Reconnaissance de défauts dans les machines tournantes par apprentissage machine : cas des roulements

Abstract

Le travail présenté étudie la reconnaissance des défauts de roulement basé sur une méthode d’apprentissage machine (Machine Learning), en l’occurrence les Modèles de Mélange Gaussien (GMM). Les descripteurs utilisés sont les coefficients de prédiction linéaire (LPC) d’une part, et les coefficients cepstraux des fréquences de Mel (MFCC), d’autre part. Tout au long de cette étude, un seul critère est défini pour l'évaluation des performances du processus de classification. Il s'agit du taux de classification moyen (ACR) obtenu à partir de la matrice de confusion. Dans chaque test effectué, les vecteurs d’attributs générés sont pris en compte pour distinguer quatre conditions de défaut à savoir, des roulements normaux, des roulements avec des défauts de course internes et externes et des défauts de bille. De nombreuses configurations ont été testées afin de déterminer les valeurs optimales des paramètres d'entrée (taille de trame d'analyse, ordre du modèle, etc.). L'application expérimentale est basée sur des signaux de vibration en provenance du centre de données de roulement de l’université américaine CWRU (Case Western Reserve University). Dans certaines conditions, les résultats obtenus dans cette étude affichent des performances de classification élevées, en bonne concordance avec ceux issus de la littérature.