Diagnostic des défaillances centré sur l'efficacité des moteurs à induction en service pour les applications de jumeau numérique : une étude de cas sur les barres rotoriques cassées

Le fonctionnement ininterrompu des moteurs à induction est crucial pour les industries, garantissant la fiabilité et une fonctionnalité continue. Pour y parvenir, nous proposons une approche innovante qui utilise un système d'ombre numérique (digital shadow) basé sur un modèle d'efficacité pour la détection et le diagnostic des défaillances (FDD) in situ dans les moteurs à induction (IMs). Le modèle d'ombre estime avec précision les pertes et l'efficacité des IMs à travers diverses conditions opérationnelles. La méthode que nous proposons utilise l'efficacité comme indicateur principal pour la détection des pannes, tandis que les pertes servent d'indicateurs d'état pour le diagnostic des défaillances basé sur les paramètres du moteur en temps réel et les sources de pertes. Nous introduisons un bond graph en tant que réseau de diagnostic des défaillances, reliant les sources de pertes, les paramètres du moteur et les pannes. Cette approche interconnectée constitue l'aspect clé de notre méthode de diagnostic proposée et a pour vocation d'être utilisée dans le diagnostic des défaillances comme méthode générale. Une étude de cas portant sur une barre rotorique cassée est utilisée pour valider la méthode proposée à l'aide d'un ensemble de données de cinq moteurs. Parmi ceux-ci, un moteur fonctionne sans défaillance, tandis que les quatre autres présentent des défauts de rupture de rotor classés 1, 2, 3 et 4. La méthode proposée atteint une précision de 99.99% dans l'identification d'une à quatre barres rotoriques défectueuses dans les IMs. Une analyse comparative démontre de bonnes performances par rapport aux approches FDD basées sur les vibrations. De plus, notre méthodologie est efficace sur le plan informatique et alignée sur les exigences de l'Industrie 4.0.