Projet de Fin d’Études

Pour obtenir le Diplôme d’Ingénieur d’État En Systèmes

Électroniques et Automatiques
Intitulé :

DIAGNOSTIC NON-SUPERVISÉ DES MOTO-

VENTILATEURS DES AUTOCLAVES

Au sein de : DAHER AEROSPACE 2

Réalisé par :
El Berdaye Nada & Giri Ahmed

Encadré par :

MME. EL MENZHI Lamiaa : ENSA de Tanger – Encadrante Pédagogique

M. EL BOUISFI Radouane : DAHER AEROSPACE MAROC – Encadrant Professionnel

Génie des Systèmes Electroniques et Automatiques

Année universitaire : 2021 – 2022
1
 Avant-propos

Nom et prénom du binôme :

• EL BERDAYE Nada & GIRI Ahmed, étudiants en 3ème année génie des systèmes électroniques et
automatiques – ENSA de Tanger

Intitulé du travail :
• Diagnostic non-supervisé des moto-ventilateurs des autoclaves

Etablissement d’accueil :
• DAHER AEROSPACE MAROC
Zone Franche Tanger, Route de Rabat, Lot 19 B, Lot 3-9000
Tél : +212 5 39 39 36 00
Fax : +212 5 39 39 36 04
Site : www.Daher.ma

Nom et prénom de l’encadrante pédagogique :

• MME. EL MENZHI Lamiaa : ENSA de Tanger

Nom et prénom de l’encadrant professionnel :

• M. EL BOUISFI Radouane : DAHER AEROSPACE MAROC

Date de début et de fin du stage :

• Du 22 Février 2022 au 22 Juin 2022

Soutien financier :
• Stage non rémunéré
• Transport assuré

2
 Remerciement

Avant d’entamer ce rapport, nous tenons à exprimer nos remerciements et notre profonde gratitude à notre
encadrante pédagogique Mme El Menzhi Lamiaa, pour ses précieuses remarques et son accompagnement
tout au long de notre travail.

Nos sincères remerciements s’adressent également à notre encadrant industriel Mr. El Bouisfi Radouane,
Manager du département maintenance, pour sa disponibilité, son encadrement, sa collaboration et ses
directives fructueuses qu’il n’a cessé de partager tout au long de ce stage.

Nous remercions également Mr. Mohammed Ettadli et Mr Abdelouahab Farah pour leurs
encouragements, leur sympathie jamais démentie et pour tous les moyens qu’ils ont mis à notre disposition
pour que ce travail soit à la hauteur.

Nous voudrons aussi exprimer notre reconnaissance et notre gratitude au corps professoral de l’ENSA de
Tanger pour leur inestimable contribution à notre formation.

Sans oublier nos parents, nos familles et nos proches amis dont leur amour, patience et sacrifice sont gravés
tout au long de notre parcours.

Que toute personne ayant contribué de loin ou de près à la réussite de ce projet, reçoive l’expression de nos
sincères reconnaissances et gratitudes.

3
 Résumé

Les machines asynchrones sont jusqu'à présent les plus utilisées dans les environnements industriels.
Néanmoins, comme toute autre machine, la machine à induction n’est pas exempte de dysfonctionnement.
Elle pourrait être affectée par nombreux types de défauts qui pourraient impacter gravement la production et
l’état des machines.

Ce présent travail, intitulé « DIAGNOSTIC NON-SUPERVISÉ DES MOTO-VENTILATEURS DES

AUTOCLAVES » réalisé au sein de la société DAHER AEROSPACE s’inscrit dans le cadre de la
maintenance prédictive des machine asynchrones.

Un système automatisé de détection et de diagnostic basé sur des algorithmes du machine Learning a été
développé.

Le modèle de diagnostic est capable de détecter toute anomalie qui pourrait affecter le courant statorique du
moteur.

De nombreux défauts ont été générés pour valider la conformité du modèle à savoir les barres cassées, les
courts circuits entre spire et les défauts combinés.

Ce système a pour but de minimiser les temps d'arrêt et augmenter le taux d'utilisation de la machine.

Mots-clés : - Maintenance prédictive - Surveillance par analyse de courant statorique - Diagnostic non
supervisé des défauts des machines tournantes

4
 Abstract

Asynchronous machines are still the most widely used in industrial environments. Nevertheless, like any other
machine, the induction machine is not free from malfunction. It could be affected by many types of faults that
could seriously impact the production and the condition of the machines.

This work, entitled "NON-SUPERVISED DIAGNOSTICS OF AUTOCLAVES" carried out within the
DAHER AEROSPACE company is part of the predictive maintenance of asynchronous machines.

An automated detection and diagnosis system based on machine learning algorithms has been developed.

The diagnostic model is able to detect any anomaly that could affect the stator current of the motor.

Numerous faults have been generated to validate the compliance of the model, namely broken bars, inter-turn
shorts and combined faults.

This system aims to minimize downtime and increase the utilization rate of the machine.

Keywords : - Predictive maintenance - Monitoring by stator current analysis - Fault diagnosis of rotating
machines

5
 ‫ملخص‬

‫تعتبر اآلالت غير المتزامنة حتى اآلن األكثر انتشارا في األوساط الصناعية‪ .‬ومع ذلك‪ ،‬مثل أي آلة أخرى‪ ،‬ال يمكن أن تسلم من األعطال‪.‬‬
‫فقد تتأثر بالعديد من األعطال التي قد تؤثر سلبا على حالة اآللة وكذا انتاجيتها‪.‬‬
‫وهذا العمل‪ ،‬المعنون "تشخيص غير مراقب لمحرك الهواء الخاص بآلة االوتوكالف" والذي تم انجازه داخل شركة ضاهر بطنجة‪ ،‬هو جزء‬
‫من الصيانة التنبؤية لآلالت غير المتزامنة‪.‬‬

‫تم تطوير نظام كشف وتشخيص تلقائي يستند إلى خوارزميات تعلم اآللة‪.‬‬

‫يمكن لنموذج التشخيص الكشف عن أي عطل يؤثر على التيار الكهربائي المار في العضو الساكن للمحرك‪.‬‬

‫و قد تم بالفعل افتعال العديد من األعطال للتحقق من قدرة نموذج التشخيص المنجز على كشف أنواع مختلفة من األعطال‪.‬‬

‫يهدف هذا النظام إلى تقليل زمن توقف اآللة عن العمل إلى أدنى الحدود وزيادة معدل استخدامها في المقابل‪.‬‬

‫الكلمات المفتاحية‪ -- :‬الصيانة التنبؤية ‪ --‬مراقبة بواسطة تحليل تيار العضو الساكن ‪ --‬تشخيص عيوب اآلالت الدوارة‬

‫‪6‬‬
 TABLE DES MATIERES

Avant-propos .........................................................................................................................
Remerciement ........................................................................................................................
Résumé ...................................................................................................................................
Abstract ..................................................................................................................................
‫ ملخص‬.......................................................................................................................................
TABLE DES MATIERES .....................................................................................................
Liste des figures .....................................................................................................................
Liste des tableaux...................................................................................................................
Introduction générale ........................................................................................................ 14
Chapitre 1 : Présentation de l’organisme d’accueil et contexte général du projet : ...........
I. Introduction ......................................................................................................... 17
II. Présentation de l’organisme d’accueil : .............................................................. 17
1. Présentation du groupe DAHER : ...................................................................... 18
2. DAHER AEROSPACE MAROC : ..................................................................... 18
3. Processus de fabrication : .............................................................................................. 19
4. Les projets de DAHER MAROC : ................................................................................ 21
III. Cahier de charge : ............................................................................................... 23
1. Contexte général : .......................................................................................................... 23
2. Expression du besoin : ................................................................................................... 23
3. Objectifs du projet :....................................................................................................... 24
4. Acteurs du projet : ......................................................................................................... 24
5. L’équipe du projet : ....................................................................................................... 24
IV. Gestion du projet : ............................................................................................... 25
1. Présentation du projet : ................................................................................................. 25
2. Analyse des risques du projet :...................................................................................... 25
3. Planning du projet : ....................................................................................................... 27
V. Conclusion : ......................................................................................................... 28

7
Chapitre 2 : Présentation théorique des méthodes de travail, étude de l’existant et analyse
fonctionnelle ...........................................................................................................................
I. Introduction.................................................................................................................... 30
II. Outils et méthodes......................................................................................................... 30
1. La méthode DMAIC : .................................................................................................... 30
2. Généralités sur la maintenance : ................................................................................... 31
2.1 Définition de la maintenance : ................................................................................... 31
2.2 Les types de la maintenance : .................................................................................... 31
2.3 La maintenance 4.0 : .................................................................................................. 33
3. L’apprentissage de la machine :.......................................................................... 33
3. 1 Définition du Machine Learning ............................................................................... 33
3. 2 Apprentissage supervisé : ......................................................................................... 34
3.3 Apprentissage non supervisé : ................................................................................... 36
3.4 Apprentissage par renforcement :............................................................................. 36
III. Etude de l’existant :..................................................................................................... 37
1. Autoclave : ..................................................................................................................... 37
1.1 Système de chauffage électrique : ............................................................................ 38
1.2 Système de refroidissement...................................................................................... 38
1.3 Dispositifs de refroidissement .................................................................................. 38
1.4 Ventilateur Type MG ............................................................................................... 39
2. Moteur asynchrone ........................................................................................................ 39
2.1 Le stator (partie fixe) : ................................................................................................. 39
2.2 Le rotor (partie tournante) :........................................................................................ 40
2.3 Les organes mécaniques : ............................................................................................ 40
3. Les défaillances du moteur asynchrone : ...................................................................... 42
3.1 Etude statistique des défaillances de la machine asynchrone : .................................. 42
3.2 Défaillances d’ordre mécanique : ................................................................................ 42
3.3 Défaillances d’ordre électrique : ................................................................................. 44
IV. Analyse fonctionnelle ................................................................................................... 48
1. Mise en situation : .......................................................................................................... 48
2. Solution proposée :......................................................................................................... 48
3. Approche fonctionnelle :................................................................................................ 49
3.1 Analyse fonctionnelle externe : .................................................................................... 49
3.2 Analyse fonctionnelle interne : .................................................................................... 50
V. Conclusion ..................................................................................................................... 51

8
Chapitre 3 : Acquisition des données ................................................................................ 52
I. Introduction .................................................................................................................... 53
II. Matériels et méthodes : ................................................................................................. 53
1. Méthodes d’analyse : ..................................................................................................... 53
1.1 Analyse du couple : .............................................................................................. 53
1.2 Analyse des signaux de la vibration : .................................................................. 53
1.3 Analyse du courant statorique : .......................................................................... 54
2. Traitement du signal :.................................................................................................... 54
2.1 Analyse statistique : ..................................................................................................... 55
2.2 Analyse spectrale : .................................................................................................... 57
3. Banc de test : .................................................................................................................. 57
III. Application d’acquisition ............................................................................................ 59
1. Interface : ....................................................................................................................... 59
2. Résultats : ....................................................................................................................... 61
2.1 Signaux temporels et fréquentiels : ............................................................................. 61
2.2 Les indicateurs statistiques :........................................................................................ 62
IV. Conclusion : ................................................................................................................. 63
Chapitre 4 : Développement du modèle de l’apprentissage .................................................
I. Introduction ................................................................................................................ 65
II. Traitement des données ............................................................................................. 65
1. Normalisation : .............................................................................................................. 65
1.1 Normalisation Min-Max : ........................................................................................ 65
1.2 Standardisation : ...................................................................................................... 65
2. Sélection des indicateurs :............................................................................................. 66
3. L’analyse par composante principale PCA : ................................................................ 66
4. Classification non supervisé : Clustering ...................................................................... 67
4.1 K Means : .................................................................................................................. 68
4.2 DBSCAN : ................................................................................................................. 69
4.3 OPTICS : ................................................................................................................... 69
III. Modèle de l’apprentissage non supervisé du moteur asynchrone : ........................ 71
1. Architecture du modèle de l’apprentissage : ................................................................ 71
2. Résultats : ....................................................................................................................... 72
VI. Conclusion : ......................................................................................................... 73

9
Chapitre 5 : Test et validation du modèle et étude technico-économique ...........................
I. Introduction : ................................................................................................................. 75
II. Génération des défauts : ............................................................................................... 75
1. Barres cassées : .............................................................................................................. 75
2. Court circuits entre spire : ............................................................................................ 76
III. Test du modèle : .......................................................................................................... 77
1. Interface : ............................................................................................................. 77
2. Résultats :............................................................................................................. 78
IV. Etude technico- économique : ..................................................................................... 81
1. Le coût de l’investissement :................................................................................ 82
2. La rentabilité du projet : ..................................................................................... 83
V. Conclusion : ................................................................................................................... 83
Conclusion et perspective .................................................................................................. 84
Bibliographie et Webographie .......................................................................................... 85
Annexe ................................................................................................................................ 87

10
 Liste des figures

Figure 1: DAHER AEROSPACE MAROC - SITE 1 .................................................................................. 17

