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

Samuel Toma (1)

1 SPE - Sciences pour l'environnement

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.

Mots clés: Discrete Event Simulation; Discrete Events Systems; Discrete Event Modeling; Wind Generators; Wind Turbine modeling; Neural Network Models; Concurrent and Comparative Simulation; DEVS; FPGA; DEVSimPy; Mpodeling and simualtion framework; Python

Mots clés: Simulation à événement discret; Machines asynchrones; réseaux de neurones; formalisme à événement discret; Simulation comparative et concurrente; Environnement de modélisation et de simulation.

Domaines: Modélisation et simulation; Réseau de neurones [cs.NE]; Energie électrique; Automatique / Robotique; Traitement du signal et de l'image [eess.SP]

Samuel Toma. Detection and identication methodology for multiple faults in complex systems using discrete-events and neural networks: applied to the wind turbines diagnosis. Modeling and Simulation. University of Corsica, 2014. English. ⟨NNT : ⟩. ⟨tel-01141844⟩