Ecole Centrale Casablanca

Centre de Recherche Systèmes Complexes et Interactions

SIANA - Société Marocaine de Maintenance des Rames à Grande Vitesse

Sujet de thèse :

Diagnostic et pronostic des défaillances des roulements d’essieu des trains à grandes
vitesses par analyse du signal acoustique (AE-DeepDiag)

Durée : 36 mois (Nov. 2023 - Nov. 2026)

Laboratoires : Centre de Recherche Systèmes Complexes et Interactions – Ecole Centrale
Casablanca
Comité d’encadrement : Khalid DAHI (ECC), Mohammed El Rhabi (ECC), Abdelhalim Naciri
(SIANA), Mohammed SEDKI (SIANA)
Partenaires académiques : Laboratoire GeePs (CentraleSupélec), SIIM-LIS/AMU-univ
Toulon-SeaTech,
Rémunération : 10 000 Dh / mois
Adresse mail contact : khalid.dahi@centrale-casablanca.ma

▪ Objectifs :

La thèse proposée en partenariat entre l'Ecole Centrale Casablanca (ECC) et la Société

Marocaine de Maintenance des Rames à Grande Vitesse (SIANA) vise à développer un banc
acoustique innovant pour la détection précoce des défauts dans les roulements des
essieux des trains à grande vitesse. Cette recherche ambitieuse se concentre sur la
conception et la mise en place d'un système de détection fiable, rapide et précis pour
améliorer la maintenance préventive et la sécurité des trains à grande vitesse. Le travail de
recherche comprendra la création du banc acoustique, l'identification et la caractérisation
des défauts de roulement, le développement d'algorithmes de traitement du signal et
d'apprentissage automatique, ainsi que la mise en œuvre d'un système d'aide à la décision
pour une maintenance proactive.

▪ Mots clés :

Maintenance prédictive, banc acoustique, défauts de roulements des essieux, traitement

du signal, séparation de sources, intelligence artificielle

▪ Contexte scientifique et problématique :

Le contexte scientifique de cette thèse repose sur l'importance cruciale de la maintenance

préventive dans le secteur ferroviaire, en particulier pour les trains à grande vitesse. Les
roulements des essieux jouent un rôle essentiel dans le bon fonctionnement des trains à
grande vitesse en supportant les charges lourdes et en permettant des vitesses élevées.
Cependant, ces roulements sont sujets à des dégradations et des défauts tels que les
ébréchures, les fissures, l'usure, qui peuvent entraîner des pannes critiques et des
accidents si elles ne sont pas détectées et traitées à temps.

La problématique majeure à laquelle cette thèse tente de répondre est la détection

précoce et précise des défauts dans les roulements des essieux des trains à grande vitesse.
Les méthodes de détection traditionnelles basées sur l'inspection visuelle/acoustique ou
les techniques de surveillance mécanique ont leurs limites en termes de fiabilité et de
rapidité. Ainsi, il devient indispensable de développer des approches innovantes et
avancées telles que l'acoustique et le traitement avancé du signal pour identifier les
signaux spécifiques émis par les roulements dégradés.

▪ Originalité et pertinence par rapport à l’état de l’art

La thèse présente une approche novatrice et pertinente par rapport à l'état de l'art.
L'originalité réside dans la conception d'un banc acoustique spécifique aux roulements des
essieux des trains à grande vitesse, adapté aux contraintes opérationnelles et
environnementales propres à ces trains. L'utilisation d'algorithmes de traitement du signal
avancés, tels que la technique de séparation des sources, transformation en ondelettes, la
transformée de Hilbert-Huang et l'analyse en composantes indépendantes (ICA),
permettra d'extraire des caractéristiques spécifiques des signaux acoustiques des
roulements, surpassant les méthodes classiques. L'intégration de l'apprentissage
automatique pour la classification et la prédiction des défauts à partir des données
acoustiques (et vibratoire par la suite) renforcera la fiabilité du système de détection. Cette
recherche aura une importance cruciale pour la sécurité des trains à grande vitesse, en
offrant une détection précoce et précise des défauts, contribuant ainsi à prévenir les
pannes et à renforcer la sécurité des passagers et du personnel navigant.

▪ Méthodologie :

La méthodologie globale de la thèse comprendra quatre grands axes, comme présenté

ci-dessous et illustré dans la figure 1 :

AXE 1 : Instrumentation :

▪ Conception et réalisation du banc acoustique expérimental pour les roulements

d'essieux, en utilisant des capteurs acoustiques de haute qualité, tels que les
microphones à condensateur, et en veillant à la robustesse et à la résistance aux
vibrations du système.

AXE 2 : Prétraitement :

▪ Mise en place de filtres adaptés, tels que les filtres adaptatifs, les filtres passe-
bas et les filtres de Kalman [1], pour réduire le bruit de mesure et améliorer la
qualité des signaux acoustiques enregistrés.
 ▪ Développement de méthodes de débruitage et de détection d'anomalies pour
éliminer les signaux non pertinents, en se basant sur des techniques de
traitement du signal avancées, telles que l'estimation bayésienne et les
méthodes de décomposition modale empirique (EMD) [2][3].

