Implémentation des techniques d’intelligence artificielle sur FPGA en vue de surveillance et de diagnostic des machines industrielles

Abstract

Les machines tournantes sont un atout essentiel des installations industrielles du monde entier. Ces machines sont de plus en plus complexes et ne peuvent être exemptes de perturbations et de défaillances, influant sur la qualité du produit, pouvant provoquer l’arrêt immédiat d’une machine et porter atteinte au bon fonctionnement d’un système de production entier. Les roulements sont le principal composant de pannes dans les machines tournantes. Il est donc très important d’identifier la détérioration du roulement à un stade précoce. L’analyse vibratoire est l’une des techniques les plus utilisées dans la maintenance prédictive pour détecter les dommages dans les machines tournantes. Dans cette thèse, la méthode de l’analyse d’enveloppe est utilisée pour extraire les caractéristiques défectueuses des roulements suivi d’un perceptron multicouche pour classer les conditions des roulements défectueux. L’architecture proposée est implémentée sur une carte FPGA, où la plateforme Digilent Zybo Z7-20 avec un circuit FPGA Zynq-7000 de Xilinx a été sélectionnée comme cible. La base de données de Case Western Reserve University (CWRU), qui est considérée comme un standard pour tester les classifications des défauts des roulements, ainsi que la base de Mechanical Failure Prevention Technology (MFPT) est utilisée pour évaluer les performances. Les résultats obtenus montrent l’efficacité de ce système embarqué dans le diagnostic et la classification des défauts de roulement.