme à partir des mesures réalisées sur le système
physique. Puis, une étape de génération de paramètres s’impose, c’est-à-dire, produire un ensemble
de d paramètres à partir des signaux acquis en utilisant des techniques de traitement du signal. Ces
paramètres doivent bien choisis pour optimiser la discrimination des modes de fonctionnement.
Les observations résultantes sont ainsi regroupées dans un tableau numérique de dimension (N*d)
qui correspond à un ensemble de N vecteurs formes caractérisés par des valeurs de d paramètres. Les
N formes(X1, . . . , XN ) recueillies sur le système constituent l’ensemble d’apprentissage.
Tous les paramètres calculés et constituant le vecteur forme initial ne seront pas forcément perti-
nents vis-à-vis des modes de fonctionnement étudiés. Des méthodes de réduction des paramètres de
doivent donc être utilisées afin de ne conserver que les paramètres les plus représentatifs.
Réduction de l’espace de représentation
La réduction de la dimension du vecteur forme consiste à rechercher un sous-ensemble de d’
paramètres (d’¡d), qui conserve le mieux possible la séparation des classes de l’ensemble d’appren-
tissage initial. Cette réduction de l’espace de représentation peut être réalisée soit par des méthodes
d’extraction de paramètres soit par des méthodes de sélection de paramètres.
47
5.2.2 Les méthodes de classification

Les méthodes de classification se divisent généralement en deux familles : les méthodes
supervisées, et les méthodes non supervisées.
Lorsque la classe d’origine de chaque observation ou vecteur forme est connue, l’espace de
décision est parfaitement connu et l’apprentissage peut être effectué en mode supervisé. L’objectif est
alors de définir des règles d’affectation pour une forme inconnue x à l’une des M classes.
Si au contraire aucune information sur la structuration de l’ensemble d’apprentissage en
classes n’est pas disponible (les observations ne sont pas étiquetées), alors la classification doit être
faite en mode non supervisé. Cette situation peut se présenter lorsqu’on ne dispose pas d’information
sur le système et qu’on ne sache pas si les mesures correspondent à plusieurs classes. On procède dans
ce cas à une structuration des observations en classes. Il s’agit de regrouper les observations ayant les
mêmes paramètres dans une même classe.
Dans le reste de ce travail nous ne présenterons que la classification de type supervisé.
Classification supervisée
A l’issue de la phase d’analyse, l’ensemble d’apprentissage a été structuré en zones distinctes

de l’espace. Les observations qui y sont regroupées sont parfaitement connues grâce à la définition
du vecteur forme. Les données sont étiquetées de telle sorte que chacune des observations appartient
à une des M classes connues : quelque soit Xi, i = 1, . . . , N,il existe ωj, j = 1, . . . , M telle que Xi
appartient à ωj .
Soit Xa = (X1, X2, ..., XN ) l’ensemble d’apprentissage et ω1 , ω2 , ..., ωM l’ensemble des M
classes (ou modes de fonctionnement en diagnostic) connues. Il s’agit maintenant de définir à quelle
classe affecter une nouvelle observation X recueillie à un instant donné sur le système.
Pour cela, on doit définir une méthode de décision, il s’agit de construire des frontières de décision
entre les classes. Les méthodes de décision utilisées définissent une règle de décision pour la classifi-
cation des nouvelles observations aux différentes classes de l’ensemble d’apprentissage. La règle de
décision peut être construite en utilisant une approche statistique ou une approche analytique.
L’approche statistique : la méthode des k-plus proches voisins (k-app)
Parmi les méthodes les plus connus, on distingue la méthode k – plus proches voisins (k ppv).
La manière la plus simple d’élaborer cette règle est de mesurer la distance entre le nouveau vecteur
X et chacun des vecteurs de l’ensemble d’apprentissage. Le vecteur X sera alors affecté à la classe la
mieux représentée parmi ses k observations les plus proches.
48
F IGURE 5.4 – Illustration de l’affectation par la règle des k-plus proches voisins avec k=7
Pour fournir un indice de de proximité entre deux vecteurs, il en existe plusieurs types. Parmi les
plus connus, dans le cas des données numériques, la métrique Minkowski est très utilisée. Elle fournit
un indice de ‘similarité’ entre deux vecteurs X et Y.Où d est la dimension des vecteurs.
 1
d r
|xj − yj |r 
X
d(x, y) =  (5.1)
j=1
La métrique de Minkowski possède les propriétés d’une mesure de distance car elle vérifie :
• d(X, Y ) = 0 si et seulement siX = Y.
•d(X, Y ) inférieure ou égale àd(X, Z) + d(X, Z)
Les distances les plus utilisée pour certaines valeurs de r :
— La distance euclidienne classique (r=2) :
 1
d 2
h i2
2
= (X − Y )t .(X − Y )
X
dE (X, Y ) =  |xj − yj | (5.2)
j=1
— La distance de Manhattan (r=1) :
d
X
dC (X, Y ) = |xj − yj | (5.3)
j=1
49
— La distance du ”Max” (r tend vers l’infini) :
d∞ (X, Y ) = max |xj − yj | (5.4)

