Etude Comparative de Deux Méthodes D’optimisation d’un Système de Classification des Défauts Mécaniques par la Logique Floue
Loading...
Date
Journal Title
Journal ISSN
Volume Title
Publisher
Université Sétif 1 - Ferhat ABBAS , Faculté de Technologie
Abstract
The aim of this work is to optimize a diagnostic system for bearing defects based on fuzzy logic (fuzzy inference system (FIS)). For this reason, we have chosen a methodology based on three steps: the first step is to classify the different defects using an initial fuzzy inference system (FIS), whose input variables are selected randomly from a set of indicators prepared following a preliminary study of all the signals recorded from the studied system. For optimization purposes, and in the second step, an optimization is performed which affects the structure of the system and more particularly their inputs (structural optimization), selecting the best indicators in the overall set and able to separate clearly the different classes of defects studied, the selected indicators are then used as new input variables of the special diagnostic system at this second step, which is said to have optimized the structure of the diagnostic system, the method used for the automatic selection of the indicators is called the Fischer criterion method. In the third and final step, and always in order to optimize the diagnostic system (FIS), and unlike the previous step, the change this time affects the parameters of the system (parametric optimization), using a neuro-fuzzy system called ANFIS (ANFIS: Adaptive Neuro-
Fuzzy Inference System), This integrated system, which combines the advantages of the two techniques, fuzzy logic (FL) and neural networks (NN), adjusts the various parameters of the functions of membership associated with the various input and output variables of the diagnostic system (FIS) by the learning process to obtain the best results in the diagnosis of defects studied. The various programs developed during the three stages of the methodology adopted for the optimization of the system (FIS) were tested and validated using a set of vibratory signals from a test bench of bearings in different operating modes(healthy and with defects). The results obtained demonstrate the capacity and effectiveness of the methodology adopted to optimize the diagnostic system through a clear improvement of the results of the diagnosis after the optimization process compared to the results before the optimization.
Description
La logique floue, par sa caractéristique principale de simulation du raisonnement humain, est classée parmi les techniques de l’intelligence artificielle. Cette technique permet de modéliser, puis de remplacer l’expertise de surveillance et de conduite du processus provenant du concepteur ou de l’utilisateur. La logique floue a contribué dans le développement de plusieurs domaines. En maintenance industrielle, la logique floue est utilisée pour résoudre les problèmes du diagnostic par la classification automatique des signaux vibratoires correspondant aux différents modes de fonctionnement des machines. La technique de la logique floue(LF) souffre d’un ensemble d’inconvénients en phase de modélisation à l’aide des modèles à inférence floue à plusieurs niveaux(le choix et le nombre des variables d’entrée, le choix et le nombre des fonctions d’appartenance, la génération des règles, la méthode de défuzzification, etc). Pour surmonter ces inconvénients, on procède à une optimisation du système flou de diagnostic.
L’objectif de ce travail porte sur l'optimisation d’un système de diagnostic de défauts de roulements à base de la logique floue (système à inférence floue(SIF)). Pour cette raison, nous avons choisi une méthodologie basée sur trois étapes: la première étape consiste à classer les différents défauts à l'aide d'un système initial à inférence floue(SIF), dont les variables d’entrée sont sélectionnées de manière aléatoire à partir d’un ensemble d’indicateurs préparé suite à une étude préalable de l'ensemble des signaux enregistrés à partir du système étudié.
Pour des fins d’optimisation, et lors de la deuxième étape, on a procédé à une optimisation qui affecte la structure du système et plus particulièrement ses entrées (optimisation structurelle), en sélectionnant parmi l’ensemble des indicateurs ceux en mesure de séparer nettement les différentes classes de défauts étudiés. Les indicateurs sélectionnés sont utilisés ensuite comme nouvelles entrées du système de diagnostic spécial lors de cette deuxième étape, On dit alors que la structure du système de diagnostic a été optimisée. La méthode utilisée pour la sélection automatique des indicateurs est le critère de Fischer.
Dans la troisième et dernière étape, et toujours dans le but d’optimiser le système de diagnostic (système à inférence floue (SIF)), et contrairement à l’étape précédente, le changement affecte cette fois les paramètres du système (optimisation paramétrique), en utilisant un système neuro-flou appelé ANFIS(ANFIS : Adaptive Neuro- Fuzzy Inference System). Ce système intégré, qui combine les avantages des deux techniques , la logique
floue(LF) et les réseaux de neurones(RN), ajuste les différents paramètres des fonctions d’appartenance associées aux différentes variables d’entrée et de sortie du système de diagnostic (FIS) par le processus d’apprentissage afin d'obtenir les meilleurs résultats lors du diagnostic des défauts étudiés.
Les différents programmes développés au cours des trois étapes de la méthodologie d’optimisation du système (FIS) ont été testés et validés à l'aide d'un ensemble de signaux vibratoires d’un banc d’essais de roulements en différents modes de fonctionnement (sain et avec défauts). Les résultats obtenus démontrent la capacité et l'efficacité de la méthodologie adoptée pour optimiser le système de diagnostic grâce à une nette amélioration des résultats du diagnostic après le processus d'optimisation par rapport aux résultats avant l'optimisation.