Stage PFE Recherche | Développement d’un dispositif portable intelligent pour la détection des défauts de roulements dans les entraînements électriques

Contexte:

Les entraînements électriques industriels sont au cœur de la production moderne et jouent un rôle essentiel dans l’efficacité énergétique et la continuité opérationnelle des installations. Parmi les différents défauts susceptibles de dégrader leurs performances, les défaillances de roulements représentent plus de 40 % des pannes observées dans les moteurs et machines tournantes. La détection précoce de ces défauts est donc un enjeu majeur pour réduire les coûts de maintenance, éviter les arrêts imprévus et améliorer la durabilité des équipements.

Objectif:

L’objectif de ce PFE est de développer une solution portative innovante basée sur des capteurs connectés (vibrations, acoustique, courant, température) et des méthodes avancées d’intelligence artificielle, afin de détecter de manière fiable les défauts de roulements dans les entraînements électriques. Le caractère novateur du projet réside dans l’intégration des algorithmes de diagnostic dans un appareil portable, facile à déployer sur le terrain, destiné aux techniciens et ingénieurs de maintenance industrielle.

Ce projet contribue à la durabilité industrielle en :

·         Réduisant les pannes et les arrêts non planifiés,

·         Augmentant la longévité des machines,

·         Optimisant la consommation énergétique des installations.

Axes de recherche:

Plusieurs axes de recherche sont envisagés :

1.       Analyse des signaux physiques issus de capteurs IoT (accéléromètres, microphones, capteurs de courant).

2.       Extraction de caractéristiques avancées (time-domain, frequency-domain, time-frequency, cepstrum, enveloppe).

3.       Développement de modèles IA adaptés : machine learning, deep learning (CNN, LSTM, transformers), ou modèles embarqués (“TinyML”).

4.       Conception d’un prototype portable intégrant capteur, microcontrôleur/SoC, communication sans fil et interface utilisateur simple.

5.       Validation expérimentale sur bancs moteurs ou données réelles (tests avec défauts simulés ou naturels).

Méthodologie envisagée :

La méthodologie combine revue bibliographique, collecte/détection de données, conception d’algorithmes, prototypage électronique et tests expérimentaux.

Les résultats attendus :

·         Développement d’un modèle IA capable de détecter les principaux défauts de roulements (défaut interne, externe, cage, billes).

·         Preuve de faisabilité d’un diagnostic embarqué dans un dispositif portable.

·         Benchmark des différentes approches IA (ML/DL/TinyML).

Livrables :

·         Rapport détaillé (état de l’art, méthodologies, résultats).

·         Base de données expérimentale annotée (signaux vibratoires/ acoustiques / courant).

·         Prototype fonctionnel d’un appareil portable de détection (ou démonstrateur logiciel embarqué).

·         Présentation orale et démonstration pratique.

Compétences visées :

·         Traitement avancé des signaux.

·         Conception de systèmes IoT / capteurs connectés.

·         IA pour le diagnostic (ML, Deep Learning, TinyML).

·         Prototypage électronique et embarqué.

·         Méthodologie scientifique, expérimentation et validation.