Vous êtes sur la page 1sur 6

4th International Conference on Computer Integrated Manufacturing CIP2007

03-04 November 2007



Technique connexionniste pour la surveillance des
entranements lectriques avec machine asynchrone

Brahmia Souhaira, Kechida Sihem, Ghoul Hadiby Rachida
Laboratoire d'Automatique et Informatique de Guelma, LAIG
Universit 8 Mai 45 de Guelma, BP 401. 24000, Guelma, Algrie.
Tel: (213) 37 21 58 53 Fax: (213) 37 20 72 68

brahmiasouhaira@yahoo.fr, kechidas@yahoo.fr, rhadiby@yahoo.fr


Rsum-Le travail prsent dans cet article porte sur
l'utilisation d'une technique connexionniste pour la dtection de
dfauts en vue de la surveillance des entranements lectriques et
en particulier pour ceux base de machine asynchrone (MAS).
Cette technique de dtection se base sur un rseau de neurones
multicouches non rcurrent, entran par l'algorithme de rtro-
propagation du gradient de l'erreur. Les dfauts considrs
peuvent affecter le convertisseur et les capteurs. Les rsultats de
simulation ont permis d'apprcier les performances de la
technique prsente.
Mots cls-Dtection, Dfauts, Rseaux de Neurones, Machine
Asynchrone.
I. INTRODUCTION
Lintrt grandissant des industriels pour la maintenance des
entranements lectriques justifie laccent mis par la recherche
sur le diagnostic des machines asynchrones et leur alimentation
et notamment sur les instruments de mesures (capteurs) vu leur
importance. En effet, une information errone donne par un
capteur et utilise dans la boucle de rgulation ou de
commande produit une vue fausse de ltat du systme. Elle
cause, par consquent, une mauvaise commande et mne
souvent l'instabilit ce qui conduit lchec de la mission du
rgulateur. Il est important que de tels dfauts soient dtects et
localiss en ligne le plus tt possible avant quils naffectent
srieusement le bon fonctionnement du systme. Pour ce faire
nous avons besoin des mthodes de surveillance et de
diagnostic, telle que les rseaux de neurones artificiels (RNA).
Leur utilisation est principalement guide par leurs proprits
suivantes [1] [2] [3] [4] [5] [6] [7] [8] [9]:
leur faible sensibilit aux bruits de mesure,
leur capacit d'apprentissage et de gnralisation,
stocker les connaissances de manire compacte,
le paralllisme dans le traitement (rapidit de traitement),
leurs capacits rsoudre des problmes non linaires et
multivariables,
les rseaux de neurones peuvent tre galement
implments en circuits lectroniques, offrant ainsi la
possibilit dun traitement en temps rel.

II. SURVEILLANCE PAR RESEAUX DE NEURONES
Les techniques de surveillance par rseaux de neurones sont
fondes sur lexistence dune base de donnes dapprentissage,
partir du quelle on cherche trouver une relation entre les
variables dentre et les variables de sortie. Les variables
dentre peuvent tre quantifiables (sorties capteurs) ou
qualifiables (observations faites par loprateur). A partir de
ces variables dentre, le rseau de neurones donne une
rponse caractrise par deux types de variables de sortie. Des
variables de sortie relles qui peuvent reprsenter une sortie
estime dun paramtre de surveillance, ou des variables de
sortie catgorielles qui reprsentent ltat de fonctionnement de
lquipement.
Le type d'application des rseaux de neurones dans le
domaine de surveillance est li la nature des donnes en
sortie. Leur emploi selon Zemouri [1], et Racoceanu [4], Frank
[10] et Ruiz [11] peut se faire trois niveaux :
Comme modle du systme surveiller en tat normal et
gnrer des rsidus entre les observations et les prdictions
(Fig. 1.a),
Comme systme dvaluation de rsidus pour le diagnostic
(Fig. 1.b),
Ou comme systme de dtection en une seule tape, en tant
que classificateur (Fig. 1.c).
Fig. 1. Diffrentes manires d'utilisation des RNA pour le diagnostic des
dfauts : a) Gnration de rsidus; b) Evaluation de rsidus; c) Classification
de dfauts.
Dans ce prsent travail, on s'intresse la premire
application.
(a)

Processus
Entres
Sorties

Rsidus
RNA
Sorties du RNA
+
-
Evaluation
des rsidus
Dfauts


(b)

Processus
Entres
Sorties
Dfauts
Rsidus
Modle
RNA
+
-

(c)
Processus
RNA
Entres
Sorties
Dfauts

4th International Conference on Computer Integrated Manufacturing CIP2007
03-04 November 2007