Figure 2: DAHER dans le monde ................................................................................................................ 18
Figure 3: Organigramme DAHER............................................................................................................... 19
Figure 4: Processus de fabrication ............................................................................................................... 19
Figure 5: Tissu NIDA coupé ....................................................................................................................... 20
Figure 6: Autoclave .................................................................................................................................... 20
Figure 7: Clients de DAHER ...................................................................................................................... 21
Figure 8: Pièces composites, Panneaux et tuyauteries pour la distribution d’air ........................................... 22
Figure 9:: Composants produits pour les familles ARJ 21, CL30................................................................. 22
Figure 10: Diagramme d'expression du besoin du projet ............................................................................. 23
Figure 11: Equipe du travail ........................................................................................................................ 24
Figure 12: Diagramme de Gantt prévisionnel .............................................................................................. 28
Figure 13: Méthode DMAIC ....................................................................................................................... 30
Figure 14: Les types de la maintenance ....................................................................................................... 31
Figure 15: Les types de l'apprentissage automatique ................................................................................... 34
Figure 16 : Exemple de l’apprentissage supervisé ....................................................................................... 35
Figure 17: Exemple de l’apprentissage non-supervisé ................................................................................. 36
Figure 18: Autoclave .................................................................................................................................. 37
Figure 19: Schéma de la circulation d'air et du système de chauffage .......................................................... 38
Figure 20: Ventilateur type MG .................................................................................................................. 39
Figure 21: Moteur asynchrone .................................................................................................................... 39
Figure 22: vue schématique du stator .......................................................................................................... 39
Figure 23 : Construction du rotor à cage d'écureuil ..................................................................................... 40
Figure 24: Les composants de la machine asynchrone ................................................................................. 41
Figure 25: Distribution des défauts courants des moteurs électriques selon la (A) les résultats de l'enquête
EPRI (B) les résultats de l'enquête IEEE-IAS.............................................................................................. 42
Figure 26: Causes des défauts statoriques ................................................................................................... 44
Figure 27: Les défauts statoriques ............................................................................................................... 44
Figure 28: Causes des défauts rotoriques..................................................................................................... 46
Figure 29: Les défauts rotoriques ................................................................................................................ 46
Figure 30: Diagramme des exigences du système ........................................................................................ 49
Figure 31: Diagramme PIEUVRE ............................................................................................................... 50
Figure 32: La méthode FAST ..................................................................................................................... 51
Figure 33: Banc de test ............................................................................................................................... 57
Figure 34: CompactRIO.............................................................................................................................. 58
Figure 35: Module NI 9246 ........................................................................................................................ 59
Figure 36: Interface d'acquisition : Signal temporel..................................................................................... 60
Figure 37: Interface d'acquisition : signal fréquentiel .................................................................................. 60
Figure 38: Configuration DAQ Assistant .................................................................................................... 61
Figure 39: Signal temporel du courant ........................................................................................................ 62
Figure 40: Signal fréquentiel du courant ..................................................................................................... 62
Figure 41: Extrait de la base de données finale ............................................................................................ 63
11
Figure 42: Analyse par composante principale ............................................................................................ 67
Figure 43: L'algorithme K-Means ............................................................................................................... 68
Figure 44: L'algorithme OPTICS ................................................................................................................ 70
Figure 45: Architecture du modèle de l'apprentissage .................................................................................. 71
Figure 46: Comparaison entre normalisation et standardisation ................................................................... 72
Figure 47: Sélection des indicateurs pertinents ............................................................................................ 72
Figure 48: Classification de l'état sain du moteur selon OPTICS ................................................................. 73
Figure 49: (a) : rotor sain (b) : 1 barre cassée (c) : 2 barres cassées............................................................ 75
Figure 50: Résistance initiale des 3 phases .................................................................................................. 76
Figure 51: Court-circuit entre spire ............................................................................................................. 76
Figure 52:Interface de diagnostic ................................................................................................................ 77
Figure 53:Détection des défauts barres cassées ........................................................................................... 78
Figure 54:évolution de la valeur d'inertie des barres cassées........................................................................ 79
Figure 55:détection des défauts courts circuits entre spires .......................................................................... 80
Figure 56:détection défauts combinés ......................................................................................................... 81
Figure 57: test moteur sain .......................................................................................................................... 81

12
 Liste des tableaux

Tableau 1: QQOQCP ................................................................................................................................. 25

Tableau 2: Cotation de gravité, fréquence et détection ................................................................................ 26
Tableau 3: Cotation de criticité ................................................................................................................... 26
Tableau 4: AMDEC du projet ..................................................................................................................... 27
Tableau 5: Fontions principales et fonctions contraintes .............................................................................. 50
Tableau 6: Caractéristiques moteur de test .................................................................................................. 58
Tableau 7: évolution de la valeur d'inertie des barres cassées ...................................................................... 79
Tableau 8:suivi des défauts court-circuit ..................................................................................................... 80
Tableau 9:Prix du matériel nécessaire ......................................................................................................... 82

13
 Introduction générale

La machine asynchrone est largement utilisée dans l’industrie grâce à sa simplicité de construction, son
entretien aisé, sa robustesse et son faible coût d'achat et de fabrication. Mais, ces machines subissent de plus
en plus de perturbations et de pannes. La maintenance prédictive de ces machines permet d’éviter au maximum
les pannes imprévues et par la suite améliorer le taux d’utilisation de la machine et sa productivité.

Afin d’anticiper les aléas pour ne plus les subir, l’activité de la maintenance des installations industrielles fait
appel depuis une vingtaine d’années à des techniques de diagnostic des machines. Plusieurs techniques de
détection de défauts sont aujourd’hui à la disposition des ingénieurs entre autres on peut citer : la
thermographie infrarouge, la détection ultrasonore, l’analyse des vibrations mécanique et l’analyse du spectre
du courant statorique.

C’est dans ce sens que le département maintenance de l’entreprise DAHER AEROSPACE Tanger a lancé un
projet de développement d’un système de diagnostic de l’état de l'une des machines stratégiques de
l’entreprise, il s’agit du moto ventilateur qui se trouve au cœur de l’autoclave. Notre projet porte sur le
développement de ce système de diagnostic en se basant sur l’apprentissage non-supervisé du courant
statorique de la machine.

Ce rapport, qui sera divisé en cinq chapitres, révèle en détails la démarche suivie pour la réalisation de ce
projet :

Le premier chapitre est consacré à la présentation de l’organisme d’accueil, ainsi qu’une présentation du
contexte général du projet, la définition du cahier des charges et le planning de son déroulement.

Le deuxième chapitre sera dédié à une étude détaillée de l'état des lieux afin de déduire la problématique, ainsi
qu’une présentation théorique des méthodes de travail. Ensuite nous allons établir une analyse fonctionnelle
visant à mieux éclaircir la méthodologie et les composants nécessaires pour bien réaliser ce système de
diagnostic.

Dans le troisième chapitre, nous allons présenter tous les détails de la phase d’acquisition du courant statorique
: le matériel utilisé, les méthodes d’analyse et l’application conçue pour l’acquisition.

14
Dans le quatrième chapitre, nous allons présenter les différentes étapes suivies pour élaborer notre modèle de
diagnostic ainsi que les résultats obtenus pour chaque étape.

Finalement, le dernier chapitre se focalise sur l’étape du test direct du modèle en générant plusieurs défauts
sur un moteur de test pour mettre en épreuve notre modèle de diagnostic et tester son efficacité.

15
 Chapitre 1

Présentation de l’organisme d’accueil et

contexte général du projet :

16
 I. Introduction

En 18 ans, le Maroc a pu édifier une base aéronautique de qualité, diversifiée et compétitive. Le secteur connait
un essor considérable et un dynamisme qui n’est plus à démontrer.

Des métiers nouveaux et à forte valeur ajoutée se sont développés. Ils couvrent des filières variées dont le
câblage, la mécanique, la chaudronnerie, le composite, l’assemblage mécanique…

Des acteurs de référence tels que Daher, Le Piston Français, LISI ont fait le choix du Royaume. Ces
implantations sont la parfaite illustration de l’émergence d’un secteur qui ne fait que gagner en performance
et en compétitivité.

Le secteur compte actuellement plus de 142 entreprises. Celles-ci ont créés près de 11311 emplois directs et
ont réalisé, 15.6 milliards de dirhams de chiffre d'affaires en 2019.

Dans ce contexte, ce chapitre va donner un aperçu sur le groupe DAHER, sa présentation, sa position sur le
marché ainsi que la présentation du groupe au Maroc.

Nous allons par la suite passer à la présentation du cahier des charges du projet réalisé au sein de la société
Daher, ses objectifs, ses contraintes, le planning adopté ainsi qu’une analyse des risques du projet.

II. Présentation de l’organisme d’accueil :

Figure 1: DAHER AEROSPACE MAROC - SITE 1

17
 1. Présentation du groupe DAHER :

Daher est un équipementier qui fabrique des Systèmes Industriels Intégrés pour l’aéronautique et les
technologies avancées. Il a été créé en 1863 à Marseille, c’est une société anonyme qui est détenue à 80 % par
la famille Daher, 17,5% par produit interne de la France et 2,5% par AEROFUND.

Daher est présente sur 8 secteurs : Aéronautique, Défense, Nucléaire, Oïl & Gaz, énergie, ferroviaire,
équipements télécom et automobile. L'entreprise emploie plus de 8 500 salariés dans ses douze pays
d’implantation en Amérique du nord, Allemagne, Chine, Royaume-Uni et Maroc. Elle a réalisé en 2017 plus
d'un milliard d'euros de chiffre d'affaires (+1200 M €).

Figure 2: DAHER dans le monde

Le site de de Tanger fait partie de la division Aéronautique & Systèmes et spécialisé en fabrication des sous-
ensembles composite pour plusieurs avionneurs.

 Création : 1863
 Fondateur : Paul Daher
 Siège social : Marseille (France)
 Activité : Aéronautique & Systèmes, Nucléaire & Energie, Bien d’Equipement

2. DAHER AEROSPACE MAROC :

 Création : 2001

 Démarrage d’activité : 2002

 Directeur : M. EL BOUDLALI Mohamed

 Effectif : +500

18
  Activité : - Fabrication des sous-ensembles composites
- Conduits et mélangeurs composites
- Panneaux de carénage composites

 Certifications : EASA Part 21 - EN 9100 - OHSAS 18000 - ISO 14001

Figure 3: Organigramme DAHER

3. Processus de fabrication :
Les pièces livrées aux clients sont fabriquées suivant le processus décrit sur la figure 4.

Figure 4: Processus de fabrication

19
Découpe tissu montage cuisson : une découpe de l’ensemble des tissus sec se fait manuellement selon la
fiche d’instruction.

Découpe tissu Lectra : la découpe du tissu pré-imprégné se fait à l’aide d’une machine Lectra, qui consiste
en la technique du placement dynamique assurant la découpe des tissus de différentes références en même
temps.

Drapage : le procédé de drapage est basé sur la mise en œuvre de tissus de fibres composites imprégnés au
préalable d'une résine. L'utilisation des tissus pré-imprégnés permet de réaliser :

 Des structures sandwich consistant à disposer une âme constituée d’un matériau légerentre
deux feuilles ou peaux formant un ensemble léger, solide et rigide : Le NIDA.
 Des structures monolithiques sont des pièces fabriquées sans NIDA.

Figure 5: Tissu NIDA coupé

Cuisson : Les pièces déjà drapées sont cuites dans un four hermétique appelé Autoclave. C’est un traitement
basé sur la température et la pression assurant la polymérisation de la résine par rapport à la chaleur afin
d’éliminer la porosité entre les couches.

Figure 6: Autoclave

20
Démoulage : le démoulage consiste à retirer la pièce cuite de son moule, le moule devra ensuite être nettoyé
et reconditionné pour pouvoir être de nouveau réutilisé.

Contrôle primaire : le rôle de cette étape est d’examiner l’état primaire de la pièce en vérifiant les mesures
des différentes côtes.

Détourage et usinage : des opérations d’usinage sont réalisées au niveau de cette étape à l’aide d’une machine
à commande numérique afin d’enlever l’excès de matière et réaliser des perçages de différents diamètres.

Contrôle Tridimensionnel : ce contrôle se fait pour vérifier la validité et le respect dimensionnel des côtes
de la pièce.

Peinture primaire : la peinture aéronautique primaire consiste à corriger les défauts et appliquer la peinture
dite primaire sur l'ensemble des pièces fabriquées.

Assemblage et finition : cette étape consiste à ajouter des accessoires aux pièces peintes.

Peinture finale : après l’ajout des accessoires, une peinture finale est appliquée sur les pièces avec leurs
composants assemblés.

Contrôle final : le rôle de ce contrôle est de vérifier le respect des exigences client avant de lui expédier le
produit fini

4. Les projets de DAHER MAROC :

DAHER est un pôle leader dans le secteur aéronautique, de ce fait, elle a plusieurs clients internationaux très
renommés dont AIRBUS et BOMBARDIER.

Figure 7: Clients de DAHER

21
  AIRBUS :
Le client N°1 pour l’entreprise et qui constitue un grand pourcentage du chiffre d’affaire d’entreprise. DAHER
est impliquée surtout dans les programmes de famille A 310, A 318, 319, 320, 321, A 330,A 340, A380, A400M
(militaire) (Figure 8).

Figure 8: Pièces composites, Panneaux et tuyauteries pour la distribution d’air

 LIEBHERR :
Il s’agit des familles ARJ 21, CL300 (Figure 9).

