Research Projects
CNEPRU : Développement d’un système intelligent pour le diagnostic de défauts dans les machines tournantes
Project Code | Period |
---|---|
A01L09UN410120190002 | 2019-2022 |
Project Leader
Abdelaziz LAKEHALProfessorFaculty of Science and Technology University of Souk Ahras, Souk Ahras : a.lakehal@univ-soukahras.dz : https://www.univ-soukahras.dz/en/profile/alakehal |
Members
Full name | Position | Field |
---|---|---|
Kais KHOUALDIA |
Lecturer |
Project Description
Avec le développement rapide des systèmes industriels modernes, systématiquement la complexité augmente. Par conséquent, le diagnostic de défaillances doit être utilisé pour obtenir une fiabilité et une disponibilité optimale. Le diagnostic de défaillances détecte rapidement les anomalies des processus et de composants et identifie les causes premières de ces défaillances à l'aide de modèles, d'algorithmes et d'observations du système appropriés. Par conséquent, le système de diagnostic de défaillances est utile pour aider le personnel d’exploitation à détecter, isoler et identifier les défaillances afin de faciliter ensuite le dépannage. Aussi avec le développement du tissue industriel que connaitre le payé, et l’orientation vers l’industrie pétrochimique utilisatrice principalement des machines tournantes, des moyens technologiques et des outils doivent être mise en œuvre pour anticiper les échecs et éviter les pertes économiques.En général, les approches de diagnostic des pannes peuvent être classées en trois catégories: approches basées sur un modèle [1, 2], basées sur le signal [3] et basées sur des données [4]. Dans l’approche par modèle, l’accent est mis sur l’établissement de modèles mathématiques de systèmes industriels complexes. Ces modèles peuvent être construits selon différentes méthodes d'identification, principes physiques, etc. L'approche basée sur le signal utilise les signaux détectés pour diagnostiquer d'éventuelles anomalies et défaillances en comparant les signaux détectés aux informations préalables des systèmes industriels normaux [5]. Il est généralement difficile de créer des modèles mathématiques précis et d’obtenir des modèles de signal précis pour des systèmes industriels et de processus complexes. L'approche de diagnostic de défaillance basée sur les données nécessite une grande quantité de données historiques, plutôt que des modèles ou des modèles de signaux. Par conséquent, les méthodes basées sur les données conviennent aux systèmes industriels complexes.