l≥j≥d
Approche analytique : la méthode SVM

Cette approche a pour but de déterminer les expressions mathématiques des frontières séparant au
mieux les classes, à l’aide des données de l’ensemble d’apprentissage. Le choix de la frontière la plus
appropriée dépend de la complexité de la frontière de décision, autrement dit de la bonne ou mauvaise
séparation des classes de l’ensemble d’apprentissage.
Les fonctions mathématiques peuvent être simples (linéaires) ou complexes (quadratiques). La
méthode des Séparateurs à Vastes Marges (SVM) est la méthode la plus performante.
Le but de la méthode SVM est de rechercher des hyperplans H qui permet de séparer au mieux les
classes issues de la base d’apprentissage.
Dans cette partie nous allons valider expérimentalement les performances de la méthode de la
reconnaissance des formes, dans le cas du diagnostic des défauts de la machine tournante.
Suite à la non disponibilité d’une base d’apprentissage pour les moteurs de traction chez AL-
STOM, nous allons effectuer notre étude sur une base d’apprentissage mets à disposition par la NASA
à travers Center for Intelligent Maintenance Systems (IMS) of the University of Cincinnati .
En exploitant cette base des données nous allons faire la classification entre trois modes de fonc-
tionnement de la machine tournante à savoir le mode de fonctionnement correspond à l’état sain, un
mode qui présent un défaut de roulement de la bague interne et autre de la bague externe.
5.2.3 Présentation du banc d’essai

Quatre roulements de type Rexnord ZA-2115 ont été installé sur un arbre avec une vitesse de
rotation constante de 2000 tr/min (33.3 Hz), le banc d’essai était équipé par des accéléromètres de
haute sensibilité ‘PCB 353B33’ et une carte d’acquisition ‘NI DAQ Card 6062E’ pour faciliter la
collection des données vibratoire.
50
F IGURE 5.5 – banc d’essai pour le diagnostic du moteur de traction par RDF
5.2.4 Application de la méthode de la Rdf

Nous allons utiliser l’environnement MATLAB pour construire notre modèle de reconnaissance
des formes. D’abord, nous importerons la base des données vers MATLAB workspace, afin de préparer
une base des signaux vibratoires pour les traiter par la suite.
L’idée de la Rdf est basée sur la sélection d’un nombre de paramètres pertinents pour représenter
les signatures vibratoires qui peuvent donner une bonne discrimination entre les classes.
5.2.5 Extraction des paramètres et calcul de vecteur forme

Indicateurs temporelles
Supposant un signal vibratoire nommé X :
51
Paramètre Relation mathématique Code Matlab

Valeur crête(peak) P eak = 1/2 ∗ (max(x)
s
− min(x)) Peak=1/2*(max(x)-min(x))
PN 2
RMS xRM S = i=0 (x(i) ) Rms=rms(x)
N
xpeak
Facteur crête xF c = xRM S peakFacteur= Reak/Rms
1 PN [x(i)−x̄]4
Kurtosis xKu = N i=1σ4 Kurtosis = kurtosis (x)
[x(i)−x̄]3
PN
Skewness xSK = i=1
(N −1)σ 3
Skewness = skewness(x)
TABLE 5.1 – les principaux indicateurs temporelles, leurs relations et leur déclaration sur Matlab
Indicateurs fréquentielles
Paramètre Relation v
mathématique Code Matlab
u PN
fj2 (S(fj ))
xrmsf = t i=1
u
Rms fréquentielle PN RMSf req = rms (fft(x))
S(f )
i=1 j
PK
i=1 fj (S(fj ))
Centre de fréquence Xf c = P K S(f ) Meanf req =meanfreq(x,fs)
i=1 j
TABLE 5.2 – les principaux indicateurs fréquentielles, leurs relations et leur déclaration sur Matlab
Ces paramètres vont constituer le vecteur forme Vf du signal X, l’ensemble des signaux constitue
la base d’apprentissage.
V f = [P eak Rms peakF actor Kurtosis Skewness RmsF req meanF req]
5.2.6 Préparation de la base d’apprentissage

