Note ABES Représentativité de la modélisation aux éléments finis pour le diagnostic de machines synchrones de grande puissance Representativeness of finite element modelling for the diagnosis of great power synchronous machines Turboalternateur 621.313 4 Turbogénérateurs Défauts Simulation par ordinateur Détection de défaut (ingénierie) Courts-circuits Localisation Méthode des éléments finis Flux magnétique Mesure Reconnaissance des formes (informatique) Classification automatique Exploration de données Théorie des machines séquentielles Nous avons développé une méthode d'identification de courts-circuits et d'excentricités statiques d'un turboalternateur en fonctionnement. Cette méthode doit être non seulement capable d'identifier le type de défaut, mais également sa gravité et sa localisation. Pour cela, la force électromotrice issue d'une sonde de flux radiale est considérée pour identifier les défauts de la machine. Les méthodes d'apprentissage ayant fait leur preuve sur ce type de problématique, un ensemble d'échantillons des défauts, i.e. matrice des prototypes, est construit grâce à des simulations par la méthode des éléments finis de la machine dans un grand nombre d'états de fonctionnement. Le but est alors d'identifier la classe (le défaut) de mesures expérimentales en considérant les sorties de simulations. Pour faire cela, une maquette de turboalternateur est modélisée et les sorties de simulation sont comparées aux mesures expérimentales. L'application de méthodes de classification supervisée choisies selon la forme des données montre qu'on peut atteindre des taux de bonne classification de 79 % pour les courts-circuits et 93 % pour les excentricités après un traitement spécifique des attributs et un recalage des sorties de simulation. Une règle d'identification du type de défaut est également mise en place au travers d'une classification hiérarchique. Celle-ci donne d'excellents résultats pour lesquels toutes les mesures expérimentales sont assignées au bon type de défaut. Enfin, un automate à états finis permet d'améliorer les résultats précédents en tenant compte de l'évolution temporelle de l'état de fonctionnement de la machine. Ainsi, un taux de bonne classification de 91.5 % pour l'identification de courts-circuits est obtenu. An identification method of rotor inter-turn short-circuits and static eccentricities of an operating turboalternator is developed. This approach provides the type of the machine functional state such as its seriousness and location. The electromotive force obtained from a radial flux sensor is considered in order to identify the machine faults. Some previous works have shown that learning methods are efficient to characterize precisely the fault of a machine. Thus, a fault signatures data set, i.e. prototypes matrix, is built thanks to simulations using finite element method applied to the machine considering a great number of functional states. Therefore, the goal of this work is to identify the class (fault) of experimental measurements using the simulated output. To do that, a small scale alternator is modelled and simulation outputs are compared to the experimental measurements. The application of supervised classification method chosen beyond the shape of data shows that a good classification rate of 79 % for short-circuits and 93 % for eccentricities can be achieved thanks to specific features and simulation output treatments. An identification rule of the fault type is designed by considering a hierarchical classification approach. It achieves excellent results since all experimental measurements are assigned to the right type of fault. Finally, the use of a finite state automaton achieves better results for short-circuits identification by taking into account the temporal evolution of the machine functional state. Electronic Thesis or Dissertation Text fr PDF 11697902 text/html https://pepite-depot.univ-lille.fr/LIBRE/EDSPI/2016/50376-2016-Bacchus.pdf https://theses.fr/2016LIL10014/abes Bacchus Alexandre Bacchus 1989-09-04 FR 193736640 https://theses.fr/2016LIL10014 2016LIL10014 https://doi.org/10.70675/f26cd56azf61bz4843z9b5fz76eead48ef8b 2016-02-24 Génie électrique Lille 1 026404184 Doctorat Docteur es non oui Tounzi Abdelmounaïm MADS_DIRECTEUR_DE_THESE_1 136806910 Macaire Ludovic MADS_DIRECTEUR_DE_THESE_2 06065614X Le Menach Yvonnick MADS_DIRECTEUR_DE_THESE_3 123242118 Biet Mélisande MADS_MEMBRE_DU_JURY_1 122149602 École doctorale Sciences pour l'ingénieur (Lille ; 1992-2021) MADS_ECOLE_DOCTORALE_1 147297028 Centre de Recherche en Informatique, Signal et Automatique de Lille MADS_PARTENAIRE_DE_RECHERCHE_1 18388695X Laboratoire d'électrotechnique et d'électronique de puissance (L2EP) MADS_PARTENAIRE_DE_RECHERCHE_2 067103510 EDF Lab Paris-Saclay MADS_PARTENAIRE_DE_RECHERCHE_3 078055547 ddc:620 Tounzi Abdelmounaïm Macaire Ludovic Le Menach Yvonnick Biet Mélisande École doctorale Sciences pour l'Ingénieur (Lille) Centre de recherche en informatique, signal et automatique de Lille (CRIStAL) Laboratoire d'électrotechnique et d'électronique de puissance (L2EP) Électricité de France. Division Recherches et développement PDF 11697902