Fiabiliser et diagnostiquer les chaînes de tractions électriques mobiles – MYEL

Les travaux de recherche de l’axe 1 s’articulent, dans une première phase, sur deux thèses. La première thèse (Thèse 1) est axée sur le développement de méthodes de classification par utilisation d’algorithmes basés sur l’analyse de séries temporelles obtenues à partir des capteurs disponibles nativement sur la chaîne de traction moteur/onduleur.
La deuxième thèse (Thèse 2) s’oriente sur l’étude de l'apport de l’utilisation de capteurs de champs magnétiques, pour la détection précoce de courts-circuits entre spires statoriques dans les machines synchrones à aimants permanents.
La troisième thèse (Thèse 3) est réalisée en partenariat avec le laboratoire EPEU de l’université de Mons (Belgique). Cette thèse s’appuie sur les résultats des travaux initiés précédemment. L’objectif principal du travail est d’estimer la durée de vie du bobinage du moteur électrique.

Travaux réalisés Thèse 1.
- Étude de l’impact de l’utilisation de plusieurs systèmes de vote dans SeF-Rocket : électoral à
préférences multiples ordonnées (SVEPMO), Highest Median (HMED), la théorie des possibilités
(TP), Highest Mean (HMEAN).
- Implémentation d’une valeur de Threshold permettant de valider un vote ou non. Cette méthode
se base sur l’unanimité que produit l’ IR-PO sélectionné (e.g. un vote peut ne pas être validé si
au moins 18 des 20 votants ne mettent pas le choix dans leurs Top 5) sinon PPV_MIX est choisie.
- Utilsation du StratifiedShuffleSplit en plus du RepeatedStratifiedKFold permettant de grande-
ment accélérer la recherche du meilleur IR-PO pour les gros jeux de données.
- Création d’ Hydra-SelFRocket, une méthode qui consite à concatener les features produitent par
Hydra et SelF-Rocket.
- Corrections, Amélioration et Reformatage du repository (Github de SelF-Rocket) et mis a jour
des diagrammes et graphiques de résultats.
- Mise en place d’un environnement de test dans le serveur de calcul & GPU MYEL et récupération
des données nécessaires pour l’analyse de sensibilité du papier de SelF-Rocket.

Travaux réalisés Thèse 2.
- La recherche bibliographique sur l’ensemble des défauts dans un bobinage statorique d’un moteur synchrone est terminée et permet de développer des modèles d’analyses qui fusionnent les méthodes basées sur les connaissances avec des techniques avancées de modélisation de signaux.
- Les méthodes d’analyses de signaux temporels sont axés, dans un premier temps, sur le coefficient de corrélation de Pearson associé, dans un second temps sur les méthodes de type CATCH22 et STL.
- Dans l’attente de la réalisation d’un banc moteur adapté à la problématique de la thèse, de nombreuses campagnes de mesures ont été réalisées, lors de la première année, sur une machine disponible au LSEE similaire à notre machine cible.
- Le moteur investigué est modélisé dans le logiciel FLUX 2D afin d’établir une cartographie du champ rayonné pour différentes configurations de défauts. Une base de données est ainsi construite et servira de données d’apprentissage pour nos algorithmes (machine learning).

Travaux réalisé Thèse 3
La thèse a démarré mi-septembre 2024.
- L’état de l’art effectué pour cette année est rédigé en tant que premier chapitre de la thèse. Il traite des matériaux composant les systèmes d’isolations des machines tournantes, des types de vieillissement des systèmes d’isolations (contrainte ´électrique sous onduleur a` MLI, etc.), des différents indicateurs de vieillissement, ainsi que des modèles prédictifs pour l’estimation de la durée de vie des machines ´électriques par l’intelligence artificielle (IA).
- Commencé la première campagne d’essais de vieillissement électrique et thermique sur des spécimens de deux fils différents afin d’évaluer les indicateurs après chaque cycle.
- Réalisé un résumé d’article pour la conférence SGE et définir les étapes suivantes

Thèse 1 :
- Formations sur Pyleecan et plus généralement sur la simulation de données de moteurs de
véhicules électrique.
- Amorcer la recherche sur la Near Real-Time default detection sur micro-controleur et toutes pistes
relatives à cela (e.g. sur la Streaming Time Series Segmentation [1]).
- Configuration et tests préliminaires sur la Puce NPU fournie (Rock 5b 16gb) de SelF-Rocket.
- Finaliser les corrections du papier de SelF-Rocket et re-soumission de sa nouvelle version.