III. APPROXIMATION DE FONCTION ET GENERATION DE
RESIDUS
Les rseaux de neurones ne donnent pas un diagnostic direct,
lorsqu'ils remplacent les modles analytiques dans les systmes
de diagnostic base de modle. Ils sont dans ce cas utiliss
comme approximateur de fonctions non linaires liant les
variables de sortie aux variables dentre du systme
diagnostiquer. Ils reprsentent donc une bote noire non
linaire modlisant le systme, sous son fonctionnement
normal. Cette bote noire peut tre dynamique ou statique,
selon la nature du rseau de neurones (rseaux de neurones
temporels ou statiques) [12]. Lavantage dune telle technique
de modlisation est quaucune connaissance (mathmatique,
physique ou autre) du systme modliser nest ncessaire et
le rseau de neurones intgre implicitement ces connaissances
travers le processus dapprentissage (Fig. 2.a). La russite
dune telle technique de modlisation est donc tributaire du
processus dapprentissage.
Aprs la phase dapprentissage, ce rseau sera utilis avec le
processus modlis pour la gnration de rsidus (indicateurs
de dfauts) obtenus par comparaison des variables de sortie du
modle de fonctionnement nominal (valeur estimes) avec
celles mesures sur le processus (valeurs relles) (Fig. 2.b).
Ces rsidus serviront dterminer si le systme est dans un tat
normal ou dfaillant. La variable de sortie nest donc pas une
variable catgorielle mais une variable relle.
Parmi les nombreuses architectures neuronales qui ont t
proposes pour lapproximation de fonctions, les perceptrons
multicouches (PMC) une seule couche cache (Fig. 3).


a) Apprentissage du Rseau de Neurones
u
b) Gnration de rsidus
Rsidus
Processus
Modle
neuronal
+
-
Dfaut
p
y
Processus
Rseau de
Neurones
+
-
u p
y

Fig. 2. Apprentissage et application des rseaux de neurones en ligne pour
la gnration de rsidus.

y
i
x
1
x
j
x
2
g
g
y
1
Couche
cache
Couche
de sortie
Couche
dentre
f
f
f
f

Fig. 3. Perceptron trois couches.
IV. MODLISATION DYNAMIQUE
Les perceptrons multicouches sous leur architecture
prsente prcdemment (Fig. 3), ne ralisent que des modles
statiques [12]. Pour considrer laspect dynamique des
systmes non linaires, il est ncessaire dutiliser des rseaux
dynamiques non linaires, en choisissant soit des rseaux
rcurrents, ou bien daccrotre les entres dun rseau de
neurones, avec les signaux correspondants aux valeurs
antrieures des entres et des sorties [13].
Le problme de modlisation dynamique ou didentification,
est de trouver un modle telle que sa rponse un signal de
commande donn soit aussi proche que possible de celle
qu'aurait le processus en l'absence de perturbations, cest--dire
un modle dont la variance de l'erreur de prdiction est
minimale (erreur quadratique moyenne).
Plusieurs modles dynamiques non linaires du type entre-
sortie ont t prsents dans [4], [5], [6], [12], [14] et [15],
parmi lesquels : le modle Non linaire Auto-Rgressif avec
entre eXogne (NARX) et le modle Non linaire Auto-
Rgressif Moyenne Ajuste avec entre eXogne
(NARMAX). Nous rappelons ces modles, dans le cas mono-
entre mono-sortie :
- le modle NARX : la rgression est compose des sorties et
entres passes (1).


( ) ( ) ( ) ( ) ( ) ( ) 1 ,..., , 1 ,..., y k f u k u k n y k y k m =
)
(1)

- le modle NARMAX : la rgression est compose des
sorties et entres passes ainsi que des erreurs d'estimation (2).

( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) 1 ,..., ,..., 1 ,..., , 1 ,..., y k f u k u k n y k y k m e k e k l =
)

(2)
Dans le cadre de notre application, notre choix est port sur
le modle NARX cause de sa structure non rcursive et ses
paramtres qui sont faciles estimer. Pour la prsentation des
systmes dynamiques, il est prouv que tout systme discret
non linaire temps invariant peut tre toujours reprsent par
le modle NARX [5] [6]. Par consquent, ce modle est
frquemment utilis pour la description et l'identification ou la
modlisation de ce type de systmes.
V. RSULTATS
A. Application
Le systme tudi est un entranement lectrique avec
machine asynchrone (Fig. 4). Les dfauts dans cet
entranement se rpartissent en deux catgories: les dfauts qui
se produisent dans la machine lectrique et ceux qui se
produisent dans la chane d'entranement l'extrieur de la
machine. Notre tude est restreinte au deuxime type de
dfauts et plus prcisment aux dfauts de type biais sur les
capteurs et les dfauts de type interrupteur ouvert sur
l'onduleur.
Pour pouvoir dtecter ces dfauts, nous avons modlis la
machine l'aide d'un rseau de neurone. Pour atteindre cet
objectif, une premire tape consiste crer la base de donnes
pour laquelle la simulation a t faite sous Matlab/Simulink,
pour une vitesse de rfrence de 120 rad/s et un couple
lectromagntique de 200 N.m.
4th International Conference on Computer Integrated Manufacturing CIP2007
03-04 November 2007