Figure 9:: Composants produits pour les familles ARJ 21, CL30

22
 III. Cahier de charge :

1. Contexte général :

Ce projet s’inscrit dans le cadre du projet de fin d’études, programmé dans le cursus
de formation d’ingénieur d’état en génie des systèmes électroniques et automatiques à l’école nationale des
sciences appliquées de Tanger.
L’objectif principal derrière ce travail est de s’intégrer dans le monde professionnel en veillant
à la réalisation d’un projet dans une entreprise industrielle, afin de développer les atouts acquis
lors de la formation pédagogique et obtenir un diplôme d’ingénieur d’état.

2. Expression du besoin :

Dans le cadre de la maintenance préventive des machines stratégiques de DAHER TANGER, notre projet
vient pour mettre en place un système de diagnostic des moto-ventilateurs des autoclaves.

Le diagramme bête à corne représenté dans la figure 10 exprime le besoin du projet.

DAHER TANGER Les moteurs

Département des autoclaves
Maintenance
Sur quoi agit-
il ?

A qui rend-il service ?

Système de Diagnostic
non-supervisé des Le produit
moteurs

Minimiser le temps d'arrêt des autoclaves et Dans quel

améliorer la MTBF. but ?

Figure 10: Diagramme d'expression du besoin du projet

23
 3. Objectifs du projet :

L’objectif global de ce projet est de diminuer le temps d’arrêt des autoclaves et améliorer la MTBF des
machines. Notre système a pour but de minimiser le risque de pannes imprévues des moto-ventilateurs qui
jouent un rôle primordial dans le fonctionnement des autoclaves.

4. Acteurs du projet :
 Maître d’ouvrage :

Le maître d’ouvrage est la société DAHER AEROSPACE Tanger. Le projet est proposé par le département
maintenance.

 Maître d’œuvre :

Le maître d’œuvre de ce projet est l’Ecole Nationale des Sciences Appliquées de Tanger ENSAT, représentée
par El Berdaye Nada et Giri Ahmed, élèves ingénieurs en 3ème année cycle d’Ingénieur en Génie des systèmes
électroniques et automatiques.

5. L’équipe du projet :

M. EL BOUISFI Radouane
Manager de la maintenance
Mm v

EL BERDAYE Nada GIRI Ahmed ETTADLI Mohamed FARAH Abdelouahab

Stagiaire Stagiaire Chef d’équipe Agent maintenance

Figure 11: Equipe du travail

24
IV. Gestion du projet :

1. Présentation du projet :

Le tableau QQOQCP présenté ci-dessous permet de répondre aux questions : Qui ? Quoi ? Où ? Quand ?
Comment ? Et Pourquoi ?

Qui ? EL BERDAYE Nada et GIRI Ahmed : élèves ingénieurs à l’ENSAT

Quoi ? Projet de fin d’études intitulé : « DIAGNOSTIC NON-SUPERVISÉ DES MOTO-

VENTILATEURS DES AUTOCLAVES »

Où ? Département maintenance à DAHER Aerospace Tanger, site 2

Quand ? Du 22 Février 2022 au 1er Juillet 2022

Comment ? En utilisant la démarche DMAIC

Pourquoi ? Améliorer la MTBF des autoclaves

Tableau 1: QQOQCP

2. Analyse des risques du projet :

Pour qu’on puisse prévenir les contraintes liées à la préparation du projet, une analyse de risque AMDEC
(Analyse des Modes de Défaillance, de leurs Effets et leurs Criticités) a été réalisée, c’est une technique très
efficace de la sûreté de fonctionnement des systèmes.

Pour mettre en place cette méthode, il faut respecter ses normes et ses règles. D’abord, on commence par
l’évaluation de l’importance en donnant une note d’actions curatives et préventives pour chaque critère. On
détermine les valeurs de la Fréquence, Détectabilité et la Gravité. Puis on passe au calcul de Criticité suivant
l’équation :

C=FxDxG (1)

25
Fréquence : La probabilité qu’une cause particulière durant l’emploi.

Gravité : C’est une situation qui détermine l’importance des conséquences de l’événement pouvant porter
atteinte à l’homme, à l’environnement et aux biens.

Détectabilité : Facilité donnée de constater un défaut.

Le calcul de la gravité, la fréquence, la détection et de la criticité se fait selon l’échelle de cotation suivant :

Not Fréquence Gravité Détectabilité

e

1 Improbable Négligeable Fortement

détectable

2 Peu probable Mineur Détectable

3 Probable Majeur Peu détectable

4 Fortement Catastrophique Non détectable

probable

Tableau 2: Cotation de gravité, fréquence et détection

Criticité

Risque important 15<C

Risque moyen 10<C<15

Risque faible 5<C<10

Risque mineur C<5

Tableau 3: Cotation de criticité

26
 Risque Cause Effet G E D C Actions préventives
Non-respect Absence d’une Retard, Planifier le
du délai prévu surcharge 3 2 2 12
de la planification et dépassement déroulement du
réalisation du du délai fixé projet en utilisant le
projet
diagramme de
GANTT

Absentéisme Accident Retard au 4 2 1 8 Planifier les heures

Maladie niveau des supplémentaires
délais
Utiliser des
Difficulté de Matériel défectueux Données 3 3 1 9 équipements fiables
collection des erronées

données
Stocker les données
Perte des Perte du 4 1 1 4 dans le Cloud et les
documents Dysfonctionnement mettre à jour chaque
temps à
informatique et semaine.
problème technique refaire les
tâches
précédent
es.

Solutions non Manque de La mauvaise 3 3 2 18 Auto-formation

fiables connaissances analyse des
données
techniques

Tableau 4: AMDEC du projet

3. Planning du projet :

Afin de bien planifier le projet et visualiser rapidement l’avancement des différentes étapes à réaliser, nous
avons créé un diagramme de Gantt prévisionnel (figure 12).

27
Pour chaque tâche, une date de début et de fin a été attribuée.

Figure 12: Diagramme de Gantt prévisionnel

V. Conclusion :

Ce chapitre a été dédié pour expliquer le contexte général du projet. Nous avons présenté l’organisme d’accueil
toute en précisant le cahier des charges, ses objectifs, ses contraintes, le planning adopté ainsi qu’une analyse
des risques du projet.
Dans les trois prochains chapitres, une étude détaillée suivant la démarche DMAIC sera menée afin de
répondre aux exigences du cahier des charges présenté.

28
 Chapitre 2

Présentation théorique des méthodes de

travail, étude de l’existant et analyse
fonctionnelle

29
 I. Introduction

Afin de bien mener notre projet et répondre au cahier de charge, nous avons tout d’abord commencé par la
définition des différents outils et méthodes dont nous aurons besoin.

Cette étape est primordiale pour la bonne conduite du projet. Elle définit clairement et d’une manière complète
ce qu’on souhaite réaliser. Elle permet aussi de traduire le besoin d’une façon détaillée et bien structurée.

Dans ce chapitre, nous allons tout d’abord commencer par la présentation de la méthodologie de travail et les
différents outils. Ensuite, nous allons mener une étude de l’existant et finirons par une analyse fonctionnelle.

II. Outils et méthodes

1. La méthode DMAIC :

Nous avons choisi la démarche DMAIC comme méthode de résolution de problèmes. En effet, DMAIC permet
de résoudre les problèmes pour le pilotage des projets. Elle suit une ligne conductrice en 5 étapes (figure 13)
nécessaire à l’obtention de résultats fiables, contractée dans l’acronyme DMAIC :

Figure 13: Méthode DMAIC

 Etape 1 : Définir

Cette première étape de la méthode DMAIC consiste à définir précisément le projet, le processus à améliorer
ou le problème à traiter.

 Etape 2 : Mesurer
Cette étape consiste dans un premier temps à sélectionner les variables qui vont devoir être analysées ainsi
que les outils qui seront mis en œuvre pour recueillir les données.

 Etape 3 : Analyser
Il s'agit de discriminer l'essentiel de l'accessoire, l'important du secondaire, afin de focaliser les efforts sur les
vraies causes des problèmes.

30
  Etape 4 : Innover

Les améliorations à apporter au processus ou au projet vont être mises en place lors de cette étape. Les
solutions retenues doivent être viables économiquement et techniquement et intégrés dans le processus actuel,
les améliorations sont alors mises en place afin d’éradiquer les causes initiales du problème.

 Etape 5 : Contrôler

Cette dernière étape de la méthode DMAIC va permettre la mise en place du contrôle de la solution choisie à
partir d’indicateurs pertinents. Il s’agit de faire en sorte que les actions mises en place soient de façon pérenne
sans qu’aucune dégradation de performances ne soit constatée.

2. Généralités sur la maintenance :

2.1 Définition de la maintenance :
Selon la norme AFNOR X 60, la maintenance est l’ensemble de toutes les actions techniques, administratives
et de management durant le cycle de vie d’un bien, destinées à le maintenir ou à le rétablir dans un état dans
lequel il peut accomplir la fonction requise.

2.2 Les types de la maintenance :

La norme NF-X 60 000 différencie deux grandes familles : la maintenance corrective et
la maintenance préventive comme illustré dans la figure 14 ci-dessous.

Maintenance

Corrective Préventive

Palliative Curative Systématique Conditionnelle Prévisionnelle

Figure 14: Les types de la maintenance

31
  MAINTENANCE CORRECTIVE :

La maintenance corrective correspond à une opération engagée suite à une panne, un sinistre ou un aléa.

Elle a pour objectif de remettre en fonctionnement les machines par un dépannage, une réparation ou le
remplacement de pièces défectueuses.

On distingue deux types de maintenance corrective :

 Maintenance palliative :

La maintenance palliative correspond au dépannage. Elle consiste à remettre provisoirement une machine ou
un outil en état, dans l’attente de sa réparation. La maintenance palliative permet d’éviter l’arrêt totale de
production, on parle alors de reprise de production en mode « dégradé ».

 Maintenance curative :

La maintenance curative répare les causes et conséquences de la panne. Contrairement à la maintenance

palliative, il s’agit d’une action en profondeur qui agit sur le long terme, souvent en remplaçant la pièce
défectueuse par une neuve. L’équipement reprend alors une production normale.

 MAINTENANCE PRÉVENTIVE :

La maintenance préventive est comme son nom l’indique, la prévention par l’entretien régulier d’une machine
ou d’un bien. Elle consiste à faire des contrôles selon des normes établies et/ou conformément aux instructions
du fabricant, mais également en fonction de l’expérience humaine et des historiques d’interventions réalisés
sur le bien.

On distingue plusieurs types de maintenance préventive :

 Maintenance systématique :

La maintenance préventive systématique est effectuée selon un échéancier, en fonction du temps ou du

nombre d’unités d’usage, mais sans contrôle préalable du bien.

La fréquence des interventions est établie à compter de la mise en fonctionnement du bien ou à la suite d’une
révision partielle ou complète de celui-ci.

32
  Maintenance conditionnelle :

La maintenance préventive conditionnelle est basée sur une surveillance du bien en fonction d’un type
d’évènement prédéfini (auto-diagnostique, information de capteurs…). Elle fait intervenir des informations
recueillies en temps réel, au moyen de techniques comme la tribologie ou la thermographie par infra-rouge,
avec l’objectif d’intervenir au moment où le bien a franchi le seuil d’usure ou de dégradation fixé
préalablement. Il s’agit d’effectuer la bonne opération au bon moment, pour une meilleure maîtrise des coûts.

 Maintenance prévisionnelle :
La maintenance prévisionnelle consiste à anticiper les besoins de la maintenance en permettant de prévenir
les pannes ou les défaillances. C’est la maintenance 4.0, avec une surveillance en continu des évolutions de
certains paramètres, des seuils, des différentes data (GMAO, etc…), permettant de déclencher la bonne
intervention en fonction de l’ensemble des paramètres.

2.3 La maintenance 4.0 :

L'industrie 4.0 « Smart Production » cherche à rendre l'usine connectée et intelligente grâce à des capteurs
installés sur les machines, des logiciels de supervision (GMAO). Les industriels investissent fortement dans
leurs machines de production ainsi que les systèmes intelligents de surveillance dans l’optique de :

 Déceler des signes annonciateurs de défaillance à une phase précoce

 Anticiper les arrêts de production.
 Réduire les temps d’immobilisation des machines d’une usine.

Les piliers de la maintenance 4.0 :

 Une collecte automatique sur les équipements (via les automatismes et des systèmes communicants).
 Une diffusion automatique des informations via un réseau qui permet d’interconnecter les systèmes
communicants.
 Une mise à disposition des données entre les systèmes à travers des protocoles et des technologies
d’échange de données standardisés.

3. L’apprentissage de la machine :

3. 1 Définition du Machine Learning

L’apprentissage automatique ou le Machine Learning est une catégorie d’algorithme qui permet aux
applications logicielles de prédire plus précisément les résultats sans être explicitement programmées.

33
Le principe de base de l’apprentissage automatique est de créer des algorithmes capables de recevoir des
données d’entrée et d’utiliser une analyse statistique pour prédire une sortie tout en les mettant à jour à mesure
que de nouvelles données deviennent disponibles.

