Ce projet vise à révolutionner la maintenance prédictive des machines tournantes grâce à l’intelligence artificielle. Dans le cadre de l’industrie 4.0, nous développons une solution innovante pour diagnostiquer les pannes mécaniques et électriques des moteurs à induction par l’analyse avancée de leurs signatures vibratoires et acoustiques.

Le cœur du projet repose sur l’optimisation d’algorithmes d’apprentissage automatique (SVM, Random Forest, k-NN) capables d’interpréter en temps réel les données complexes issues de capteurs multiples. Notre approche combine un prétraitement minutieux des signaux (segmentation, normalisation, filtrage passe-bande) avec l’extraction de caractéristiques dans les domaines temporel, fréquentiel et temps-fréquence.

Les tests réalisés sur la base de données UOEMD-VAFCVS, comprenant 8 types de défauts en conditions variables, ont démontré une capacité remarquable à identifier des pannes spécifiques comme le déséquilibre du rotor ou les défauts d’enroulement statorique. Chaque type de défaillance présente en effet une signature vibratoire distinctive que nos modèles parviennent à reconnaître avec précision.

Au-delà des performances algorithmiques, le projet inclut le développement d’une interface de surveillance intuitive permettant aux opérateurs de visualiser les signaux et les diagnostics en direct. Cette solution ouvre la voie à une maintenance industrielle plus proactive, réduisant les temps d’arrêt et optimisant les coûts.

Les perspectives incluent l’adaptation du système à des environnements industriels réels et l’enrichissement des modèles par des techniques d’apprentissage profond pour une détection encore plus fine des micro-défaillances.