Detection and identication methodology for multiple faults in complex systems using discrete-events and neural networks: applied to the wind turbines diagnosis
Méthodologie de détection et d'identication des défauts multiples dans les systèmes complexes à partir d'évènements discrets et de réseaux de neurones : Applications aux aérogénérateurs
Résumé
This thesis deals with the time-domain analysis of the electrical machines fault diagnosis
due to early short-circuits detection in both stator and rotor windings. It also
introduces to the Discrete EVent system Specication (DEVS) a generic solution to
enable concurrent and comparative simulations (CCS). The DEVS-based CCS is an
extension introduced using an aspect-oriented programming (AOP) to interact with
the classic DEVS simulator. A new DEVS-based articial neural network (ANN)
is also introduced with a separation between learning and calculation models. The
DEVS-based CCS is validated on the proposed ANN DEVS library inside the DEVSimPy
environment. The concurrent ANN contributes in the time-domains analysis
for the electrical machine fault diagnosis. This new method is based on data coming
directly from the sensors without any computation but with a new dedicated preprocessing
technique. Later, some enhancements are brought to the articial neural
network based on a new multistage architecture reducing the training time and errors
compared to the single ANN. The new architecture and techniques has been validated
on real data sixteen non-destructive windings faults analysis and localization.
L'étude présentée dans ce mémoire concerne le diagnostic des machines électriques
à l'aide d'une association innovante entre la modélisation à évènements discrets, la
Simulation Comparative et Concurrente (SCC) et les Réseaux de Neurones Articiels
(RNAs). Le diagnostic des machines électriques est eectué à partir d'une analyse
temporelle des signaux statoriques et rotoriques à l'aide de réseaux de neurones de
type Feed-Forward. An de faciliter la conguration de ces réseaux de neurones, l'approche
proposée dans ce document utilise la simulation comparative et concurrente
implémentée grâce au formalisme à évènements discrets DEVS (Discrete EVent system
Specication). L'intégration des algorithmes de la SCC et des RNAs au sein du
formalisme DEVS a été eectuée de manière générique en développent des plug-ins
et une librairie de modèles dans l'environnement de modélisation et de simulation
à évènements discrets DEVSimPy. L'application de cette nouvelle solution pour le
diagnostic des machines électriques permet de détecter les défauts à partir d'une architecture
logiciel facilement portable sur des systèmes embarqués de type FPGA.
Loading...