قسم الهندسة الميكانيكية

Permanent URI for this collection

http://localhost:4000/handle/123456789/97

Browse

Browsing قسم الهندسة الميكانيكية by Author "Mehalaine, Abdelfettah"

Now showing 1 - 1 of 1
  • No Thumbnail Available
    Item
    Exploitation des signaux vibratoires des machines tournantes pour la détection des défaillances et le suivi de leurs évolutions
    (Université d'Oum El Bouaghi, 2024) Mehalaine, Abdelfettah; Berkani, Oualid
    La surveillance et le diagnostic de l'état vibratoire des turbines à gaz revêtent une importance cruciale pour la détection précoce des défauts mécaniques, qui peuvent entraîner des arrêts de production imprévus et des coûts de maintenance considérables. L'analyse vibratoire offre une gamme variée de méthodes, d'outils et de techniques permettant de localiser et de caractériser ces défauts. La surveillance des turbomachines requiert une sélection judicieuse d'indicateurs temporels ou fréquentiels afin de prévenir les défaillances majeures. Ces indicateurs sont suivis attentivement pour repérer les changements progressifs qui pourraient signaler une dégradation du système. Cette thèse s'articule autour de la surveillance, du diagnostic et du pronostic des défaillances mécaniques dans les turbines à gaz. Son approche méthodologique consiste en deux sections fondamentales. La première applique une stratégie de maintenance conditionnelle (CBM) pour surveiller et analyser les signaux vibratoires d'une turbine à gaz couplée à un générateur électrique. Son objectif est de détecter tout signe de dégradation du système et de diagnostiquer les dysfonctionnements à l'aide de diverses techniques de traitement du signal. La deuxième section vise à fusionner les approches CBM et prédictive intelligente (PdM) dans une approche CBM/PHM cohérente. Son objectif est de développer un modèle de régression exponentielle utilisant des techniques d'apprentissage automatique pour prédire la durée de vie utile restante (RUL) d'une turbine à gaz produisant une puissance de 250 MW. The monitoring and diagnosis of the vibratory behavior of gas turbines are crucial for early detection of mechanical faults, which can lead to unforeseen production shutdowns and significant maintenance costs. Vibrational analysis offers a diverse range of methods, tools, and techniques for locating and characterizing these faults. Monitoring turbomachinery requires a judicious selection of temporal or frequency indicators to prevent major failures. These indicators are closely monitored to spot progressive changes that may indicate system degradation. This thesis focuses on monitoring, diagnosis, and prognostication of mechanical failures in gas turbines. Its methodological approach consists of two fundamental sections. The first applies a conditional maintenance strategy (CBM) to monitor and analyze vibrational signals from a gas turbine coupled with an electric generator. Its aim is to detect any signs of system degradation and diagnose malfunctions using various signal processing techniques. The second section aims to merge CBM and intelligent predictive maintenance (PdM) approaches into a coherent CBM/PHM strategy. Its goal is to develop an exponential regression model using machine learning techniques to predict the remaining useful life (RUL) of a 250 MW gas turbine. تعد مراقبة وتشخيص السلوك الاهتزازي لتوربينات الغاز أمرًا بالغ الأهمية للكشف المبكر عن الأعطال الميكانيكية، والتي يمكن أن تؤدي إلى إيقاف الإنتاج بشكل غير متوقع وتكاليف صيانة كبيرة. يقدم تحليل الاهتزازات مجموعة متنوعة من الأساليب والأدوات والتقنيات لتحديد موقع هذه الأخطاء وتوصيفها. تتطلب مراقبة الآلات التور بينية اختيارًا حكيمًا للمؤشرات الزمنية أو الترددية لمنع حدوث أعطال كبيرة. تتم مراقبة هذه المؤشرات عن كثب لاكتشاف التغييرات التدريجية التي قد تشير إلى تدهور النظام. تركز هذه الأطروحة على مراقبة وتشخيص والتنبؤ بالأعطال الميكانيكية في توربينات الغاز. تتشكل مقاربتها المنهجية من قسمين أساسيين. يطبق الأول استراتيجية الصيانة المشروطة (CBM) لرصد وتحليل الإشارات الاهتزازية الصادرة عن توربينات الغاز المقترنة بمولد كهربائي. هدفها هو اكتشاف أي علامات لتدهور النظام وتشخيص الأعطال باستخدام تقنيات معالجة الإشارات المختلفة. يهدف القسم الثاني إلى دمج أساليب CBM والصيانة التنبؤية الذكية (PdM) في استراتيجية متماسكة CBM/PHM هدفها هو تطوير نموذج الانحدار الأسي باستخدام تقنيات التعلم الآلي للتنبؤ بالعمر الإنتاجي المتبقي (RUL) لتوربين غاز بقدرة 250 ميجاوات.