Due to the accelerating pace of environmental concerns and fear of the depletion of conventional sources of energy, researchers are working on finding renewable energy sources of power for different axes of life. The transportation sector has intervened in this field and introduced hybrid electric vehicles. Many complaints have been mentioned concerning fault detection and identification in the vehicle to ensure its safety, reliability and availability. Diagnosis has not been able to overcome all these concerns, and research has shifted toward prognosis, where the manufacturing sector is urged to integrate fault prognosis in the vehicle’s electrical powertrain. In this article, prognosis of the vehicle’s electrical machine is treated using a hidden Markov model after modeling the electrical machine using the finite element method. Permanent magnet machines are preferable in this application. The modeling of the machine is a combination of the electromagnetic, thermal and vibration finite element models. The considered faults are demagnetization, turn-to-turn short circuit and eccentricity. A strategy for the calculation of the remaining useful life (RUL) is suggested when a turn-to-turn short circuit fault occurs.

The rise of hybrid electric vehicles (HEVs) marks a shift away from traditional engines driven by environmental and economic concerns. With the rapid growth of HEVs worldwide, their reliability becomes of utmost concern; thus, guaranteeing the proper operation of HEVs is a crucial quest. Condition-based monitoring (CBM), which intends to observe different kinds of parameters in the system to detect defects and reduce any unwanted breakdowns and equipment failure, plays an efficient role in enhancing HEVs’ reliability and ensuring their healthy operation. The permanent magnet machine (PMM) is the most used electric machine in the electric propulsion system of HEVs, as well as the most expensive. Hence, the condition monitoring of this machine is of great importance. The magnet crack is one of the most severe faults that may arise in this machine. Artificial intelligence (AI) is showing high capability in the field of CBM, fault detection, and fault identification and prevention. Hence, the aim of this paper is to present two data-based fault detection approaches, which are the support vector machine (SVM) and the Hidden Markov Model (HMM). Their capability to detect primitive faults like tiny cracks in the machine’s magnet will be shown. Applying and evaluating various CBM methods is essential to identifying the most effective approach to maximizing reliability, minimizing downtime, and optimizing maintenance strategies. A strategy to specify the remaining useful life (RUL) of the defected element is proposed.

Contribution à la modélisation et au pronostic des défaillances d'une machine synchrone à aimants permanents: L’objectif de ce travail est d’élaborer un modèle performant/précis de la machine électrique permettant de proposer une technique de pronostic. Dans cette thèse, nous commençons par un état de l’art sur les véhicules électriques hybrides (VHE), les différents types de machines électriques utilisées dans les VHE ainsi que les différents types de défauts pouvant survenir dans ces machines électriques. Nous identifions également les indicateurs de défauts appropriés aux différents défauts considérés. Ensuite, une synthèse de techniques de pronostic pouvant être appliquées est proposée. Le modèle à éléments finis électromagnétiques, thermiques et vibratoires (FEM) de la machine à aimants permanents est présenté. Le modèle est élaboré en fonctionnement normal et défaillant. Les types de défauts considérés sont : démagnétisation, court-circuit et excentricité. Une comparaison entre les deux approches analytique et FEM (méthode numérique) pour la modélisation de machines électromagnétiques est effectuée. Les indicateurs de défauts analysés pour l’extraction les plus pertinents utilisent les différents signaux mesurées suivants : le couple, la température ainsi que les signaux vibratoires en états sains et défectueux. L’approche de pronostic adoptée qui est le modèle de Markov caché (HMM) est développée. L'aspect technique de la méthode est présenté et le module du pronostic est formulé. La méthode de HMM est utilisée pour détecter et localiser les défauts à petites amplitudes. Une stratégie systématique a été développée. Le vieillissement de l’équipement de la machine, en particulier des éléments sensibles comme la bobine de stator et l’aimant permanent, est une question très importante pour le calcul du RUL (Remaining Useful Life). Une stratégie d’estimation pour le calcul RUL est présentée et discutée. La configuration en boucle fermée est très importante. Elle est adoptée par tous les systèmes de véhicules disponibles. Par conséquent, les mêmes étapes mentionnées précédemment s'appliquent également à une configuration en boucle fermée. Un modèle global où l’entrée du FEM de la machine provient de l’onduleur modélisé est élaboré.