Nous avons calculé dans la section précédente le vecteur forme pour 920 signaux, dont 400 des
signaux du mode du fonctionnement normal, 200 présent un défaut de la bague externe et 320 pour
ceux de la bague interne
5.2.7 Partitionnement de la base d’apprentissage

Nous avons pris 75 pour cent de l’ensemble des signaux de la base d’apprentissage pour l’appren-
tissage des modèles de classification, et 25 pour cent pour le test.
5.2.8 Performance de classification

Après avoir effectué un apprentissage supervisé (supervised learning) pour les modèles de classi-
fication à savoir ‘les K-plus proches voisins’ et ‘les séparateurs à vaste marge’, nous allons évaluer
l’exactitude des prédictions de chaque modèle sur l’ensemble de test. Sachant que dans la phase de
52
Signal Nombre Ensemble d’apprentissage Ensemble de test

Total 75 % 25 %
Etat sain 400 150 50
Défaut bague interne 200 150 50
Défaut de bague externe 320 240 80
Total 920 690 230
TABLE 5.3 – Partitionnement de la base d’apprentissage
prédiction le modèle de classification affecte selon l’algorithme utilisé, chaque vecteur forme de l’en-
semble de test à l’une des classes qui correspond un mode de fonctionnement.
Le tableau suivant montre les performances de classification pour :
— K-ppv pour un nombre de voisins k égale à 1, 3, 5,7 et 9.
— l’algorithme SVM pour des plans de séparation linéaires.
Modèle Précision en poucentage