Axe 3 : Traitement :

▪ Implémentation d'algorithmes de traitement du signal avancés, tels que la

technique de séparation de sources, la transformée en ondelettes, la
transformée de Hilbert-Huang, l'ICA, etc… pour extraire des caractéristiques
discriminantes des signaux acoustiques. Les travaux des articles [4, 5 et 6]
serviront de références pour cette partie.
▪ Établissement de modèles mathématiques et statistiques pour identifier les
défauts recherchés en utilisant des techniques telles que la régression logistique
et l'analyse discriminante. [7]

Axe 4 : Aide à la décision :

▪ Application de techniques de machine learning, telles que les machines à

vecteurs de support (SVM), les réseaux de neurones convolutionnels (CNN) et
les arbres de décision, pour la classification automatique des défauts à partir des
caractéristiques extraites. Les méthodes décrites dans les travaux de [8, 9 et 10]
seront adoptées.
▪ Conception d'une interface de visualisation conviviale utilisant des outils tels
que le logiciel TensorBoard pour présenter les résultats et les recommandations
aux opérateurs et aux ingénieurs de maintenance.

4. Decision
making (Fault
detection and
localization)
1.
Instrumentation

2. Pre-
3.
processing
Processing

Figure 1 : Méthodologie globale de la thèse

 ▪ Livrables principaux :

Les livrables majeurs de cette thèse sur le "Banc acoustique pour la détection des défauts
dans les roulements des essieux des trains à grande vitesse" seront divers et contribueront
significativement au domaine de la maintenance préventive ferroviaire. Voici les principaux
résultats attendus :

1. Le premier livrable majeur sera la conception et la réalisation d'un banc acoustique dédié
aux roulements des essieux des trains à grande vitesse.
2. Une base de données complète des différents types de défauts de roulement sera établie
à partir des mesures expérimentales réalisées sur des échantillons dégradés. Cette base
de données sera utilisée pour l'entraînement des modèles d'apprentissage automatique.
3. Les algorithmes de prétraitement développés pour filtrer les signaux acoustiques bruités
et pour améliorer la qualité des mesures seront un résultat majeur de cette thèse.
4. Système de classification des défauts : La mise en œuvre d'un système d'apprentissage
automatique pour la classification et la prédiction des défauts à partir des données
acoustiques représentera un résultat clé de cette recherche. Ce système sera capable de
distinguer et de diagnostiquer automatiquement les différents types de défauts de
roulement, ce qui sera d'une grande valeur pour une maintenance proactive et efficace.
5. Validation en conditions réelles : Enfin, le livrable ultime de cette thèse sera la validation
du banc acoustique et des algorithmes développés en conditions réelles sur des
roulements d'essieux de trains à grande vitesse en fonctionnement.

▪ Compétences Requises pour le(a) candidat(e) :

• Le/la candidat(e) devra avoir un cursus de formation généraliste incluant

l'électromécanique, le génie électrique et les mathématiques appliquées. Une
expérience en traitement du signal ainsi que des connaissances en datamining
seront vivement appréciées.
• Autonomie, dynamisme, créativité, bonnes capacités de communication

▪ Références bibliographiques sur le sujet de thèse :

[1]. Khanam S, Tandon N, Dutt J. A system dynamic approach to bearing fault identification with
the application of Kalman and H∞ filters. Journal of Vibration and Control. 2016;22(13):3032-
3056.
[2]. Khalid Dahi, Soumia El Hani, Said Guedira et al. (2016, May). Diagnonis of rotor asymmetries
in Induction motor using ESA. In Electrical and Information Technologies (ICEIT), 2016
International Conference on (pp. 1-8). IEEE.
[3]. Khalid Dahi, Soumia El Hani, Said Guedira and Nabil Ngote (2014). Fault Diagnosis in
Induction Motor Using Motor’s Residual Stator Current Signature Analysis. In Advances in
Condition Monitoring of Machinery in Non-Stationary Operations (pp.631-643). Springer
Berlin Heidelberg.
[4]. H. Agossou, J. Koffi, K. Dahi, M. El Rhabi, A. Boukamel, M. Sedki, A. Naciri, L. F. Borges,
Diagnostic et pronostic des défauts de roulement d’essieu des rames à grande vitesse par
 utilisation du signal acoustique et des méthodes de traitement de signal avancées, rapport
interne, projet de fin d’études, septembre 202
[5]. Ghazdali, M. El Rhabi, H. Fenniri, A. Hakim, A. Keziou, Blind noisy mixture separation for
independent/dependent sources through a regularized criterion on copulas, In Signal
Processing, Volume 131, 2017, Pages 502-513.
[6]. M. El Rhabi, H. Fenniri, A. Keziou, E. Moreau, A robust algorithm for convolutive blind source
separation in presence of noise, In Signal Processing, Volume 93, Issue 4, 2013, Pages 818-
827.
[7]. Zheng, Hong, Keyuan Zhu, Chao Cheng, and Zhaowang Fu. 2022. "Fault Detection for High-
Speed Trains Using CCA and Just-in-Time Learning" Machines 10, no. 7: 526.
[8]. Cortes, C., Vapnik, V. Support-vector networks. Mach Learn 20, 273–297 (1995).
[9]. LeCun, Y., Bengio, Y. & Hinton, G. Deep learning. Nature 521, 436–444 (2015).
[10]. Ilias Ouachtouk, Soumia El Hani, Khalid Dahi, (Dec. 2021). Intelligent Bearing Fault Diagnosis
Method Based on HNR Envelope and Classification Using Supervised Machine Learning
Algorithms., ADVANCES IN ELECTRICAL AND ELECTRONIC ENGINEERING, VOLUME: 19 |
NUMBER: 4 | 2021, pp: 282- 294.