Pronostic de l'endommagement des machines et procédés

在机器维修中，存在着检测设备故障的技术在工业中的应用，例如监控设备的正常视觉、热像仪的故障、L的任务音响等。LES技术通常用于监测振动探测法，以便对统计数据(事实数据、峰度数据)进行统计分析(频谱分析、包络分析等)。CES技术应用于S的日常生活中。与之相反，œuvre dans un Environment uvre dans un milieu britéou bien en a opéantça opéant vitesse的作曲家和批评家，以及复杂的诊断和分析工具de défauts d‘engenages ou de roulements quulements quo de de roulements quiles quer quer de défauts d’engrenages ou de roulements quulements quo de de fauts d‘engenages ou de roulements quiles quo de de fauts d’engrenages ou de roulement quulements quer quer de de fauts d‘engenages ou de roulements quo de roulements quut leut parmi lees parmi les作曲家Mécaniques les and Crititions，leS的作曲家和作曲家S对S的热情热情高涨。在这个过程中，L的幻影出现在了非固定人员的视线上，他为我们提供了一种分析频谱的常识和方法。与之相反，L的思想和实践，以及L的智慧和智慧，都是他的智慧和智慧所在。重要的是要重视L领导下的人才队伍的建设和维护。L的目标是研究更多的技术和技术，以监督机器、发展原创技术和保护L的事业。这些应用程序设想对使用过程的监视(Broutement，usure des outils)操作不允许高级人员操作，而S的操作人员(Péoliennes，Popts Roroants)。再加上专业知识，明智的建议是发展一种监视机器的战略，包括S的注册、信号的传播、S的注册、检测、诊断、融合、现代化和L在自动化侦察中的应用。两人的逻辑模拟和振动的费用和装饰，L‘Un Pour les Roulements和L’autre Pour des engenages简化了Seront发展Sácet Eet Eet的效果。逻辑专家开发了一台模拟器，L的作用来自于S的振动。Nous Prévoyons Utiliser la méthode de Traitation des Signaux Par Transformée de Hilbert-Huang et LMD(局部模式分解)Pour déposer le Signal Part Transformée de Hilbert-Huang et LMD(局部模式分解)Pour déComposer le Signals Les Signaux Par Transformée de Hilbert-Huang et LMD(局部模式分解)Pour déComposer le SignéComposer le Signaux Par Transformée de Hilbert-Huang et LMD(局部模式分解)Pour déComposer le Signer Les Signer Les Signant Transformée de Hilbert-Huang et LMD(局部模式分解)Pour déComposer le Signal Vibratoer le Vibratoire en Functions en Functions Temporeles Les Complant Chacune Les Fquéquens Caracéristique des Défauts。Comme les Machinantes Sont de Natural Rérétitive，Mais Companant de deévévénements aléatoire Enre re Chaque Cycle，Je Preéconise L‘Analyze des Signaux Par Cycle Stationnaritéet Par角度频率分析仪Les Signaux Vibratoire dans le Domaine Angulaire et ainsi définir des Despteur de défauts dans le Domaauts angulaire(Moyenne angulaire，Variance，angulaire，kurtosis angulaire)，ce qui permettraégalement de de fauts de Localiser Les L’esspace。原癌血清有效地改善了人工智能(融合技术、机器支持技术、神经元技术)。

En maintenance des machines, il existe plusieurs techniques de détection d’endommagement qui sont appliquées en industrie, comme par exemple la surveillance des machines par vision, la thermographie infrarouge, l’émission acoustique ou la mesure vibratoire. Les techniques usuelles de surveillance utilisées en vibration sont soit basées sur des descripteurs temporels statistiques (facteur de crête, Kurtosis) ou bien sur des descripteurs fréquentiels (analyse spectrale, analyse d'enveloppe, etc.). Ces techniques fonctionnent très bien pour détecter des défauts usuels. Par contre, lorsqu'on veut analyser des défauts d'engrenages ou de roulements qui sont parmi les composants mécaniques les plus critiques, le diagnostic se complique surtout lorsqu'on œuvre dans un milieu bruité ou bien en opérant à haute vitesse. Le problème se complique lorsque ces composantes tournent à très haute vitesse ou à très basse vitesse. En effet, lors de l'apparition d'un défaut, on voit souvent apparaître des phénomènes non stationnaires pour lesquels une analyse spectrale ordinaire ne peut plus être appliquée. On doit alors faire appel à des techniques d'analyse temps-fréquence. Par contre, le diagnostic de la gravité de l'endommagement et de la vie résiduelle reste encore à élucider, et on doit faire appel à des techniques sophistiquées de traitement de signal, telles la cyclostationnarité et de pronostic, souvent en se basant sur l’intelligence artificielle. Ces informations sont d'une importance cruciale pour le personnel de maintenance afin d'être capable d'agir avant que l'endommagement ne soit devenu critique. L'objectif de ce programme de recherche est d'améliorer les techniques de surveillance des machines, en développant des méthodes originales de détection de l'endommagement ainsi que de pronostic de la dégradation de mécanismes tels les roulements et engrenages. Des applications spécifiques envisagées sont la surveillance des procédé d’usinages (broutement, usure des outils) opérant notamment à haute vitesse ainsi que les systèmes opérant à très basse vitesse (éoliennes, ponts roulants). Plus spécifiquement, nous nous proposons de développer une stratégie de surveillance des machines qui intègre les aspects de sélection de capteurs, l'enregistrement des données, le traitement de signal, la sélection de descripteurs d'endommagement, la détection, le diagnostic, la fusion des données, la modélisation et l’application d’intelligence artificielle pour aboutir au pronostic (prédiction de vie résiduelle), afin de réaliser une reconnaissance automatique des défauts. Deux logiciels de simulation des vibrations dues à des défauts, l’un pour les roulements et l’autre pour des engrenages simples seront développés à cet effet. Ces logiciels devront pouvoir simuler l’effet de toutes sortes de défectuosités sur les vibrations. Nous prévoyons utiliser la méthode de traitement des signaux par transformée de Hilbert-Huang et LMD (Local Mode Decomposition) pour décomposer le signal vibratoire en fonctions temporelles comprenant chacune les fréquences caractéristiques des défauts. Comme les machines tournantes sont de nature répétitive, mais comprenant des événements aléatoires entre chaque cycle, je préconise l’analyse des signaux par cyclostationnarité et par angle-fréquence pour analyser les signaux vibratoires dans le domaine angulaire et ainsi définir des descripteurs de défauts dans le domaine angulaire (moyenne angulaire, variance, angulaire, Kurtosis angulaire), ce qui permettra également de localiser les défauts dans l’espace. Le pronostic sera effectué par des méthodes d’intelligence artificielles (fusion des données, machines à support de vecteurs, réseaux de neurones) afin de déterminer le nombre de défauts et leur ampleur.