k-plus proches voisins k-ppv
k=1 93, 48
k=3 92, 17
k=5 93, 91
k=7 94, 78
k=9 95, 65
Les séparateurs à vaste marge SVM 95, 6522
TABLE 5.4 – Performance de classification des deux classifieurs k-ppv et svm
F IGURE 5.6 – Allure de la performance k-ppv
1. pour voir le programme sur Matlab,consulter l’annexe 5
53
Conclusion
Dans ce chapitre, nous avons étudié les performances des méthodes de diagnostic sans connais-
sance à priori, et plus précisément la méthode de la reconnaissance des formes, et nous avons montré
à travers deux algorithmes de classification à savoir les k-ppv et le SVM que la Rdf offre des résultats
très satisfaisants dans le cadre d’un diagnostic des défauts.
54
C ONCLUSION G ÉN ÉRALE
La mise en œuvre d’une bonne stratégie de maintenance, visant la réduction des nombreuses
défaillances qui peuvent apparaı̂tre sur les machines tournantes, entrainant des arrêts non planifiés,
nécessite l’utilisation d’une méthode de diagnostic efficace et capable d’assurer la disponibilité, la
fiabilité et la sûreté de fonctionnement des machines.
Notre première contribution consistait à la définition d’une zone d’essais qui respecte les règles
d’art en vigueur, tout en prenant en considération toutes les prescriptions exigées par la société.
Vu le caractère grossier du déroulement du processus de surveillance, qui a pour objectif général
de caractériser l’état de fonctionnement (normal ou défaillant) du système. Nous avons proposé de
digitaliser ce processus en développant une application ‘Desktop’ à l’aide du logiciel LabVIEW qui
permet de traiter, d’analyser les informations issues des capteurs et d’interagir avec l’opérateur de
surveillance à travers une interface graphique, afin d’assurer un bon déroulement des essais.
Bien que ces essais de surveillance permettent de vérifier l’état de la machine, ils sont limités à
ce niveau, d’où la nécessité d’introduire une technique de diagnostic efficace pour la localisation des
éléments défaillants de la machine. L’analyse vibratoire est considérée comme l’un des outils les plus
utilisés pour détecter, diagnostiquer et suivre les défauts dans une machine tournante.
En effet, nous avons défini les techniques de traitement de signal utilisés dans le diagnostic vibra-
toire, à savoir, l’analyse temporelle, l’analyse spectrale et l’analyse spectrale du signal d’enveloppe.
Par la suite, nous avons procédé à une implémentation de la technique de l’analyse d’enveloppe pour
la détection des défauts d’un signal vibratoire à l’aide du logiciel de traitement et de simulation
LabVIEW, afin de communiquer les résultats à travers une interface graphique, en se basant sur le
caractère fréquentiel des principaux défauts des machines tournantes.
Pourtant, le fait que le modèle global des systèmes industriels est quelquefois difficile à obtenir
en raison de la complexité des phénomènes physiques mis en jeu, représente la grande limitation de
la méthode précédente. Le recours à la méthode de la reconnaissance des formes, qui est un aspect
de l’intelligence artificielle (AI), s’est avéré indispensable pour l’automatisation de l’opération du
diagnostic, par la mise en pratique des algorithmes de classification, permettant la discrimination des
défauts, afin d’assurer une bonne performance au niveau de la détection des défauts dans la machine.
55
P ERSPECTIVES
— Passage à pronostic,un niveau supérieur de diagnostic,afin d’estimer le temps résiduel ( Re-
maining Useful Life RUL) des composants en défaillance.
— Utilsation des classifieurs à logique flue (Fuzzy logic).
— Utilisation des techniques plus avancées en traitement de signal à savoir : la transformée de
fourrier à court terme.
décomposition en ondelette,et la transformée de Hilbert-Huang.
56
Bibliographie
1. F.Xi,Q.Sun,and G.Krishnappa,Bearing diagnostics based on pattern recognition of statistical
parameters
2. Ahmed Hamida Boudinar, Noureddine Benouzza, Azeddine Bendiabdellah,Diagnostic des
défauts de roulement.
3. Redjil Kaoula Etude des défauts du roulement par analyse spectrale et cepstrale
4. Guerguer Mounir ,Diagnostic de la machine asynchrone par analyse vibratoire.
5. Hachemi Mohammed,Application de l’ODS à l’analyse des problèmes de vibration des ma-
chines tournantes
6. Tahar Belkhir,Med Mohcen Ben Saci,La maintenance des équipements par l’analyse vibra-
toire.
7. Manuel Technique Logiciel,pour modèles alimentés en CA MV3058A4A1 à MV3242A6A1
et pour modèles alimentés en CC MV3059B400 à MV3482B600 Publication No. T1679FR
Version (10/99).
8. Notice de maintenance,TROS-907.672 Section 119 Mars 2009,Alstom
Webographie
1. http ://www.Mathworks.com/
2. http ://www.Natinal Instruments.com/
3. http ://www.nutcache.com/fr/blog/methodologie-scrum/
4. http ://agiliste.fr/introduction-methodes-agiles/
I
A NNEXES
II
A NNEXE 1 :M OTEUR DE TRACTION TYPE : 4 FXA 4559 D
F IGURE 5.7 – Moteur de traction type :4 FXA 4559 D
Le moteur de traction type 4 FXA 4559 D est un moteur asynchrone - 4 pôles - à cage d’écureuil,
de type ouvert refroidi par une ventilation forcée. Ce moteur est de conception relativement simple,
prévu pour être fiable et avoir une grande durée de vie. Avec ce type de moteur, la maintenance (sur
le véhicule) est réduite à une lubrification régulière du roulement, côté opposé commande.
Le régime de définition du moteur 4 FXA 4559 D a été défini suivant la norme CEI 349-2 pour
une vitesse moteur de 1586 tr/mn (roue mi- usée) sous une tension phase neutre d’environ 1100V.
Le courant de démarrage est de 695A.
La vitesse maximale du moteur est de 3732 tr/mn.
Caractéristiques du moteur
Type Moteur à induction à courant alternatif triphasé

En continu :
• Puissance 1545 kW
• Tension nominale 1100 V
• Ampérage 496 A
• Vitesse 1586 tr/min
Vitesse maximale : 3 172 tr/mn
Débit pression : 1,4 m3 /s
Refroidissement : Ventilation forcée
Poids
Moteur avec pignon 2552 kg

Rotor à cage équipé 810 kg
Stator bobiné équipé 1 560 kg
Rotor
Type : Noyau feuilleté à cage d’écureuil cuivre

Diamètre du noyau : 545 mm
Longueur du noyau : 390 mm
Nombre d’encoches : 58
Déséquilibre résiduel maxi autorisé : 20 g côté commande et 10 g côté opposé
Stator
Type d’enroulement : Etoile, triphasé

Diamètre du noyau : 890 mm (extérieur) - 550 mm (intérieur)
Nombre d’encoches : 72
Circuits parallèles : 4
Phase séquence/rotation : U - V- W/Sens horaire - côté commande
Classe d’isolation : Classe 200
◦
Résistance à 20 C : 0,0214 Ω (U-V, V-W, W-U).
Roulement
— Roulement à rouleaux côté commande : 2

