Contribution au diagnostic vibratoire des engrenages assisté par jumeau numérique : « Application à la surveillance des broyeurs à boulets »

L'industrie 4.0 offre des possibilités technologiques pouvant apporter des solutions appropriées aux problèmes d'optimisation de maintenance, parmi lesquelles l'intelligence artificielle est au premier rang. Cependant, l'usage des algorithmes d'intelligence artificielle dans le processus de diagnostic des machines tournantes a longtemps été limité aux équipements ayant une longue durée de vie à cause de l'indisponibilité et de l'insuffisance des données servant à l'apprentissage de modèles de classification. Grâce à d'importants progrès en matière de technologies du numérique et de méthodes de modélisation, l'utilisation d'un jumeau numérique pourrait être considérée comme une alternative aux données expérimentales. Pour répondre à la problématique de l'indisponibilité des données, cette thèse s'est fixée comme objectif de contribuer au processus de diagnostic des défauts d'engrenages en s'appuyant sur un jumeau numérique de machines tournantes dans un contexte industriel minier. Elle intervient plus précisément dans la phase d'entraînement des algorithmes d'apprentissage automatique, en proposant une approche d'entraînement par données hybrides. L'approche combine respectivement un jeu de données issu de l'historique de pannes du processus physique, enrichi par celui issu de la simulation d'un modèle numérique. Deux procédures d'enrichissement de données sont proposées. Une procédure basée sur les données homogènes, qui consiste à compléter le volume de données dans les classes disponibles et celle basée sur les données hétérogènes qui consiste à compléter les classes indisponibles. Le jumeau numérique utilisé dans ce travail, consiste en un modèle dynamique d'un réducteur à engrenages simple étage, tenant compte des efforts d'excitations de la structure dus à la dynamique de broyage. Ce modèle hybride est obtenu en couplant au modèle classique d'engrenages, un modèle éléments discrets d'un broyeur à boulets. Il a permis d'étudier l'influence du broyeur sur le comportement dynamique du réducteur, sous l'angle des paramètres intrinsèques au fonctionnement du système, à savoir, le taux de remplissage, la vitesse critique et la taille des boulets. La procédure de classification par enrichissement de données mise en place dans cette thèse a été testée sur plusieurs algorithmes d'apprentissage supervisé, qui ont permis l'obtention des résultats prometteurs pour la surveillance intelligente des processus miniers.