Le processus d’apprentissage commence par des observations ou des données, telles que des exemples, d’une
expérience directe ou des instructions, afin de rechercher des modèles dans les données et de prendre de
meilleures décisions dans le futur, sur la base des exemples fournis. L’objectif principal est de permettre aux
ordinateurs d’apprendre automatiquement sans intervention humaine ni assistance et d’ajuster les actions en
conséquence.

La figure 15 ci-dessous illustre les différents types de l’apprentissage.

Clustering MACHINE Classification

LEARNING

Apprentissage
Apprentissage
supervisé
non supervisé

Apprentissage
par
renforcement Régression
Association

Figure 15: Les types de l'apprentissage automatique

3. 2 Apprentissage supervisé :
L’apprentissage supervisé utilise des variables d’entrée (x) et une variable de sortie (Y). Il exploite des
algorithmes pour apprendre la fonction de mapping de l’entrée à la sortie.
Y = f (X) (2)
Le but est d’appréhender si bien la fonction de mapping que, lorsqu’il y a de nouvelles données d’entrée (x),
on peut prédire les variables de sortie (Y) pour ces données.
34
C’est ce qu’on appelle l’apprentissage supervisé, car le processus d’un algorithme tiré de l’ensemble de
données de formation (training set) peut être considéré comme un enseignant supervisant le processus
d’apprentissage.
L’apprentissage supervisé est généralement effectué dans le contexte de la classification et de la régression.

Figure 16 : Exemple de l’apprentissage supervisé

 La classification :
Un problème de classification survient lorsque la variable de sortie est une catégorie, telle que
«Machine saine», «Machine défectueuse » ou «maladie» et «pas de maladie».

 Régression :

Un problème de régression se pose lorsque la variable de sortie est une valeur réelle, telle que
«dollars» ou «poids».

Voici quelques exemples populaires d’algorithmes d’apprentissage automatique supervisé :

 Arbres de décision
 K Nearest Neighbors
 SVC linéaire (classificateur de vecteur de support)
 Régression logistique
 Les réseaux de neurones
 Régression linéaire
 Régression vectorielle de support (SVR)
 Arbres de régression

35
 3.3 Apprentissage non supervisé :
L’apprentissage non supervisé (Unsupervised Learning) consiste à ne disposer que de données d’entrée (X) et
pas de variables de sortie correspondantes.
L’objectif de l’apprentissage non supervisé est de modéliser la structure ou la distribution sous-jacente dans
les données afin d’en apprendre davantage sur les données.

On l’appelle apprentissage non supervisé car, contrairement à l’apprentissage supervisé ci-dessus, il n’y a pas
de réponse correcte ni d’enseignant. Les algorithmes sont laissés à leurs propres mécanismes pour découvrir
et présenter la structure intéressante des données.
L’apprentissage non supervisé comprend deux catégories d’algorithmes : Algorithmes de Clustering et
d’association.

 Regroupement ou Clustering :
La mise en cluster consiste à séparer ou à diviser un ensemble de données en un certain nombre de groupes,
de sorte que les ensembles de données appartenant aux mêmes groupes se ressemblent davantage que ceux
d’autres groupes. En termes simples, l’objectif est de séparer les groupes ayant des traits similaires et de les
assigner en grappes.

Figure 17: Exemple de l’apprentissage non-supervisé

3.4 Apprentissage par renforcement :

L’apprentissage automatique a comme objectif de créer des programmes intelligents, au travers de processus
d’apprentissage et d’évolution.

L’apprentissage par renforcement consiste à apprendre par interaction avec l’environnement et, en observant
le résultat de certaines actions. Il permet à des machines de déterminer automatiquement le comportement
idéal dans un contexte spécifique, afin de maximiser ses performances. Pour cela, un simple retour des résultats
est nécessaire pour apprendre comment les machines doivent agir. Ceci est appelé le signal de renforcement.

Cela imite la manière fondamentale dont les humains et les animaux apprennent. En tant qu'êtres humains,
nous pouvons effectuer des actions et observer leurs résultats sur notre environnement.
36
 III. Etude de l’existant :

1. Autoclave :

Les autoclaves sont devenus des outils / équipements indispensables au traitement de composants structurels
aérospatiaux / aéronautiques en composite polymère de haute qualité. Aujourd'hui, dans l'industrie
aéronautique, les investissements dans ces équipements sont considérés comme stratégiquement importants.

Figure 18: Autoclave

L'appareil sous pression « Autoclave » comporte une enveloppe extérieure résistante à la pression et les
équipements suivants à l’intérieur :

 Système de chauffage
 Système de refroidissement
 Système de circulation d'air
 Dispositif de transport

Le système de chauffage électrique est nécessaire pour la phase de mise en température, le système de
refroidissement et le ventilateur se trouvent dans le fond arrière de l'appareil sous pression.

Pendant tout le procès, l'air est distribué régulièrement par les gaines de circulation d'air et le ventilateur pour
garantir l'homogénéité de la température à l'intérieur de l'appareil.

L’appareil sous pression est équipé d’un calorifuge, qui empêche des pertes de chaleur importantes pendant
les phases de chauffage.

La charge à traiter est entrée à l'intérieur de l'appareil sous pression par le dispositif de transport.

37
 1.1 Système de chauffage électrique :
Le système de chauffage de l'appareil sous pression est composé de résistances électriques. Celles-ci sont
installées en forme d'anneau dans le fond arrière de l'autoclave.

Les résistances électriques sont interconnectées en différents groupes de chauffage qui sont activés
séparément par la régulation intégrée pour chauffer l'ambiance à l'intérieur de l'appareil sous pression.

1.2 Système de refroidissement

Le système de refroidissement se trouve dans le fond, à l'arrière de l'autoclave devant le ventilateur. Pendant
la phase de refroidissement, une quantité réglée d'eau de refroidissement passe à travers le système pour
refroidir l'air qui y circule.

Coté service de l'autoclave, le système de refroidissement est protégé par un filtre à mailles
contre des dommages mécaniques.

1.3 Dispositifs de refroidissement

Le système de circulation se compose d’un ventilateur centrifuge et de conduits. Le ventilateur aspire l'air de
l'enceinte de l'autoclave qui passe alors à travers le système de refroidissement. Le ventilateur pousse ensuite
l'air à travers le système de chauffage dans les gaines de ventilation. En passant par les gaines de ventilation,
l'air arrive à la porte où il est dévié pour passer dans l'enceinte de l'appareil, repasse par le système de
refroidissement et arrive de nouveau au ventilateur ?

Figure 19: Schéma de la circulation d'air et du système de chauffage

38
 1.4 Ventilateur Type MG

Le ventilateur se trouve dans le fond de l'autoclave et assure en faisant circuler l'air une distribution régulière
de la température à l'intérieur de l'autoclave.

Le ventilateur est composé de :

 Hélice
 Capot résistant à la pression
 Moteur électrique asynchrone
Figure 20: Ventilateur type MG

2. Moteur asynchrone

La machine asynchrone, dite aussi machine à induction,

est une machine électrique à courant
Figure 21: Moteur asynchrone
alternatif sans connexion entre le stator et le rotor.
C’est un convertisseur électromécanique [1] basé sur l'électromagnétisme permettant la conversion d'énergie
électrique par exemple en travail ou énergie mécanique.

2.1 Le stator (partie fixe) :

Le stator comporte une carcasse en acier renfermant un empilage de tôles d’acier qui constitue un cylindre
vide. Ces tôles sont percées de trous à leur périphérie intérieure et généralement sont isolées entre elles par
une couche de vernis afin de limiter la circulation des courants de Foucault. L’alignement de ces trous forme
des encoches dans lesquelles loge un bobinage triphasé. Les enroulements statoriques logés dans les encoches
peuvent être insérés de manière imbriqués, ondulés ou encore concentriques. L'isolation entre ces
enroulements et les tôles d'acier s'effectue à l'aide de matériaux isolants qui peuvent être de différents types
suivant l'utilisation de la machine asynchrone.

Figure 22: vue schématique du stator

39
 2.2 Le rotor (partie tournante) :
Le circuit magnétique du rotor est constitué d’un assemblage de tôles ferromagnétiques rainurées. Dans les
petits moteurs, les tôles sont découpées dans une seule pièce et assemblées sur un arbre. Dans les plus gros
moteurs, chaque lamination est constituée de plusieurs sections montées sur un noyau. On trouve deux types
de rotor : bobiné ou à cage d’écureuil.

 Rotor bobiné :

Les enroulements rotoriques sont localisés dans les encoches situées à la périphérie du rotor. Ces enroulements
sont bobinés de manière à obtenir un enroulement triphasé à « p » paires de pôle. Les bobinages rotoriques
sont toujours couplés en étoile, et les trois bornes accessibles sont reliées à la carcasse du stator à l’aide d’un
système constitué de trois bagues tournantes et de trois balais fixes.

 Rotor à cage :
La grande majorité des moteurs sont à cages. Dans chaque encoche rotorique est placée une barre. Ces barres
sont en cuivre pour les moteurs de forte puissance, et en alliage d’aluminium pour les machines de faible et
moyenne puissance. Elles sont réunies à chaque extrémité du rotor par des anneaux réalisant le court-circuit.
L’enroulement rotorique ainsi réalisé n’est pas accessible à partir du stator.

Figure 23 : Construction du rotor à cage d'écureuil

2.3 Les organes mécaniques :

 Cratère ou support :

Elle joue le rôle d’enveloppe et assure la protection contre l’environnement extérieur.

40
  L’arbre de transmission :

Il comprend une partie centrale qui sert de support du corps du rotor et un bout d’arbre qui porte une clavette
pour transmission de puissance vers une machine réceptrice.

 Flasques paliers :

Les deux flasques avant et arrière sont solidaires au support de la machine à induction et servent comme palier
des deux roulements à billes.

 Roulements à billes :

L’arbre de transmission de puissance porte rotor est guidé en rotation par deux roulements à billes montées
ajustés sur les deux flasques paliers. Les roulements ont comme objectif principal la diminution des
frottements entre l’arbre moteur et les flasques paliers.

 Ventilateur de refroidissement :

Le ventilateur a comme objectif le refroidissement de la machine. Il permet d'acheminer un flux d'air pour
éviter la surchauffe des composants de la machine.

La Figure 24 illustre les principaux composants d'une machine asynchrone.

Figure 24: Les composants de la machine asynchrone

41
 3. Les défaillances du moteur asynchrone :

Bien que la machine asynchrone à cage d'écureuil soit réputée robuste, elle peut parfois
présenter différents types de défauts [2]. Ces défauts peuvent être soit d'origine électrique, soit
d'origine mécanique. Un problème minime à l'étape de fabrication peut être à l'origine d'un
défaut tout comme une utilisation non conforme de la machine. Certaines fois, nous pouvons
aussi incriminer le milieu dans lequel la machine est utilisée (milieux corrosifs et/ou
chimiques hostiles).

3.1 Etude statistique des défaillances de la machine asynchrone :

Des multiples études statistiques sur des machines ont été effectuées depuis les années 80 jusqu'à présent.
Deux ont été signalées par l’EPRI et l’IEEE-IAS dans, Le résultat donné à la figure 25 couvre environ 5000
machines électriques, dont 97% étaient des moteurs asynchrones.
(A) (B)

14%
22%
Stator 26% Stator
9% 36%
Roulements
Roulements
8%
Rotor Rotor

Autres Autres
41%
44%

Figure 25: Distribution des défauts courants des moteurs électriques selon la (A) les résultats de l'enquête EPRI (B) les résultats de l'enquête
IEEE-IAS

Les résultats des enquêtes indiquent que plus de 40% de pannes se situent sur les roulements. L’EPRI et la
recherche d’IEEE-IAS indiqué aussi que la répartition du pourcentage des défauts au stator est entre 36% et
26% et celle au rotor est environ 9%.

3.2 Défaillances d’ordre mécanique :

Les défaillances d'ordre mécaniques sont, en général, les plus rencontrées parmi tous les
défauts que compte la machine asynchrone. Ces défauts peuvent apparaître au niveau des
roulements à billes, des flasques ou encore de l'arbre moteur.

42
Nous énumérons, dans la suite
du document certains de ces défauts sans pour autant en donner les détails.
Nous pouvons trouver dans la littérature des ouvrages très complets qui traitent de ces
divers problèmes.

 Défaillances des roulements :

Les roulements à billes jouent un rôle très important dans le fonctionnement de tout type
de machines électriques. Les défauts de roulements peuvent être causés par un mauvais
choix de matériau à l'étape de fabrication. Les problèmes de rotation au sein de la culasse du
roulement, causés par un roulement abîmé, écaillé ou assuré, peuvent créer des
perturbations au sein de la machine. Nous savons que des courants électriques circulent au
niveau des roulements d'une machine asynchrone ce qui, pour des vitesses importantes, peut
provoquer la détérioration de ces derniers. La graisse, qui permet la lubrification et la bonne
rotation des roulements peut, dans certaines applications, se rigidifier et causer une
résistance à la rotation. L'analyse vibratoire de la machine ou l'analyse harmonique des
courants statoriques permet de détecter ce type de défaillances.

 Défaillances du flasque :

Les défauts créés par les flasques de la machine asynchrone sont le plus généralement
causés à l'étape de fabrication. En effet, un mauvais positionnement des flasques provoque
un désalignement des roulements à billes, ce qui induit une excentricité au niveau de l'arbre
de la machine. Il est possible de détecter ce type de défaillance par une analyse vibratoire ou
une analyse harmonique des courants absorbés par la machine.