— Roulement à rouleaux isolé céramique côté opposé commande
Diamètre intérieur : 80 mm
Diamètre extérieur : 140 mm
Largeur : 33 mm
Jeu radial max. avant montage : 140 µ
Jeu radial min. avant montage : 105 µ
Jeu radial max. après montage : 90 µ
Jeu radial min après montage : 50 µ
2. Ce roulement est intégré au réducteur. Pour ses caractéristiques et sa maintenance, se reporter à la notice réductrice.
(Ce roulement est monté sur l’arbre moteur après le montage du pignon sur celui-ci)
A NNEXE 2 : VARIATEUR DE VITESSE DE TYPE : ALSPA MV
3000 C
F IGURE 5.8 – Variateur de vitesse de type : ALSPA MV 3000 C
ALSPA MV3000C est un variateur simple à utiliser pour des applications à usage général pour
des puissances de 22 kW à plus de 1.8 MW .
Ci-dessous les paramètres nécessaires à la configuration des réglages de base du moteur.
— Fréquence nominale moteur : Ce paramètre spécifie la fréquence à laquelle la tension de base
est obtenue et la fréquence normale de fonctionnement du moteur. – mettre ce paramètre à la
valeur donnée sur la plaque signalétique du moteur.
Valeurs autorisées : 5 Hz à 200 Hz
— Tension nominale moteur :
Ce paramètre spécifie la tension appliquée aux bornes d’un moteur quand celui-ci fonctionne
à sa fréquence nominale. – Mettre la tension nominale du moteur à la valeur donnée sur la
plaque signalétique moteur. Valeurs autorisées : 25V à 1400 V (efficace)
— Courant nominal moteur :
Le réglage du courant nominal moteur est utilisé par le variateur pour fournir au moteur une
protection et un contrôle optimal. La plage des valeurs autorisée dépend de la taille du varia-
teur.
— Puissance nominale moteur :
La puissance nominale du moteur est utilisée par le variateur pour calculer le couple nominal
moteur, nécessaire au logiciel de contrôle interne. Cette valeur est normalement donnée sur la
plaque signalétique du moteur.
— Vitesse nominale moteur :
La vitesse nominale du moteur est utilisée par le variateur pour calculer le couple nominal
moteur, nécessaire au logiciel de contrôle interne.
A NNEXE 3 :S CH ÉMA DE CABLAGE DE LA ZONE DES ESSAIS
Schéma de puissance et d’alimentation de l’autotransformateur :
F IGURE 5.9 – schéma de puissance et d’alimentation de l’autotransformateur
Comme le montre le schéma de puissance :

— L’autotransformateur est protégé par un sectionneur porte fusibles de type GS1 K3 125A,avec
des fusibles Gg de calibre 100A.
— Les cables d’alimentation de l’autotransformateur ont une section de 35 mm2 alors que les
cables d’alimentation du variateur situé à l’aval de l’autotransformateur sont de section 16
mm2 .
Schéma d’alimentation de la commande du variateur de vitesse :
F IGURE 5.10 – Schéma d’alimentation de la commande du variateur de vitesse
D’après le schéma d’alimentation de la commande du variateur de vitesse :

