La défaillance des moteurs électriques est un problème très préoccupant dans le secteur industriel, vu son influence directe sur la productivité et la sécurité des opérateurs. Afin d’éviter ce problème, plusieurs méthodes ont été développées pour diagnostiquer les défauts dès leurs apparitions afin d’éviter l’arrêt total de ces moteurs. Cet article décrit une nouvelle approche de diagnostic de ces défaillances basée sur la modélisation auto-régréssive (AR) du courant statorique. Cette approche présente plusieurs avantages par rapport à l’analyse spectrale du courant par la méthode classique dite du périodogramme. En effet, son principal avantage est qu’elle permet d’avoir un très bon pouvoir de résolution fréquentielle sur un temps d’acquisition très court. Chose impossible à obtenir avec la méthode classique du périodogramme. Pour vérifier l’efficacité de la méthode de diagnostic proposée, plusieurs tests de simulation ainsi que des essais expérimentaux sur les défauts de roulements, seront effectués dans cet article. (The electric motor's failure is a very serious problem in the industrial field, given its direct influence on productivity and on operator safety. To avoid this problem, several methods have been developed to diagnose faults from their appearances to avoid the interruption of the industrial process. In this aim, this paper describes a new faults diagnosis approach based on AutoRegressive modeling (AR) of the stator current. This approach has several advantages over the spectral analysis of current by the conventional method of periodogram. Indeed, its main advantage is its very good frequency resolution for a very short acquisition time. Something not possible to achieve with the conventional method of periodogram. To verify the effectiveness of the proposed diagnosis method, several simulation tests and experimental tests on the bearings faults, will be made in this paper.)

Keywords: Moteur asynchrone, Diagnostic, Défaut de roulement, Modèle auto-régréssive (AR) (Induction motor, Diagnosis, Bearing faults, Auto-regressive model)