Contribution à la détection et classification des défauts des roulements par l’utilisation des réseaux de neurones artificiels

Abstract

Ce travail se consacre à l'intérêt du diagnostic des défauts des roulements des machines tournantes par le biais des réseaux de neurones artificiels.ce choix se justifie par le fait que l'analyse spectrale,outil couramment utilisé,n'est pas en mesure de détecter efficacement les défauts et ne permet pas non plus de les localiser en indiquent leur criticité.l'approche des réseaux de neurones artificiels présente de nombreux avantages,notamment en matière de classification et de séparation non-linéaire. cette caractéristique nous a permis de mettre en place une application de diagnostic des défauts de roulement à billes.le perceptron multicouche a été choisi comme réseau neuronal pour la surveillance et le diagnostic.après l'apprentissage,nous avons simulé les sorties des réseaux afin de vérifier si l'apprentissage était adéquat, car l'algorithme de rétro-propagation de gradient pourrait converger de manière différente selon l'architecture du réseau. nous avons opté pour l'apprentissage supervisé,car chaque entrée était associée à une sortie connue.après l'entraînement de chaque réseau de neurones,nous avons évalué leurs performances par la méthode de classification.afin de tester la capacité de généralisation de notre modèle de réseau de neurones,nous avons effectué plusieurs tests sur des données qui n'avaient pas été utilisées lors de l'apprentissage.en effet, les réseaux de neurones artificiels ont été capables de reconnaître les modèles de vibrations associés à différents états de santé du roulement avec une grande précision