Contribution aux techniques de diagnostic et pronostic d’un système de conversion d’énergie de type éolienne
| dc.contributor.author | BELDJAATIT, Chahinez | |
| dc.date.accessioned | 2026-04-07T09:47:29Z | |
| dc.date.available | 2026-04-07T09:47:29Z | |
| dc.date.issued | 2026-01-14 | |
| dc.description.abstract | L'évolution mondiale croissante vers les énergies renouvelables a considérablement augmenté le déploiement des systèmes éoliens en tant que source d'énergie propre et durable. À mesure que ces systèmes deviennent plus grands et plus sophistiqués sur le plan technologique, leur complexité opérationnelle augmente, en particulier dans les installations offshores et éloignées, ce qui les rend plus sensibles aux défaillances mécaniques et à la dégradation des performances. Parmi les composants critiques, les roulements et les pièces rotatives sont très sensibles à l'usure et aux dommages dus aux charges dynamiques et aux conditions environnementales difficiles. Par conséquent, il existe un besoin urgent de stratégies avancées et fiables de surveillance de l'état et de diagnostic des défaillances pour assurer le fonctionnement continu, sûr et rentable des éoliennes, réduire les temps d'arrêt imprévus et prolonger la durée de vie de l'équipement. Cette recherche propose deux stratégies de diagnostic complémentaires conçus pour améliorer la précision et la robustesse de la détection des défaillances dans les systèmes d'éoliennes, en mettant l'accent sur les défaillances liées aux roulements. La première méthode utilise des techniques de traitement des signaux en combinant la transformée en ondelettes discrète (DWT) et la transformée de Fourier rapide (FFT) pour extraire des caractéristiques sensibles aux défauts à partir des signaux de vibration. Cette approche est appliquée à l'ensemble de données de référence des roulements de la Case Western Reserve Université (CWRU), qui comprend quatre états de santé différents des roulements, ce qui permet d'identifier avec précision les caractéristiques des défauts sur la base d'une analyse énergétique multirésolution et de modèles dans le domaine des fréquences. La deuxième approche proposée présente un modèle d'intelligence artificielle hybride innovant (2DCNN-SC) qui combine une méthode d'apprentissage profond, en particulier un réseau neuronal convolutionnel bidimensionnel (2DCNN), avec un classificateur d'ensemble d'empilement comprenant des apprenants de base considérables. Cette méthodologie hybride est évaluée à l'aide de deux ensembles de données : l'ensemble de données sur les défauts de roulements de la CWRU et l'ensemble de données SCADA de l'éolienne Aventa AV-7, qui comporte cinq catégories de défaillances opérationnelles authentiques. Nous évaluons l'efficacité de la méthode proposée en termes de taux de classification des défauts, de spécificité et de précision. Le système proposé atteint des performances de diagnostic exceptionnelles, avec des précisions de classification de 99,6 % sur l'ensemble de données CWRU et de 99,76 % sur l'ensemble de données Aventa. Les résultats démontrent l'efficacité de l'intégration de l'extraction de caractéristiques profondes avec l'apprentissage d'ensemble pour l'identification intelligente des défauts dans le monde réel des éoliennes. | |
| dc.identifier.uri | http://dspace.univ-skikda.dz:4000/handle/123456789/5923 | |
| dc.language.iso | fr | |
| dc.title | Contribution aux techniques de diagnostic et pronostic d’un système de conversion d’énergie de type éolienne | |
| dc.title.alternative | Spécialité : Électromécanique | |
| dc.type | Thesis |