 Défaillances de l’arbre :

L'arbre de la machine peut laisser paraître une usure due à l'utilisation d'un mauvais
matériau lors de sa construction. A court ou long terme, cette usure peut mener à une
fracture nette de l'arbre provoquant ainsi un arrêt irrémédiable de la machine asynchrone.
Les milieux corrosifs peuvent aussi affaiblir la robustesse de l'arbre de la machine. Par
exemple, l'humidité peut provoquer des microfissures et conduire à une destruction
complète de la machine. Une excentricité statique, dynamique ou mixte peut induire des efforts considérables
sur l'arbre moteur, amenant ainsi une fatigue supplémentaire.

43
 Une analyse vibratoire, une analyse par ultrason, une analyse fréquentielle des courants absorbés
ou simplement une analyse visuelle de l'arbre de la machine permet de détecter ce type de
défaillance.

3.3 Défaillances d’ordre électrique :

Les défaillances d'origine électrique peuvent, dans certain cas, être la cause d'un arrêt de la
machine (au même titre que les défaillances d'ordre mécanique). Ces défaillances se
séparent en deux catégories bien distinctes. Nous pouvons citer les défaillances qui
apparaissent au niveau des circuits électriques statoriques et celles qui apparaissent au
niveau des circuits électriques rotoriques.

 Défaillances au stator :

Pour le stator, les défaillances sont principalement dues aux problèmes illustrés dans la figure 26.

Causes des défauts

statoriques

Thermique Mécanique Environnemental

Electrique
(Surcharge) (Bobinage) (Agression)

Figure 26: Causes des défauts statoriques

Les défauts qui sont les plus récurrents, localisés au niveau du stator, peuvent être définis
comme suit :

Les défauts
statoriques

Défaut Court – Court – Court – Défaut de

d’isolant circuit entre circuit entre circuit circuit
spires phases phase/bâti magnétique

Figure 27: Les défauts statoriques

44
  Défauts d’isolant dans un enroulement :

La dégradation des isolants dans les enroulements peut provoquer des courts-circuits. En
effet, les différentes pertes (Joule, fer, mécanique,…) engendrent des phénomènes
thermiques se traduisant par une augmentation de la température des différents
constituants du moteur. Or les matériaux d’isolation ont une limite de température, de
tension et mécanique.

 Court-circuit entre spires :

Un court-circuit entre spires de la même phase est un défaut assez fréquent. Cette
défaillance a pour origine un ou plusieurs défauts d’isolant dans l’enroulement concerné.

Il entraîne une augmentation des courants statoriques dans la phase affectée, une légère
variation de l’amplitude sur les autres phases, modifie le facteur de puissance et amplifie les
courants dans le circuit rotorique. Ceci a pour conséquence une augmentation de la
température au niveau du bobinage et, de ce fait, une dégradation accélérée des isolants
pouvant provoquer ainsi, un défaut en chaîne (apparition d’un 2ème court-circuit). Par
contre, le couple électromagnétique moyen délivré par la machine reste sensiblement
identique hormis une augmentation des oscillations proportionnelle au défaut.

 Court-circuit entre phases :

Ce type de défaillance peut arriver en tout point du bobinage, cependant les répercussions
ne seront pas les mêmes selon la localisation. Cette caractéristique rend difficile une analyse
de l’incidence de ce défaut sur le système.
L’apparition d’un court-circuit proche de l’alimentation entre phases, induirait des courants
très élevés qui conduiraient à la fusion des conducteurs d’alimentation et/ou à la disjonction
par les protections.

 Court-circuit phase / bâti :

Le bâti a généralement un potentiel flottant, mais pour des raisons de liaisons mécaniques,
il est souvent relié à la masse. Si le potentiel est flottant, un court-circuit entre l’enroulement
et le bâti n’a pas d’importance du point de vue matériel, excepté les effets capacitifs, le bâti
prend alors le potentiel de l’enroulement à l’endroit du court-circuit. Par contre, au niveau de
la sécurité des personnes, ce type de défaut peut être très dangereux et il est alors nécessaire
de mettre en place des dispositifs de protection (disjoncteurs différentiels). En présence de ce type de
défaillance, la tension de la phase concernée ne change pas. Cependant le courant
circulant dans cette phase augmente avec la réduction de la résistance et de l’inductance.
45
 Cette augmentation du courant se traduit par une augmentation de la température pouvant
entraîner des défauts d’isolant dans l’enroulement. Une mesure du
courant de fuite pourrait permettre de détecter ce type de défaut.

 Défauts de circuit magnétique :

Ces défauts aboutissent dans la plupart des cas à une dissymétrie au niveau du
fonctionnement de la machine, qui à son tour peut accentuer le problème par des
phénomènes de surchauffe, de surtension, d’élévation importante du courant, etc.

 Défaillances au rotor :

Pour le rotor, les défaillances sont essentiellement dues à un des problèmes suivants :

Causes des défauts

rotoriques

Défaut Court – Court – Court – Déséquilibre Défaut de

d’isolant circuit entre circuit entre circuit d’alimentation circuit
spires phases phase/bâti magnétique

Figure 28: Causes des défauts rotoriques

Les défauts qui sont les plus récurrents, localisés au niveau du rotor, peuvent être définis
comme suit :

Les défauts
rotoriques

Ruptures de Excentricité Ruptures

barres statique et d’anneaux
dynamique
Figure 29: Les défauts rotoriques

 Ruptures de barres :
La cassure ou rupture de barre [3] est un des défauts les plus fréquents au rotor. Elle peut se
situer soit au niveau de son encoche soit à l’extrémité qui la relie à l’anneau rotorique.

46
La détérioration des barres réduit la valeur moyenne du couple électromagnétique et augmente
l’amplitude des oscillations, qui elles-mêmes provoquent des oscillations de la vitesse de
rotation, ce qui engendre des vibrations mécaniques et donc, un fonctionnement anormal de
la machine. La grande amplitude de ces oscillations accélère la détérioration de la machine.
Ainsi, le couple diminue sensiblement avec le nombre de barres cassées induisant un effet
cumulatif de la défaillance. L’effet d’une cassure de barre croît rapidement avec le nombre de
barres cassées.

 Ruptures d’anneaux :

La rupture de portion d’anneau est un défaut qui apparaît aussi fréquemment que la cassure
de barres. Ces ruptures sont dues soit à des bulles de coulées ou aux dilatations
différentielles entre les barres et les anneaux.
Comme il est difficile de le détecter, ce défaut est généralement groupé, voir confondu, avec
la rupture de barres dans les études statistiques. Ces portions d’anneaux de court-circuit
véhiculent des courants plus importants que ceux des barres rotoriques. De ce fait, un
mauvais dimensionnement des anneaux, une détérioration des conditions de
fonctionnement (température, humidité,…) ou une surcharge de couple et donc de courants,
peuvent entraîner leur cassure. La rupture d’une portion d’anneau déséquilibre la
répartition des courants dans les barres rotoriques et de ce fait, engendre un effet de
modulation d’amplitude sur les courants statoriques similaire à celui provoqué par la
cassure de barres.

 Excentricité statique et dynamique :

Parfois, la machine électrique peut être soumise à un décentrement du rotor, se traduisant

par des oscillations de couple (décalage entre le centre de rotation de l’arbre et le centre du
rotor).

Ce phénomène est appelé excentricité (statique et dynamique) dont l’origine peut

être liée à un positionnement incorrect des paliers lors de l’assemblage, à un défaut
roulement (usure), à un défaut de charge, ou à un défaut de fabrication (usinage). Trois cas
d'excentricité sont généralement distingués :

-L’excentricité statique, le rotor est déplacé du centre de l'alésage stator mais tourne
toujours autour de son axe

47
- L'excentricité dynamique, le rotor est positionné au centre de l'alésage mais ne tourne plus
autour de son axe.
- L'excentricité qu'on pourrait qualifier de ‘mixte’, associant les deux cas précédemment cités.
Ce défaut modifie le comportement magnétique ainsi que mécanique de la machine. En effet,
l’augmentation de l’excentricité dans l’entrefer induit une augmentation des
forces électromagnétiques qui agissent directement sur le noyau statorique ainsi que
l’enroulement correspondant, ce qui engendre une dégradation de son isolation. D’autre
part, cette augmentation peut avoir comme conséquence des frottements entre le stator et le
rotor en raison des forces d’attraction magnétique qui déséquilibrent le système. Ceci donne
naissance à des niveaux de vibration considérables dans les enroulements.

IV. Analyse fonctionnelle

1. Mise en situation :

Le système de circulation d’air joue un rôle très important dans le brassage d’air au fond de l’autoclave, que
ça soit en phase de refroidissement ou en phase de chauffage. Cela assure une distribution isotrope et
homogène de la température sur tout le volume interne de l’autoclave. Le noyau dans cette opération est le
moteur du ventilateur.

Tout arrêt de l’autoclave causera un arrêt immédiat de la chaine de production.

L’arrêt causé par la défaillance du moto-ventilateur peut durer plus que 12 semaines, le temps
d’approvisionnement d’un nouveau moteur, et l'entreprise n'a aucun indicateur sur l’état de santé de ce dernier.
Cela va engendrer des énormes pertes financières au niveau de l’entreprise

2. Solution proposée :

Notre projet s’inscrit dans le cadre de la maintenance préventive des moto-ventilateurs des deux autoclaves.
Il s’agit de développer un système de diagnostic et de surveillance des défauts du moteur asynchrone en se
basant sur l’apprentissage non supervisé de la machine.

48
 3. Approche fonctionnelle :

3.1 Analyse fonctionnelle externe :

 Diagramme des exigences :
Le diagramme des exigences modélise les exigences devant être vérifiées par le système en liant les solutions
mises en œuvre sur le système avec les besoins définis dans le cahier des charges. Il traduit, par des
fonctionnalités ou des contraintes (conditions de performance, de fiabilité, de sécurité ...), ce qui doit être
satisfait par le système.

La figure 30 illustre le diagramme des exigences de notre système de diagnostic.

Figure 30: Diagramme des exigences du système

 Méthode PIEUVRE :
 Méthode PIEUVRE :
Cet outil, issu de la méthode APTE (Application des Techniques d'Entreprises), identifie les fonctions d’un
produit, recherche les fonctions attendues et leurs relations avec le milieu extérieur. Il met en évidence la
relation entre le système et son environnement, par l’intermédiaire des fonctions de service : principales et
contraintes.

49
Ces différentes relations sont appelées les fonctions de service qui conduisent à la satisfaction du besoin. Le
Tableau 5 et la Figure 31 présentent les différentes fonctions principales (FP), fonctions contraintes (FC) de
notre système et le diagramme PIEUVRE :

Les moteurs Département

des autoclaves Maintenance

FP1
FC1
FP2
Qualité
FC2

Système de Diagnostic
FC4
Production FC3

Economie

Figure 31: Diagramme PIEUVRE

FP1 Surveillance de l'état du moteur à induction

FP2 Diagnostic des défauts et leurs origines

FC1 Définition des périodes des interventions

FC2 Assurer la qualité des structures composites
FC3 Economiser les coûts
FC4 Réduction des pertes de production

Tableau 5: Fontions principales et fonctions contraintes

3.2 Analyse fonctionnelle interne :

 Méthode FAST :
Afin d’hiérarchiser les solutions techniques de ce système, on a réalisé le diagramme F.A.S.T qui propose
une structure arborescente horizontale et qui se ramifie de la gauche vers la droite, de la fonction initiale
jusqu’aux solutions techniques de réalisation (figure 32)

50
 Transformateur TC ERM70-E4
de courant

Acquisition
du courant
statorique
Unité Module NI
d’acquisition en 9246
temps réel

Analyse LabVIEW
temporelle software

Système de Traitement
diagnostic des signaux

Analyse LabVIEW
FFT
fréquentielle software

Prétraitement
des indicateurs

Détection des Machine

défauts Learning

Classification
non-supervisée

Figure 32: La méthode FAST

V. Conclusion

Au cours de ce chapitre, nous avons présenté les différents outils et méthodes dont nous aurons besoin afin de
réussir notre projet. Nous avons par la suite mené une étude détaillée de l’existant pour bien comprendre la
nature des problèmes à résoudre et trouver les solutions les plus adéquates. Ensuite nous avons présenté une
analyse fonctionnelle pour décrire et identifier les différentes fonctions et solutions technologiques.

Dans le chapitre suivant, nous allons passer à la partie de l’acquisition du courant statorique.
51
 Chapitre 3

Acquisition des données

52
I. Introduction

Ce chapitre représente la deuxième étape de notre démarche DMAIC. Nous allons présenter la phase de
l’acquisition du courant statorique. Pour ce faire, nous allons commencer par définir les méthodes et les outils
utilisés ainsi que l’application d’acquisition développée sur LabVIEW. Nous présenterons par la suite les
différents résultats obtenus.

