Développement d'une plateforme de diagnostic non intrusive des grands alternateurs hydroélectriques par mesures vibroacoustiques

Les travaux de recherche menés en doctorat explorent la surveillance et le diagnostic des grands alternateurs hydroélectriques via l'auto-encodeur variationnel, une technique d'apprentissage profond en se basant sur les signaux vibroacoustiques. Une modélisation numérique d'un alternateur hydroélectrique sur Ansys Workbench a été utilisée pour générer des signatures fréquentielles de défauts, essentielles en raison de l'impossibilité de créer des défauts en conditions réelles. Ces signatures sont intégrées à des signaux réels pour constituer une base de données servant à l'apprentissage et à la validation du modèle d'intelligence artificielle. La surveillance en temps réel permet de détecter précocement les défauts, en se basant sur deux métriques développées qui minimisent les fausses alertes et surpassent les méthodes traditionnelles, même avec l'injection du bruit gaussien. L'exploration de l'espace latent du modèle, un espace à dimension réduite (2D), a permis un diagnostic efficace, chaque état de la machine étant représenté par un cluster coloré. Ensuite, un terme de désirabilité a été intégré à la fonction objective du modèle pour standardiser le modèle de diagnostic pour qu'il soit potentiellement applicable à toutes les machines. Ces travaux, en collaboration avec Hydro-Québec, favorisent le transfert technologique vers l'industrie, optimisant la surveillance.