— Un transformateur de 630 VA ,400/24V est utilisé pour baisser la tension d’alimentation des
deux commandes Folio F004-03 et Folio F005-03.
— Les cables d’alimentation du transformateur sont de section 1,5 mm2 ,et ceux de l’alimentation
des deux commandes sont de section 4mm2 .
— Un redresseur double alternance pour alimenter en continu la commande Folio F005-03.
Les instrument de protection utilisées sont :
— Un disjoncteur de calibre 2A.
— Un relais thermique de type BB2DB07.
— Des fusibles 25gG .
A NNEXE 4 :P ROGRAMMES L AB VIEW UTLIS ÉS POUR LES ÉSSAIS
DE SURVEILLANCE ET DE DIAGNOSTIC
1. Programme LabVIEW utilisé pour les éssais de surveillance
F IGURE 5.11 – Programme LabVIEW utilisé pour l’éssai de température
Le principe dans ce programme consiste à acquérir des mésures issues des capteurs dédiés pour
chaque phénomène(température dans l’exemple de la figure 5.11 ,et de faire des tests suivant les
normes en vigueur chez la société.
pour cette exemple,après l’acquisition de la mesure de température,via un seul port de l’assistant
DAQ,l’ordre de mesure permet d’indiquer à quelle coté elle sera affectée,d’après ce qu’on a vu dans
le chapitre de surveillence,les températures ont des seuils à ne pas dépasser :
— Au coté commande : ne doit pas dépasser 70 ◦ C.
— Au coté opposé commande : ne doit pas dépasser 50 ◦ C.
Si la température d’un coté dépasse son seuil correspondant,le voyant s’allume.
1. Programme LabVIEW utilisé pour le diagnostic par l’analyse du spectre
d’enveloppe
F IGURE 5.12 – Programme LabVIEW utilisé pour le diagnostic par l’analyse d’enveloppe
A NNEXE 5 : MATLAB S CRIPT DE LA M ÉTHODE R DF POUR LE
DIAGNOSTIC
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %%%%%%%%%%%%%%%%%%%%%%%%%%
%%%%%%%% %%%%%%%%%%%%%%%%%% preparing data %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%%%%%%%% %%%%%%%%%%%%%%%%%% import data to workspace %%%%%%%%%%%%%%%%%%%%%%%%
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
close all ;
clear all ;
clc ;
Folder1 =’C :\ Users\PC1\ Desktop\ 1st test’ ;
Folder2 =’C :\ Users\PC1\ Desktop\ 2nd test’ ;
Files1 = dir(fullfile(Folder1, ’*.txt’)) ;
Files2 = dir(fullfile(Folder2, ’*.txt’)) ;
numFiles1=length(Files1) ;
numFiles2=length(Files2) ;
myData1 = cell(1,numFiles1 ) ;
myData2 = cell(1,numFiles2 ) ;
for i = 1 :numFiles1
i
aFile1 = fullfile(Folder1, Files1(i).name) ;
myData1 i = textread(aFile1) ;
end
for j = 1 :numFiles2
j
aFile2 = fullfile(Folder2, Files2(j).name) ;
myData2 j = textread(aFile2) ;
end
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%%%%%%%% %%%%%%%%%%%%%%%%%% extract signal %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% Inner Race %%%%%%%%%%%%%%%%% %%%%%%%%%%%%%%
for k=1 :length(myData1)

k
x=myData1k ;
Form1k=x( :,5) ;
end
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% Outer Race %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
for m=1 :length(myData2)

m
z=myData2m ;
Form3m=z( :,1) ;
end
%%%%%%%% %%%%%%%%%%%%%%%%%% extract features :inner race %%%%%%%%%%%%%%%%%%%%
for n=1 :numFiles1
X=Form1n ;
sum1=0 ;
N=length(X) ;
for o=1 :N
sum1=sum1+(1/N)*abs(X(o)) ;
end
d11=0.5*(max(X)-min(X)) ; %peak
d21=rms(X) ; %rms
d31=d11/d21 ; %facteur crete
d41=kurtosis(X) ; %kurtosis
d101=skewness(X) ; %skewness
d111=rms(fft(X)) ; %rms frequentielle
d121 = meanfreq(X,fs) %meanfreq
Vf1n= d11 d21 d31 d41 d101 d111 d121 ;

end
% BA-IR = cell2table(Vf1’) ;
%%%%%%%% %%%%%%%%%%%%%%%%%% extract features :outer race %%%%%%%%%%%%%%%%%%%%
for s=1 :numFiles2
Z=Form3s ;
sum3=0 ;
O=length(Z) ;
for t=1 :O
sum3=sum3+(1/O)*abs(Z(t)) ;
end
d13=0.5*(max(Z)-min(Z)) ; %peak
d23=rms(Z) ; %rms
d33=d13/d23 ; %facteur crete
d43=kurtosis(Z) ; %kurtosis
d103=skewness(Z) ; %skewness
d113=rms(fft(Z)) ; %rms frequentielle
d123 = meanfreq(Z,fs) %meanfreq
Vf3s= d13 d23 d33 d43 d103 d113 d123 ;
end
BA-OR = cell2table(Vf3’) ;
%%%%%%%% %%%%%%%%%%%%%%%%%% machine learning %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

%
%
%%%%%%%% %%%%%%%%%%%%%%%%%% attribution %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
A(1 :300)=’healthy’ ;
B(301 :400)=’healthy’ ;
A(401 :550)=’OR’ ;
B(551 :600)=’OR’ ;
A(601 :840)=’IR’ ;
B(841 :920)=’IR’ ;
labelT=[A(1 :300) A(401 :550) A(601 :840) ]’ ;
labelTs=[B(301 :400) B(551 :600) B(841 :920) ]’ ;
%%%%%%%% %%%%%%%%%data partitionning( trainning/testing) %%%%%%%%%%%%%%%%%%
MATR=[AEAA(1 :300) AEAA(401 :550) AEAA(601 :840) ]’ ;
MATS=[AEAA(301 :400) AEAA(551 :600) AEAA(841 :920)]’ ;
%%%%%%%% %%%%%%%%%%%%%% classification usin k-nearest neighbors %%%%%%%
%%%%%%%% %%%%%%%%%%%%%% training model %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