II. Matériels et méthodes :

1. Méthodes d’analyse :

Il existe plusieurs méthodes de détection des défauts de la machine asynchrone [4], on peut citer :
1.1 Analyse du couple :

Les défauts de la machine asynchrone peuvent amener à des oscillations du couple et un déséquilibre au rotor.
Par conséquent, la surveillance du couple a été proposée pour la détection des défauts.
Toutefois, l’installation des capteurs de couple doit être réalisée sur l’arbre rotor, chose qui rend le système
de surveillance complexe et coûteux.
1.2 Analyse des signaux de la vibration :

L’analyse des vibrations [5] est l’une des techniques les plus populaires pour sa capacité à détecter les défauts
depuis sa création, elle permet de déterminer la partie de la machine qui est défectueuse après la détection
d’une manifestation irrégulière des vibrations relevées lors de la surveillance.
La surveillance vibratoire permet de connaître l’état des machines et son évolution. Ceci peut être déterminé
en choisissant des indicateurs mesurant la détérioration par mesures régulières ou continues. Les valeurs sont
mesurées pendant le fonctionnement de la machine. Les données obtenues peuvent ensuite être analysées pour
donner un préavis de défaillance.
L’analyse des vibrations est normalement appliquée en utilisant des capteurs pour mesurer l’accélération, la
vitesse ou le déplacement.

L’instrumentation associée consiste généralement en des capteurs fixés à un endroit spécifique et dans une
direction spécifique. Généralement, le capteur le plus utilisé est l’accéléromètre.
Deux principales technologies de réalisation de la surveillance vibratoire existent dans la littérature :

53
  Mesures directes de déplacements des parties tournantes : réalisées à l’aide de capteurs à courant de
Foucault mesurant en permanence les déplacements des arbres de machines. Cette technologie est
presque toujours réalisée en temps réel et sa technologie de mise en œuvre est lourde.

 Mesures de l’accélération subie par les parties fixes de la machine : réalisées à l’aide d’un
accéléromètre, relié à un collecteur de données, qui recueillie les vibrations subies par les carters des
machines.
1.3 Analyse du courant statorique :

L’analyse du courant statorique en tant qu'approche prometteuse pour remplacer la surveillance des
vibrations a été proposée dans plusieurs études. En effet, la surveillance du courant du stator est plus simple
et moins intrusive que la technique de vibration. Les défauts qui peuvent survenir sur la machine asynchrone
ont un impact direct surtout sur le contenu fréquentiel des courants statoriques.
L’exploitation du courant statorique est une technique très efficace car c’est une grandeur mesurable
sur la machine et qui contient des symptômes spécifiques caractérisant sa dégradation.

De nombreuses autres techniques existent telles que la surveillance des émissions acoustiques, la
surveillance des flux etc. Mais, ces techniques sont plus compliquées à mettre en place dans des applications
réelles et nécessitent des capteurs supplémentaires, ce qui augmente le prix, la complexité du système de
diagnostic et donc peut atténuer la fiabilité de l’ensemble.

Nous avons opté pour l’exploitation du courant statorique vu que le département maintenance dispose
déjà d’un contrôleur temps réel CompactRIO , que nous présenterons par la suite de ce travail , et qui contient
un module de courant exploitable pour faire l’acquisition du courant statorique de notre machine à induction.

2. Traitement du signal :

Afin d’extraire le maximum d’indicateurs pour bien caractériser le courant statorique, nous avons fait appel
aux techniques de traitement du signal [6] les plus mentionnées dans la littérature : L’analyse statistique et
l’analyse spectrale.

54
2.1 Analyse statistique :
Certaines techniques de l’analyse statistique peuvent être utilisées ou appliquées pour le suivi du courant et la
maintenance préventive, telles que la moyenne quadratique (RMS), la moyenne, le kurtosis, le Skewness, la
variance, l'écart type, le SINAD, Range, la médiane, THD, le minimum et le maximum. Ces indicateurs sont
extraits du signal temporel ainsi que du spectre du signal.

Les avantages des indicateurs scalaires sont leur simplicité, leur facilité d’interprétation et la
possibilité de leur associer des seuils dont le dépassement déclenche une alarme en situation
défaillante. Ils sont donc particulièrement bien adaptés pour la surveillance et le contrôle en
temps réel.

Les définitions et les formules des indicateurs extraits sont explicitées ci-dessous :

 RMS :
La valeur efficace est la racine carrée de la quadratique du signal. Elle mesure le niveau global d'un signal
discret.
𝟏
𝟏
( ∑𝑵 (𝑿𝟐𝒊 ))
𝟐
XRMS = 𝒊=𝟏 (3)
𝑵
Où N est la longueur du signal du courant statorique.
 Moyenne :
La moyenne est l'indicateur le plus simple pour résumer l'information fournie par un ensemble de données
statistiques : elle est égale à la somme de ces données divisée par leur nombre.
𝟏
x̅ = ( ∑𝑵
𝒊=𝟏(𝑿𝒊 )) (4)
𝑵

 Variance :
La variance est une mesure de la dispersion des valeurs d'un échantillon ou d'une distribution.
𝟏
Variance = ∑𝑵 ̅)𝟐
𝒊=𝟏(𝑿𝒊 − 𝒙 (5)
𝑵

 L'écart type :

L’écart type mesure la variation des valeurs des données par rapport à la moyenne, une
valeur élevée indique que les valeurs des données sont réparties sur une large plage de valeurs et vice
versa pour une valeur faible. L’écart-type peut être utilisé pour la détection précoce des défauts de la machine
asynchrone.

𝟏
σ= (𝐕𝐚𝐫𝐢𝐚𝐧𝐜𝐞)𝟐 (6)

55
  Kurtosis :

Le Kurtosis est une mesure de la taille des extrémités de la distribution et il est utilisé comme
indicateur des pics principaux dans une base de données. Le Kurtosis utilise un moment d’ordre 4.

𝟏 ̅)𝟒
(𝑿𝒊 −𝒙
Kurtosis = ∑𝑵
𝒊=𝟏 (7)
𝑵 𝝈𝟒

 Skewness :

La dissymétrie (Skewness) est un indicateur d’ordre 3 mesurant l’énergie par rapport à un

niveau moyen. La dissymétrie est l’un des descripteurs de la forme de
la distribution d’amplitude des données du courant.

𝟏 ̅)𝟑
(𝑿𝒊 −𝒙
Skewness = ∑𝑵
𝒊=𝟏 (8)
𝑵 (𝑵−𝟏)𝝈𝟑

 SINAD :

Le rapport signal sur bruit et distorsion (SINAD) est une mesure de la qualité d'un signal souvent défini
comme :

𝑷𝒔𝒊𝒈𝒏𝒂𝒍 +𝑷𝒏𝒐𝒊𝒔𝒆+ 𝑷𝒅𝒊𝒔𝒕𝒐𝒓𝒕𝒊𝒐𝒏

SINAD = (9)
𝑷𝒏𝒐𝒊𝒔𝒆+ 𝑷𝒅𝒊𝒔𝒕𝒐𝒓𝒕𝒊𝒐𝒏

Où P est la puissance moyenne des composants signal, bruit et distorsion. SINAD est généralement exprimé
en dB.

 Range :

La plage (Range) est une valeur numérique qui indique la différence entre la valeur maximale et minimale
d’une population ou d’un échantillon statistique. La plage est généralement utilisée pour obtenir la dispersion
totale.

Range = 𝑿𝒎𝒂𝒙 − 𝑿𝒎𝒊𝒏 (10)

 Médiane:

La médiane est la valeur qui sépare la moitié inférieure de la moitié supérieure d'un ensemble. Intuitivement,
la médiane est ainsi le point milieu de l'ensemble. C'est un indicateur de tendance centrale de la serie.

 THD:

Le taux de distorsion harmonique (abrégé THD, total harmonic distortion en anglais) est un indicateur de la
qualité du traitement du signal.
56
2.2 Analyse spectrale :
On peut mener une analyse fréquentielle classique à partir de la transformée de Fourier du signal
temporel [7]. Il existe plusieurs techniques d’analyse particulière qui nous donne une bonne idée sur la
santé globale et l’état des moteurs à induction. L’analyse en fréquence est une méthode efficace pour le
traitement des signaux du courant statorique. La connaissance des indicateurs fréquentiels permet de
localiser et d’identifier les défauts dans les machines tournantes.

L’analyse spectrale est basée sur la transformée de Fourier du signal vibratoire représentée dans la
figure 1.8. La méthode d’analyse spectrale donne beaucoup d’information pour réaliser un diagnostic
dans un stade précoce. Le transformée de Fourier est donc définie par l'équation suivante :

+∞
X(t)= ∫−∞ 𝒙(𝒕). 𝒆−𝒋𝟐𝝅𝒇𝒕dt (11)

X(f) est la transformée de Fourier, t la variable de temps, f est la variable de fréquence.

La transformée de Fourier convertit le signal du domaine temporel en signal du domaine fréquentiel. Nous
allons par la suite en extraire les mêmes indicateurs statistiques pour bien caractériser le courant statorique.

3. Banc de test :

Pour développer notre système, nous avons utilisé un moteur de test asynchrone triphasé à cage d’écureuil
ABB. Notre banc de test expérimental, représenté dans la figure 33 , est constitué de notre moteur de test
alimenté par un variateur de vitesse ATV11 , fonctionnant à vide ainsi que le contrôleur temps réel
CompactRIO qui contient un module de courant NI-9246 pour faire l’acquisition du courant statorique .

Figure 33: Banc de test

57
Les caractéristiques de notre moteur de test sont illustrées dans le tableau 6 :

Puissance nominale 1.5 Kw

Tension nominale 230/400 V
Courant nominal 5.10/3 A
Cos (ρ) 0.83
Vitesse nominale 1430 tr/min
Nombre de pairs de pôles 2
Nombre d’encoches 48
Nombre de bars du rotor 28
Coefficient de glissement 0.046
Fréquence d’alimentation 50 Hz

Tableau 6: Caractéristiques moteur de test

 Le CompactRIO :

Le CompactRIO est un dispositif reconfigurable destiné à être utilisé dans des applications industrielles,
notamment pour la surveillance en ligne des moteurs asynchrones. Le système embarqué possède une petite
architecture modulaire extrêmement robuste , doté d'une FPGA, d'un contrôleur en temps réel et des modules
d'Entrées / Sorties industriels isolés, de certifications conformes aux normes industrielles (classe Iet div2) pour
les zones dangereuses ou potentiellement explosives, à haute température et avec une capacité de choc de 50 g,
ainsi que les fonctionnalités intégrées de vision, de contrôle d'axes, de communications industrielles et
d'interface homme-machine (IHM) .

Figure 34: CompactRIO

58
  Le module NI 9246 :
Le module d'entrée de courant NI-9246 est conçu pour prendre en charge la connectivité directe de la cosse à
anneau aux mesures triphasées à courant fort. Il est optimisé pour les applications énergétiques et industrielles.
Les fonctions de sécurité, les certifications, les plages d’entrée, les plages de surtensions et la connectivité
conviennent parfaitement à des applications telles que la surveillance et le comptage de la qualité de l’énergie,
les mesuresde machines industrielles, la maintenance prédictive etc. l’utilisation de ce module dans notre
projet a pour objectif la mesurer de courant statorique de la machine asynchrone en question.

Figure 35: Module NI 9246

III. Application d’acquisition

1. Interface :

Après avoir défini les indicateurs dont nous aurons besoin pour bien caractériser le courant statorique du
moteur, nous avons créé une application d’acquisition développée sur le logiciel LabVIEW.

Cette application permet de visualiser en temps réel le signal du courant statorique du moteur et son spectre
équivalent ainsi que les différents indicateurs calculés. Les signaux acquis et indicateurs seront par la suite
enregistrés sous forme des fichiers TDMS et Excel.

Les figures ci-dessous illustrent l’interface développée. Les blocs de traitement utilisés pour développer
l’application sont présentés dans ANNEXE 1.

59
Figure 36: Interface d'acquisition : Signal temporel

Figure 37: Interface d'acquisition : signal fréquentiel

60
 2. Résultats :

Les signaux ont été acquis à une fréquence d’échantillonnage Fe= 30 KHz en configurant « DAQ Assistant ».
Ce dernier est une interface graphique qui sert à configurer les tâches de mesures entre le logiciel LabVIEW
et le contrôleur CompactRIO.

Figure 38: Configuration DAQ Assistant

2.1 Signaux temporels et fréquentiels :

Les signaux acquis enregistrés sous forme de fichiers TDMS peuvent être visualisés via l’outil DIAdem. C’est
un logiciel de gestion de données pour l'agrégation, l'inspection, l'analyse et la création de rapports sur les
données de mesure.

Les figures 39 et 40 représentent l’allure des trois phases du signal du courant statorique acquis dans le
domaine temporel et fréquentiel.

61
 Figure 39: Signal temporel du courant

Figure 40: Signal fréquentiel du courant

2.2 Les indicateurs statistiques :

La base de données est une matrice 1543 x 87 comprenant 29 indicateurs pour chaque phase (29 x 3) .Comme
les valeurs des indicateurs sont similaires dans les trois phases, la base de données a été réduite à une matrice
de 1543 x 29 en éliminant deux phases parmi trois.

