Repository logo
  • English
  • Català
  • Čeština
  • Deutsch
  • Español
  • Français
  • Gàidhlig
  • Italiano
  • Latviešu
  • Magyar
  • Nederlands
  • Polski
  • Português
  • Português do Brasil
  • Srpski (lat)
  • Suomi
  • Svenska
  • Türkçe
  • Tiếng Việt
  • Қазақ
  • বাংলা
  • हिंदी
  • Ελληνικά
  • Српски
  • Yкраї́нська
  • Log In
    Have you forgotten your password?
Repository logo
  • Communities & Collections
  • All of Digital Repository
  • English
  • Català
  • Čeština
  • Deutsch
  • Español
  • Français
  • Gàidhlig
  • Italiano
  • Latviešu
  • Magyar
  • Nederlands
  • Polski
  • Português
  • Português do Brasil
  • Srpski (lat)
  • Suomi
  • Svenska
  • Türkçe
  • Tiếng Việt
  • Қазақ
  • বাংলা
  • हिंदी
  • Ελληνικά
  • Српски
  • Yкраї́нська
  • Log In
    Have you forgotten your password?
  1. Home
  2. Browse by Author

Browsing by Author "Ammar, Belkhiri"

Now showing 1 - 1 of 1
Results Per Page
Sort Options
  • Loading...
    Thumbnail Image
    ItemOpen Access
    DETECTION DES DEFAUTS PAR LES RESEAUX DE NEURONES ARTIFICIELS DE LA MACHINE ASYNCHRONE CONTROLEE PAR LA TECHNIQUE DU FLUX ORIENTE
    (Université Mohamed Boudiaf - M'Sila, 2007) Ammar, Belkhiri
    Ce mémoire présente une étude de l’architecture du système de diagnostic automatique des défaillances de la machine asynchrone contrôlée par la technique du flux orienté. Notre travail entre dans le cadre d’application dela stratégie de l’intelligence artificiel (réseaux du neurone) pour la détection et la localisation des défauts de la machine asynchrone. Nous commençons par l’étude de la problématique du diagnostique des défauts de la machine asynchrone. Ensuite, pour l’extraction des valeurs indicatrices des défauts de la machine asynchrone, nous avons effectué la modélisation et la commande de la machine asynchrone en régime sain et présence des défauts. Par ailleurs, plusieurs réseaux de neurones artificiels ont été appliqués pour la détection des défauts de la machine asynchrones. En effet, nous avons utilisé un sélectionneur qui permet d’activer un seul réseau à la fois en fonction de la charge entraînée par le moteur. Dans ce cas, le réseau sélectionné détecte uniquement les défauts correspondant à un mode de fonctionnement donné. Enfin, des résultats de simulation ont été présentés pour montrer l’efficacité de la technique des Réseaux de Neurones Artificiels pour le diagnostic automatique des défaillances.

All Rights Reserved - University of M'Sila - UMB Electronic Portal © 2024

  • Cookie settings
  • Privacy policy
  • Terms of Use