ModelKNN = fitcknn(MATR,labelT,’NumNeighbors’,7) ;
%%% prediction %%%%%%%%%%%%%%
preKNN = predict(ModelKNN,MATS) ;
%%%%%%%%%%%%%%%%%%% performance evaluation based on confusion matrix %%%%
CKNN = confusionmat(labelTs,preKNN) ;
%%% accuracy/error %%%%%%

errKNN = (sum(CKNN( :)) - sum(diag(CKNN)))/sum(CKNN( :))*100 ;
resut.accKNN = (100-errKNN)
%%%%%%%%%%%%%%%%%%% classification using support vector machine %%%%
%training model using knn

kernel=’rbf’ ;
rng(’default’) ;
% Set up template
Temp=templateSVM(’KernelFunction’,kernel,’KernelScale’,’auto’) ;
% Perform support vector machine
ModelSVM=fitcecoc(MATR,labelT,’Learners’,Temp) ;
% Prediction
preSVM = predict(ModelSVM,MATS) ;
% Confusion matrix
CSVM=confusionmat(labelTs,preSVM) ;
errSVM = (sum(CSVM( :)) - sum(diag(CSVM)))/sum(CSVM( :))*100 ;

resut.accSVM = (100-errSVM)
R ÉSUM É
La surveillance et le diagnostic des machines tournantes, s’imposent comme étant un ensemble
d’opérations indispensables pour garantir un bon niveau de performance ainsi qu’élargir la durée de
vie de ces machines. En effet, le monde industriel connait une avancée importante pour les techniques
de diagnostic, dans le sens d’améliorer la qualité et la précision de détection des anomalies.
L’analyse vibratoire est une méthode de diagnostic, capable de localiser et suivre les défauts dans
une machine tournante, en exploitant des signatures vibratoires issue des capteurs dédiés.
L’analyse temporel des signaux vibratoires est basée sur le contrôle de l’évolution d’un ensemble
d’indicateurs temporels qui caractérisent l’amplitude et la puissance du signal, mais ne permettant pas
la localisation des défauts, d’où la nécessité de se recourir à l’analyse fréquentielle, qui détecte les
possibles anomalies en se reposant sur le spectre du signal, ainsi que sur une étude fréquentielle faite
au préalable de l’ensemble des défauts.
Bien que l’analyse du spectre présente des avantages remarquables par rapport à l’analyse des
indicateurs temporelles du signal, la difficulté de définition du modèle mathématique due à la nature
parfois complexe du signal physique exige l’introduction d’une technique plus avancée en terme de
l’exactitude de la localisation des défauts.
Les méthodes de diagnostic basées sur l’intelligence artificielle(AI), plus particulièrement, la
méthode de la reconnaissance des formes se considère comme une solution efficace pour l’automati-
sation des opérations de détection et suivie des anomalies.
Mots clés :
Machine tournantes,Diagnostic,surveillance,Analyse vibratoire,Banc de test,Reconnaissance des for-
mes, Apprentissage supervisé,Classification...
A BSTRACT
The monitoring and the diagnosis of rotating machines, are necessary and essential operations,
not only to ensure their high performance, but also to extend their lifetime.in fact, the industrial world
is making an important step forward in what is related to diagnostic techniques, so as to enhance the
quality of accuracy and anomaly detection.
The vibration analysis is a diagnostic method. By using vibration signature outcoming of devoted
sensors, this method is able to find and monitor rotating machines’ defaults. Temporal analysis of
vibratory signal , is based on the evolution control of many time indicators that characterise the ma-
gnitude and signal power, but not defaults’ location, hence, the necessity to turn to frequency analysis,
that detects possible anomalies, by relying on signal spectrum and on a prior frequency studies made
to an assembly of defaults.
Despite, spectrum analysis shows some notable advantages towards time stamps’ analysis. The
difficulty of mathematical model ‘s definition due to complexity nature of physical signal, involves
introducing an advanced technique in terms of accuracy of the location of defects.
Diagnostic methods based on artificial intelligence (AI), most precisely, pattern recognition me-
thod, is considered as an effective solution to automate operations of anomalies’ detection and moni-
toring.
Key words :
Rotating machines,Diagnostic,machine monitoring,vibration Analysis,Test bench,machine lear-
ning,Pattern recognition,Classification...