62
 Figure 41: Extrait de la base de données finale

IV. Conclusion :

Ce chapitre a été dédié pour expliquer la phase de l’acquisition du courant statorique. Tout d’abord, on a
justifié le choix de l’analyse du courant statorique. Ensuite, on a présenté les méthodes et les outils utilisés
pour l’acquisition ainsi que l’application développée pour finalement arriver à construire une base de données
caractérisant l’état sain de notre moteur.

Dans le chapitre suivant, nous allons détailler les étapes de l’exploitation de cette base de données pour
développer un modèle de diagnostic du moteur.

63
 Chapitre 4

Développement du modèle
de l’apprentissage

64
I. Introduction

Suite à l’acquisition des données du courant statorique du moteur de test, ce chapitre est consacré à la phase
du prétraitement et traitement des données. C’est une étape très importante dans le développement de notre
modèle de diagnostic. Nous allons définir et comparer entre les différents algorithmes existants et justifier
notre choix par la suite. Ensuite, on présentera l’algorigramme du modèle ainsi que les résultats obtenus.

II. Traitement des données

1. Normalisation :

La normalisation [8] est une opération du prétraitement de données qui a pour but de mettre sur une même
échelle toutes les variables quantitatives.

Elle consiste à égaliser le poids de chaque dimension dans le but d’éviter que les variables ayant de grandes
valeurs soient considérées plus importantes que les variables ayant des valeurs moins grandes, d’où
l’importance de l’application au préalable de certains algorithmes de Clustering.

La notion de la normalisation et standardisation est souvent utilisée pour décrire un ensemble de méthodes
permettant d’effectuer une mise à échelle, mais ils sont aussi utilisés pour décrire une technique bien précise
de redimensionnement de variables.

Plusieurs types de normalisation sont utilisés dans le Machine Learning, nous présenterons les algorithmes :
normalisation Min-Max, Standardisation (Standard Scaler).

1.1 Normalisation Min-Max :

La normalisation Min-Max utilise le minimum et le maximum de la variable. L’idée est de ramener toutes les
valeurs de la variable dans l’intervalle [0 ; 1], tout en conservant le rapport des distances entre les valeurs.
Pour le réaliser on utilise la formule suivante :
𝑿−𝑿𝒎𝒊𝒏
𝑿𝒏𝒐𝒓𝒎 = (12)
𝑿𝒎𝒂𝒙 −𝑿𝒎𝒊𝒏

1.2 Standardisation :

Pour ce qui est de la standardisation, la transformation a pour but de ramener la moyenne μ à 0 et l’écart-type
σ à 1. La formule pour le faire est la suivante :
𝑿−µ
𝑿𝒔𝒕𝒂𝒏𝒅 = (13)
𝝈

65
 2. Sélection des indicateurs :

Les algorithmes de machine Learning apprennent des données que nous leur fournissons. Si ces données sont
de mauvaise qualité, nous aurons de mauvais modèles car ils apprendront de ce qu’ils verront dans les données.

La sélection des indicateurs est le processus de détection et d'élimination des indicateurs non pertinents, moins
utiles et redondants. Cette sélection permet de découvrir les entrées les plus appropriées pour le modèle de
diagnostic.

La sélection des indicateurs consiste à réduire la base de données originale des indicateurs afin d’obtenir une
base de données plus petite constituée des indicateurs jugés importants. Pour ce faire, on a pensé à éliminer
les indicateurs ayant une grande variance. On n’a gardé que les indicateurs ayant une très faible variance dans
notre base de données. Cette opération nous a permis de construire une base de données réduite formée
uniquement des indicateurs qui caractérisent spécialement l’état sain du moteur.

3. L’analyse par composante principale PCA :

L’analyse par composante principale (ACP) permet de réduire notre base de données [9] sans perdre de
précieuses informations. Elle facilite également la visualisation des données lorsqu’elles sont réduites à de
très petites dimensions, comme en 2D ou en 3D.

L’ACP consiste à trouver des espaces de dimensions plus petites dans lesquels la distribution peut être
observée au mieux. Son approche essentielle consiste à transformer les variables quantitatives initiales, qui
sont plus ou moins corrélées entre elles, en des variables quantitatives non corrélées, ce sont des combinaisons
linéaires des variables initiales et appelées composantes principales.
Les composantes principales sont donc des nouvelles variables indépendantes, des combinaisons linéaires des
variables initiales, avec une variance maximale. De manière générale, l’ACP comprend la recherche de la
direction dans laquelle le nuage de points d’observation est étiré au maximum.

La première composante principale correspond à cette direction. La deuxième composante principale est
déterminée de telle sorte qu’elle soit aussi indépendante que possible de la première et donc perpendiculaire
à celle-ci. Les deux composantes constituent le premier plan principal.

66
 Figure 42: Analyse par composante principale

Cette opération est répétée afin de trouver toutes les composantes principales pour choisir le nombre de
composantes à prendre. Dans notre cas, la base de données sera réduite à trois dimensions pour pouvoir la
visualiser dans un espace 3D .

L’architecture générale de l’algorithme de l’ACP à l’aide de la méthode de matrice de covariance se présente

comme suit :

 Calculer la matrice de covariance des données comme indice de similarité.

 Déterminer les vecteurs propres de cette matrice : ce sont les composantes principales.
 Sélectionner les vecteurs propres qui ont les plus grandes valeurs propres pour construire la
base de projection.
 Projeter nos données sur cette base.

4. Classification non supervisé : Clustering

Comme déjà mentionné dans le chapitre 2, l’apprentissage non supervisé est celui où l’algorithme doit opérer
à partir d’exemples non annotés. En effet, l’apprentissage par la machine se fait de manière entièrement
indépendante [10]. Des données sont alors renseignées à la machine sans qu’on lui fournisse des exemples de
résultats. Ainsi, les réponses que l’on veut trouver ne sont pas présentes dans les données fournies :
l’algorithme utilise des données non étiquetées. On attend donc de la machine qu’elle crée elle-même les
réponses grâce à différentes analyses et au classement des données.

67
Dans notre cas, nous allons faire apprendre à la machine les indicateurs du courant statorique du moteur sain.
Nous allons par la suite ajouter une nouvelle acquisition dont l’état du moteur est inconnu. L’apparition d’une
nouvelle classe signifiera surement la présence d’un défaut au niveau du moteur.

Ils existent plusieurs algorithmes de classification non supervisé, entre autres on peut citer OPTICS,
DBSCAN, K Means.

4.1 K Means :

K-Means est un algorithme non supervisé de Clustering non hiérarchique. Il permet de regrouper en K clusters
distincts les observations du data set. Ainsi les données similaires se retrouveront dans un même cluster. Par
ailleurs, une observation ne peut se retrouver que dans un cluster à la fois (exclusivité d’appartenance). Une
même observation, ne pourra donc, appartenir à deux clusters différents.

L’algorithme fonctionne en 2 étapes répétées en boucle. On commence par placer au hasard un nombre K de
centres dans notre nuage de points.

L’étape 1 consiste à rallier chaque exemple au centre le plus proche. Après cette étape, nous avons K Clusters

L’étape 2 consiste à déplacer les centres au milieu de leur Cluster.

On répète ainsi les étapes 1 et 2 en boucle jusqu’à ce que les centres ne bougent plus.

Figure 43: L'algorithme K-Means

68
4.2 DBSCAN :

DBSCAN (Density-based spatial clustering of applications with noise) est une méthode de classification basée
sur la densité. L’algorithme DBSCAN utilise deux paramètres : la distance ε et le nombre minimum de points
𝑀𝑖𝑛𝑃𝑡𝑠 qui doivent se trouver dans un rayon de (ε) pour que ces points soient considérés comme une classe.

Les paramètres d’entrée sont donc une estimation de la densité des points de la classe. L’idée de base de
l’algorithme est alors, pour un point donné, de récupérer son (ε) voisinage et de vérifier qu’il contient des
𝑀𝑖𝑛𝑃𝑡𝑠 ou non. Ce point est alors considéré comme faisant partie d’une classe. Ensuite continuer le processus
jusqu’à (ε) voisinage successivement d’un point à un autre pour identifier tous les points de la classe.

Dans la classification DBSCAN, il est nécessaire d’introduire certaines définitions :

 Le voisinage ε d’un point p dans une base D est note par ε (p) est définie par :
 ε (P)=q ∈ D | distance (p, q) ≤ ε |
 L’accessibilité par densité est la notion de base de DBSCAN. Un point p est accessible par
densité de q si deux conditions sont satisfaites : p ∈  (P) et | (p) |  P) ≥ 𝑀𝑖𝑛𝑃𝑡𝑠.

4.3 OPTICS :

Comme DBSCAN , OPTICS requiert deux paramètres : ε , qui décrit la distance maximale (rayon) à
considérer, et MinPts , décrivant le nombre de points requis pour former un cluster. Un point p est un point
central si au moins des points MinPts sont trouvés dans son ε -voisinage (y compris le point p lui-même).
Contrairement à DBSCAN , OPTICS prend également en compte les points qui font partie d'un cluster plus
dense, de sorte que chaque point se voit attribuer une distance centrale qui décrit la distance
jusqu'au MinPts ème point le plus proche : Nε(p)

Il y a quelques points clés dans les descriptions des paramètres d’ OPTICS comme point central, distance
centrale et distance d'accessibilité :

Point central : un point qui réside au centre du cluster peut être accepté comme point central en fournissant au
minimum des points de données MinPts situés dans ses voisins.

69
Distance centrale : la longueur minimale du rayon requise pour regrouper les observations fournies en tant que
point central.

Distance d'accessibilité : cette mesure de distance représente la longueur la plus courte définie par rapport au
point central du cluster jusqu'à un autre point de données qui ne peut pas être inférieure à la distance centrale.
Dans la représentation ci-dessous, la distance d'accessibilité entre (c, a) est attribuée à x, car leur distance est
inférieure à la distance centrale, ce qui n'est pas acceptable.

Figure 44: L'algorithme OPTICS

Indéfini si | Nε(p) | < MinPts

Core-distε,MinPts (p) =
La plus petite distance dans Nε(p) sinon

La distance d’accessibilité d’un autre point o à partir d’un point p est soit la distance entre o et p, soit la
distance centrale d p, selon la plus grande des deux :
Indéfini si | Nε(p) | < MinPts
reachability-distε,MinPts (p) =
max ( Core-distε,MinPts (p) , dist(p,o)) sinon

70
III. Modèle de l’apprentissage non supervisé du moteur asynchrone :

1. Architecture du modèle de l’apprentissage :

Acquisition des signaux du courant statorique

Extraction des indicateurs caractérisant le courant

Standardisation des indicateurs

Sélection des indicateurs pertinents

Analyse par composante principale

Classification par la méthode OPTICS

Figure 45: Architecture du modèle de l'apprentissage

71
 2. Résultats :

 Normalisation :
Nous avons établi une comparaison entre les deux types de normalisation mentionnés dans la partie II du
chapitre en utilisant les algorithmes de la librairie Scikit-learn et la base de données des indicateurs du
courant statorique acquis.

La figure 42 représente les résultats obtenus.

Figure 46: Comparaison entre normalisation et standardisation

Les résultats montrent que la distribution de nos données normalisées avec Standard Scaler est beaucoup
mieux que celle de Min Max en termes de visualisation. Ce dernier a tellement réduit l’échelle que le suivi
de la distribution sera plus compliqué. Nous avons décidé de normaliser nos données avec Standard Scaler.

 Sélection des indicateurs :

La variance des indicateurs de notre base de données est illustrée dans la figure 44 :

Figure 47: Sélection des indicateurs pertinents

72
D’après le graphe ci-dessus, les indicateurs : ‘FFT_Variance’ , ‘FFT_Minimum’, ‘FFT_Median’,
‘FFT_RMS’, ‘FFT_Arith. Mean’, ‘FFT_Range’ et ‘FFT_Peak to Peak’ ont une grande variance par rapport
aux autres indicateurs qui constituent notre base de données. On a éliminé ces indicateurs pour obtenir une
matrice [1543x22] qui définit la forme de l’état sain du moteur.

 Classification :

Après avoir comparé entre les trois algorithmes de classification : DBSCAN, K Means et OPTICS. Nous
avons opté pour OPTICS pour plusieurs raison :

 K Means a besoin du nombre des clusters comme paramètre d’entrée. Chose qui n’est pas possible
pour notre cas vu qu’on ne dispose d’aucun indicateur sur la nouvelle acquisition.
 DBSCAN est sensible aux données dynamiques et il faudrait ajuster le paramètre epsilon pour toute
nouvelle acquisition, chose qui n’est pas pratique pour notre cas.

OPTICS par contre ne dépend pas nécessairement du paramètre d’entrée epsilon et offre plus de flexibilité en
termes de classification. La figure ci-dessous illustre la classification de l’état sain du moteur.

Figure 48: Classification de l'état sain du moteur selon OPTICS

VI. Conclusion :

Nous avons présenté dans ce chapitre la phase du prétraitement et traitement des données. Cette étape nous a
permis de bien développer notre modèle d’apprentissage. Dans le chapitre suivant, nous allons tester
l’efficacité de ce modèle en générant plusieurs défauts statoriques et rotoriques.

73
 Chapitre 5

Test et validation du modèle et étude

technico-économique

74
I. Introduction :

Après avoir développé le modèle d’apprentissage, nous avons passé à la phase de test et validation. Pour faire
ceci, nous avons provoqué, grâce à un moteur de test identique à celui utilisé pour l’apprentissage, des défauts
statoriques, rotoriques et combinés. Nous présenterons dans ce chapitre les différents résultats obtenus et
finirons par mener une étude technico-économique.