Thèse 2 :
- La résolution des problèmes de bruit générés lors des mesures (sensibilité des capteurs)
- La validation les modèles déjà entrainés
- Le développement des modèles pour définir le degré de sévérité des défauts.

Thèse 3 :
- Continuer les campagnes d’essais jusqu’au claquage des isolants afin de constituer une base de données solide.
- Effectuer une analyse approfondie des données pour chaque indicateur, afin de déterminer celui qui fournit les meilleures informations sur les deux types de vieillissement (´électrique et thermique).
- Développer un modèle prédictif basé sur la physique pour estimer la durée de vie des isolants.
- A la fin de l’année, réaliser des essais de vieillissement sur un bobinage complet de machine afin de valider les modèles prédictifs sur un système plus complexe.

- Mouad Talbaoui, Younes Azzoug, Sébastien Ramel, Remus Pusca, Eric Lefevre, et al.. Coefficient de corrélation et champ magnétique pour la détection de court-circuit entre spires dans les machines synchrones. 2024. ?hal-04693865?. JCGE (conférence nationale)
- Mouhamadou Mansour LO, Gildas Morvan, Mathieu Rossi, Fabrice Morganti, David Mercier. Évaluation de méthodes basées sur les noyaux de convolution aléatoires pour la détection de défauts mécaniques dans les machines
- arxiv.org/pdf/2409.01115

Le Laboratoire Commun « MYEL » a pour projet de fiabiliser la chaîne de traction électrique complète en s’appuyant sur une triple orientation : fiabiliser les organes constitutifs de cette chaîne, piloter ces derniers par des lois de commande adaptées et prédire leurs défaillances. Ce LabCom est à l’initiative de la société CRITTM2A (Centre de Recherche et d’Innovation Technique et Technologique Moteur et Acoustique Automobile) et le Laboratoire Systèmes Électrotechniques et Environnement (LSEE) de l’université d’Artois. Le CRITTM2A est un centre d’essais et d’expertises indépendant proposant des prestations d’ingénierie, de mise au point et d’essais à haute valeur ajoutée dans les domaines de la vibro-acoustique, des batteries et des chaînes de traction électriques et hybrides. Le LSEE travaille à la conception de machines électriques répondant à des contraintes fortes en termes de performances, de durabilité et de fiabilité ; il développe aussi des outils permettant de diagnostiquer leur état de santé. MYEL s’inscrit dans une dynamique déjà amorcée entre les deux partenaires avec un projet ANR PRCE lancé fin 2021 en collaboration avec deux autres entreprises. Une première proposition de LabCom a été formulée en 2021 ; cette version, plus aboutie, s’appuie sur les remarques et conseils formulés par le comité d’évaluation ANR.
Les problématiques et l’évolution de la demande des acteurs de la mobilité électrique poussent le CRITTM2A et le LSEE à pérenniser leur partenariat. En effet, MYEL se positionne face au besoin d’innovations en rupture pour une mobilité durable et en totale évolution. Les contraintes changent, conduisant à un paradigme du secteur automobile sous le prisme des nouvelles normes environnementales sur les émissions de polluants, de l’utilisation de nouveaux matériaux et de la réduction des coûts de développement, d’acquisition et de possession des véhicules. Le croisement des compétences du CRITTM2A et du LSEE permet de répondre à certains de ces besoins à travers deux axes de recherche. Le premier axe consiste à prédire et détecter des défauts moteur/onduleur par l’utilisation d’algorithmes d’apprentissage automatique sur la base des données fournies par un réseau de capteurs déjà intégrés ou non. Le deuxième axe porte sur la fiabilité de la chaîne de traction en fonctionnement grâce à de nouvelles lois de commande adaptatives aux défauts détectés. Ainsi, dans le cadre de MYEL, des travaux de thèses portant sur le diagnostic, sur la prédiction par des méthodes d’apprentissages automatiques et sur la fiabilité par les lois de commande constitueront les premiers éléments d’un travail de fond mené de manière commune. Les avancées scientifiques pourront être significatives avec l’introduction de l’Intelligence Artificielle à différents étages de la chaîne de traction.