Rapport de Stage ...

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Rapport de Stage ...

Transféré par

Droits d'auteur :

Formats disponibles

D ÉDICACE

Nous dédions ce modeste travail :

1 R EPR ÉSENTATION DE L’ ENTREPRISE ET C ADRE G ÉN ÉRALE DU PROJET 3

3 E SSAIS DE SURVEILLANCE DU MOTEUR DE TRACTION 21

3.2 Définition de la zone d’essais des moteurs de traction 4 FXA 4559 D . . . . . . . . . 23

4 DIAGNOSTIC VIBRATOIRE PAR LES M ÉTHODES AVEC CONNAISSANCE À PRIORI : AP -

5 D IAGNOSTIC VIBRATOIRE PAR LES M ÉTHODES SANS CONNAISSANCE À PRIORI : DIAG -

C ONCLUSION G ÉN ÉRALE 55

1.1 Tramway Rabat . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5

2.1 Ordonnancement des anomalies selon leur criticité . . . . . . . . . . . . . . . . . . 14

3.1 zone des essais dessinée par CATIA . . . . . . . . . . . . . . . . . . . . . . . . . . 24

4.1 La Transformée de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35

4.6 interface graphique LABVIEW du diagnostic des signaux vibratoires . . . . . . . . . 40

5.1 Représentation d’un point dans un espace de dimension d . . . . . . . . . . . . . . . 45

1.1 Fiche technique d’Alstom . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4

3.1 Limites des intensités vibratoires,en vitesse . . . . . . . . . . . . . . . . . . . . . . 23

4.1 Synthèse des fréquences de défauts des principales anomalies . . . . . . . . . . . . . 39

I NTRODUCTION G ÉN ÉRALE

R EPR ÉSENTATION DE L’ ENTREPRISE ET

1.1 Représentation de l’entreprise

1.1.1 ALSTOM multinationale

Raison sociale ALSTOM

TABLE 1.1 – Fiche technique d’Alstom

Secteur d’activités : ’Secteur Transport’

F IGURE 1.1 – Tramway Rabat

Alstom à travers le monde :

F IGURE 1.2 – Alstom à travers le monde

F IGURE 1.3 – Chiffre d’affaires d’Alstom

1.1.2 ALSTOM Transport Au Maroc

Présence depuis plus de 40 ans au Maroc dans l’hydro électrique et le thermique :

F IGURE 1.4 – Projets d’Alstom au Maroc

1.2 Cadre général du projet

1.2.3 Méthodologie de la gestion de projet

F IGURE 1.5 – méthodes agiles

F IGURE 1.6 – Cycle en V

1.2.4 Ensemble des taches et équipe du projet dans le cadre méthodologique

Product Owner Hassan Jarham

TABLE 1.2 – Equipe Scrum

F IGURE 1.7 – Evolution des différentes phases du projet

G ÉN ÉRALIT ÉS SUR LE DIAGNOSTIC DES

2.1 Diagnostic des défauts mécaniques des machines tournantes

2.1.1 Terminologie propre au diagnostic

Evénement engendrant une modification du fonctionnement du procédé. L’état du système ne

C’est le processus qui amène à état défaillant du système.

F IGURE 2.1 – Ordonnancement des anomalies selon leur criticité

2.1.2 Caractéristiques d’un système de diagnostic

2.1.3 Les différentes étapes d’un diagnostic

Etape d’acquisition de données :

La procédure de diagnostic nécessite une disponibilité d’informations sur le fonctionnement du

Etape d’élaboration d’indicateurs de défauts :

Etape de prise de décision :

2.1.4 Présentation générale de l’Aanalyse Vibratoire

F IGURE 2.2 – Différentes étapes du diagnostic

2.1.5 Les différents niveaux d’analyse vibratoire

2.2 Classification des méthodes de diagnostic

2.2.1 Méthode avec connaissance à priori

Approches sans modèle (approche signal) :

Approches avec modèle :

2.2.2 Méthodes sans connaissance à priori

E SSAIS DE SURVEILLANCE DU MOTEUR DE

3.1 Les essais de surveillance

Mesure des résistances initiales à froid :

Essai à vide et contrôle du sens de rotation :

Essai à vitesse max et mesure de température :