II. Génération des défauts :

1. Barres cassées :

Comme mentionné dans le chapitre 2, les barres cassées sont considérés comme les défauts du rotor les plus
courants. Ils peuvent se situer soit au niveau de son encoche, soit à l'extrémité qui les relie à l'anneau du rotor.
La détérioration des barreaux réduit la valeur moyenne du couple électromagnétique et augmente l'amplitude
des oscillations, qui provoquent elles-mêmes des oscillations de la vitesse de rotation, ce qui génère des
vibrations mécaniques et donc un fonctionnement anormal de la machine.

Le défaut des barres cassées de rotor est obtenu en perçant un petit trou de 5,1 mm de diamètre et de 19 mm
de profondeur au niveau de la barre de rotor, comme illustré dans la figure 49. La même procédure a été faite
pour le cas des 2 barres cassées, 3 barres cassées et 4 barres cassées.

(a) (b)

(c)

Figure 49: (a) : rotor sain (b) : 1 barre cassée (c) : 2 barres cassées

75
 2. Court circuits entre spire :

Les défauts statoriques sont également considérés comme des types de défauts communs dans les machines
asynchrones. Ils contribuent de 30 à 40 % des pannes des machines à induction.
La résistance initiale des 3 phases a été mesurée à : 3,5 Ω (figure 50). Le premier court-circuit généré a réduit
la valeur de la résistance à 3,4Ω (2.85 %) et le dernier a réduit la valeur à 2,7 Ω (22,85 %).

Figure 50: Résistance initiale des 3 phases

Le court-circuit s’est produit entre des spires sélectionnées de la première phase, comme illustré à la figure
51.

Figure 51: Court-circuit entre spire

76
III. Test du modèle :
1. Interface :

Figure 52:Interface de diagnostic

L’interface a été développée sur la plateforme Jupyter Notebook en se basant sur le langage de programmation
Python.

Nous avons développé le modèle en deux langues français et anglais avec une assistance vocale et un système
d’alarme qui vous informent si le moteur est défectueux ou pas.

L’interface dispose aussi de deux fonctionnalités qui peuvent orienter le maintenancier à estimer la gravité et
la localisation des défauts.

Les données utilisées pour développer ces deux fonctionnalités ont été extraits des défauts rotoriques et
statoriques générés pour tester le modèle.

Nous avons remarqué que les indicateurs statistiques du signal varient le plus quand il s’agit d’un défaut
statoriques tandis que les indicateurs FFT varient quand il s’agit des défauts rotoriques.

77
 2. Résultats :

2.1 –Défauts rotoriques : Barres cassées :

Afin de tester l'efficacité du modèle élaboré, de nombreux défauts ont été générés. Nous avons tout d’abord
commencé avec les défauts barres cassés.

(a) (b)

(c) (d)

Figure 53:Détection des défauts barres cassées

Après avoir généré les défauts barres cassées, une nouvelle classe apparait à chaque fois. Cela signifie que le
modèle a pu détecter la présence d'une anomalie dans le courant de la machine à induction. Les essais ont été
effectués sur 1 barre cassée, 2 barres cassées, 3 barres cassées et 4 barres cassées.

78
Suivi des défauts et estimation de gravité :

La dispersion de la nouvelle classe augmente proportionnellement avec le nombre de barres cassées. Cela
nous a conduit à calculer et tracer la valeur d'INERTIE pour chaque défaut.

L'inertie mesure à quel point un ensemble de données a été regroupé. Il est calculé en mesurant la distance
entre chaque point de données et son centroïde.

I=∑i (d(i,cr)) (1)

Où cr est le centroïde du cluster assigné et d est la distance au carré.

Le tableau 1 représente le pourcentage d'évolution de la valeur d'inertie par rapport à l'état sain et reporté sur
la figure.

1 Barre cassée 13.248 %

2 Barres cassées 249.012 %

3 Barres cassées 295.328 %

4 Barres cassées 774.575 %

Tableau 7: évolution de la valeur d'inertie des barres cassées

Figure 54:évolution de la valeur d'inertie des barres cassées

Cette courbe montre bien que la valeur d’inertie pour les défauts barres cassées augmente avec le nombre de
barres cassées. Ce résultat trouvé expérimentalement prouve que la valeur d’inertie peut très bien considérée
pour estimer la gravité des défauts.

79
Les résultats obtenus ont été ajouté sur l’interface de diagnostic comme des références pour bien aider et
orienter le maintenancier à estimer la gravité de tout défaut détecté.

2.2 – Défauts statoriques : Court-circuit entre spires :

Les courts-circuits inter spires ont également été testés pour vérifier l’efficacité du modèle.

(a) (b)

Figure 55:détection des défauts courts circuits entre spires

La figure 7 montre qu’il a été possible de détecter à la fois 2,8 % et 22 % de court-circuit entre spires.
A chaque court-circuit une nouvelle classe apparait.
Suivi des défauts et estimation de gravité :

Pour le cas des défauts a gravité du défaut détecté peut être mesurée à la fois par le coefficient d’inertie et la
distance entre les deux clusters.
Plus le court-circuit augmente, plus la dispersion et la distance entre clusters augmentent.
Le tableau 2 montre les distances intra et inter clusters.

Court circuit entre Distance Inter Inertia

spires cluster

2.8 % 6.589 U 12.358 %

22 % 9.288 U 564.454 %

Tableau 8:suivi des défauts court-circuit

80
2.3 – Défauts combinés :
Après avoir testé les défauts statoriques et rotoriques, nous avons passé aux défauts combinés : quartes barres
cassées et court-circuit entre spires.

Les résultats ont été comme attendu : Une nouvelle classe apparait.

Figure 56:détection défauts combinés

2.4- Test du moteur sain :

Pour tester notre modèle de détection encore plus, nous avons effectué une nouvelle acquisition du courant
statorique du moteur sain après 4 semaines de la première acquisition.

Figure 57: test moteur sain

Aucune nouvelle classe n’apparait. Ceci confirme que notre modèle est capable de différencier entre l’état
sain et défectueux du moteur.

IV. Etude technico- économique :

L’évaluation économique reste une phase très importante dans l’élaboration d’un projet. En effet, le choix
des équipements et des installations, se base sur des critères technico- économiques très précis. La fiabilité
du matériel employé dans la phase d’acquisition des données est primordiale dans notre projet vu que ce
sont les données sur lesquelles va se baser notre modèle de détection. Les critères doivent prendre aussi en
81
compte la complexité de la configuration, la dépendance vis-à-vis des fournisseurs et bien sûr, le facteur
coût.
On va mener une étude technico- économique pour savoir le coût de l’investissement nécessaire pour mettre
en place notre système de diagnostic ainsi que les pertes financières potentielles engendré par l’arrêt de la
chaine de production due aux défaillances dans ce moteur, dans le but d’estimer la rentabilité du projet pour
l’entreprise.

1. Le coût de l’investissement :

Matériel Référence Quantité Prix unitaire HT Prix total HT

en € en €

NI cRIO-9040 1 4 800,00 € 4 800,00 €

NI 9246 1 1 350,00 € 1 350,00 €

ATV 11 1 116,00 € 116,00 €

ABB 1,5 kw 2 370,00 € 740,00 €

Total : 7 006,00 €

Tableau 9:Prix du matériel nécessaire

L’investissement pour acquérir l’ensemble du matériel nécessaire pour développer notre système de
diagnostic s’élève donc à 7006,00 €.

82
 2. La rentabilité du projet :

Les calculs de la rentabilité constituent une étape importante dans le processus d’étude de la faisabilité économique
d’un projet.
Ils consistent à comparer entre le cout d’investissement nécessaire pour la surveillance de l’état du Moto-ventilateur
et les pertes financières engendré par l’arrêt de la chaine de production due aux défaillances électriques ou
mécaniques dans ce moteur.
Cet arrêt peut durer 12 semaines, le temps d’approvisionnement d’un nouveau moteur. Les pertes financières
peuvent s’élever à 266 738,00 € par semaine et donc un arrêt dans la chaine de production peut engendrer des
pertes qui s’élèvent à plus de 3 200 856,00 €.
Donc on peut dire que ce projet sera très rentable et bénéfique pour l’entreprise à long terme.

V. Conclusion :

Ce chapitre couvre la phase du test et validation de notre modèle de diagnostic en générant des défauts
statoriques et rotoriques ainsi que le combiné de ces défauts. Le but est de tester l’efficacité de notre modèle
en terme de détection de défauts. Nous avons aussi présenté quelques techniques pour faire le suivi de quelques
types de défauts et estimer leur gravité. Finalement, nous avons mené une étude technico-économique pour
estimer la rentabilité du projet pour l’entreprise.

83
 Conclusion et perspective

Le travail réalisé, lors de notre projet de fin d’études, s’inscrit dans le cadre de la maintenance prédictive basée
sur l’apprentissage non-supervisée du courant statorique du Motoventilateur de l’autoclave. L’objectif de ce
projet était de développer un système de diagnostic pour le Motoventilateur de l’autoclave.

Le projet passe par deux phases principales : la phase d’acquisition du courant statorique, à l’aide d’un
contrôleur temps réel CompactRIO et la phase du développement du modèle de diagnostic en se basant sur
plusieurs algorithmes du machine Learning.

Ce stage de fin d’études nous a permis, en tant qu’ingénieurs, de renforcer nos capacités d’analyse et de
développer de très bonnes compétences relationnelles et managériales.

Les perspectives de notre projet s’articulent sur l’amélioration de la fiabilité de notre système en combinant
plusieurs méthodes d’analyse comme l’analyse vibratoire et l’analyse du flux. Aussi sur la généralisation de
ce modèle sur d’autres moteurs et développer l’outil pour localiser les défauts et estimer la gravité.

Finalement, nous espérons que ce travail servira bien comme système de diagnostic opérationnel et efficace
pour le département maintenance de la société DAHER AEROSPACE et une référence pour les futures études
de diagnostic de l’état des machines à induction en général.

84
 Bibliographie et Webographie

[1] V. -G. F. de Jesús and A. -J. M. Omar, &quot;Characterizing the Squirrel Cage Induction
Motor,&quot; 2013 International Conference on Mechatronics, Electronics and Automotive Engineering.

[2] M. Rayyam, M. Zazi and Y. Hajji, &quot;Detection of broken bars in induction motor using the Extended
Kalman Filter (EKF),&quot; 2015 Third World Conference on Complex Systems (WCCS)

[3] I. Ishkova and O. Vítek, &quot;Diagnosis of eccentricity and broken rotor bar related faults of induction
motor by means of motor current signature analysis,&quot; 2015 16th International Scientific Conference on
Electric Power Engineering (EPE)

[3] X. Song, Z. Wang and J. Hu, &quot;Detection of Bearing Outer Race Fault in Induction Motors using
Motor Current Signature Analysis,&quot; 2019 22nd International Conference on Electrical Machines and
Systems (ICEMS)

[4] A. Lebaroud and G. Clerc, &quot;Diagnosis of induction motor faults using instantaneous frequency
signature analysis,&quot; 2008 18th International Conference on Electrical Machines, 2008, pp. 1-5, doi:
10.1109/ICELMACH.2008.4799993.

[5] B. Noureddine, P. Remus, R. Raphael and S. Salim, &quot;Rolling Bearing Failure Detection in Induction
Motors using Stator Current, Vibration and Stray Flux Analysis Techniques,&quot; IECON 2020

[6] A. Lebaroud and G. Clerc, &quot;Diagnosis of induction motor faults using instantaneous frequency
signature analysis,&quot; 2008 18th International Conference on Electrical Machines, 2008, pp. 1-5, doi:
10.1109/ICELMACH.2008.4799993.

[7] V. Duc Nguyen, E. Zwanenburg, S. Limmer, W. Luijben, T. Bäck and M. Olhofer, &quot;A Combination
of Fourier Transform and Machine Learning for Fault Detection and Diagnosis of Induction
Motors,&quot; 2021 8th International Conference on Dependable Systems and Their Applications (DSA)

[8] N. Singh and P. Singh, &quot;Exploring the effect of normalization on medical data
classification,&quot; 2021 International Conference on Artificial Intelligence and Machine Vision (AIMV)

85
 [9] M. Farajzadeh-Zanjani, R. Razavi-Far and M. Saif, &quot;Dimensionality reduction-based diagnosis of
bearing defects in induction motors,&quot; 2017 IEEE International Conference on Systems, Man, and
Cybernetics (SMC)
[10] Amjad Ali;Zaid Bin Faheem;Muhammad Waseem;Umar Draz;Zanab Safdar;Shafiq Hussain;Sana
Yaseen, “Systematic Review: A State of Art ML Based Clustering Algorithms for Data Mining” 2020 IEEE
23rd International Multitopic Conference (INMIC)

https://scikit-learn.org/stable/

https://machinelearnia.com/

86
 Annexe

Annexe : FFT des Signaux acquis

 Etat sain :

 1 barre cassée :

87
 2 barres cassées :

 3 barres cassées :

 4 barres cassées :

88
 Court-circuit :

89