Supervision
Commande
vectorielle
Onduleur
de tension
Redresseur
+ Filtre
Rseau
Moteur
asynchrone
Charge

Fig. 4. Schma synoptique d'un entranement lectrique avec machine
asynchrone.
B. Conception du modle neuronal de la machine
A partir des donnes obtenues pour le point de
fonctionnement considr, nous avons slectionn trois bases
indpendantes, savoir:
Une base de 3334 exemples pour l'ajustement des
paramtres du rseau de neurones.
Une base de validation de 3334 exemples pour arrter
l'apprentissage, et
Une base de test comportant 3000 exemples pour valuer les
capacits du rseau se gnraliser.
Ces valeurs d'entre/sortie sont ensuite normalises pour tre
utiliss dans la deuxime tape qui est la phase d'apprentissage.
Cette phase est la plus importante, elle vise la recherche du
modle optimal de la machine en fonctionnement normal et en
absence de perturbations.
Le rseau adopt est un NARX non boucl, entran en
mode supervis avec rgularisation en utilisant la mthode dite
early stopping. Les paramtres du rseau sont ajusts par
l'algorithme de rtro-propagation des erreurs en minimisant
l'erreur quadratique moyenne (MSE) totale [16], donne par
l'expression (3).

( )
( ) ( )
( )
2
1 1
1
y
m
M
m m
y j j
m j
MSE Mm y y
= =
=

(3)

o : M dsigne le nombre des exemples dapprentissage,
y
m

le nombre de neurones de la couche de sortie.
( )

m
j
y
et
( ) m
j
y

reprsentent, respectivement, la sortie prdite par le rseau et la
sortie dsire du
th
j
neurone pour le
th
m exemple.
Aprs plusieurs tests empiriques tout en variant les
paramtres influant sur l'apprentissage qui sont :
Le nombre de neurones dans la couche cache,
Le pas d'apprentissage,
Les rgressions sur les entres et sur les sorties, et
Le nombre d'itrations,
le modle srie-parallle optimal est obtenu pour
larchitecture
3
22,23,4
dsignant un rseau de trois couches. Il
est constitu de 22 neurones dans la couche dentre, 23
neurones dans la couche cache et 4 neurones dans la couche
de sortie. Les sorties de ce rseau prsentent les estimations
des sorties de la machine asynchrone savoir : les courants de
phases Isa, Isb, Isc et la vitesse du moteur
r
. Des sigmodes
bipolaires, et linaires sont affectes respectivement la
couche cache et la couche de sortie.
La figure 5 reprsente le modle srie-parallle obtenu, dont
le vecteur de sortie est donn par (4).
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )
1 , 2 , 1 , 2 , 3 , 4
RN p p p p
y k u k u k y k y k y k y k =
)
(4)
La figure 6 prsente l'volution de l'erreur quadratique
moyenne totale pour un seuil de tolrance =10
-6
et un pas
d'apprentissage =0.01, qui nous indique quaprs 3000
itrations, nous avons abouti une erreur minimale de
convergence de l'ordre de 10
-5
pour les trois bases de donnes
(Tableau I).
Les performances du modle obtenu sont galement
estimes par le coefficient de corrlation R
2
, prsentant pour
les courants de phases ainsi que pour la vitesse des valeurs
proches de 1, ce qui traduit une bonne qualit des estimations
instantanes.

Moteur
asynchrone



RNA
1
z


1
z


1
z


( ) ( ) ,
abc
s r
I k k
( )
abc
s
V k
1
z


Sorties du
RNA
1
z


1
z




Fig. 5. Modle didentification de la machine asynchrone

500 1000 1500 2000 2500 3000
0
2
4
6
8
10
12
14
x 10
-4
Itrations
E
r
r
e
u
e

Q
u
a
d
r
a
t
i
q
u
e

M
o
y
e
n
n
e
EQMA, EQMV
EQMT

Fig. 6. Evolution de lerreur quadratique moyenne totale pour les trois bases,
dapprentissage, de validation et de test.

TABLEAU I
RESULTATS DE LA MODELISATION PAR RESEAU NARX
I
t

r
a
t
i
o
n
s

EQMA EQMV EQMT

R
2

3
0
0
0

5
5.314*10


5
5.315*10


5
5.817*10


sa
I
: 0.9630
sb
I
: 0.9724
sc
I
: 0.9605
r

: 1.0000
4th International Conference on Computer Integrated Manufacturing CIP2007
03-04 November 2007

C
o
u
r
a
n
t

d
e

l
a

p
h
a
s
e

A

I
s
a

(
A
)

4.15 4.2 4.25 4.3 4.35 4.4
-150
-100
-50
0
50
100
150
Sortie MAS
Sortie RN

C
o
u
r
a
n
t

d
e

l
a

p
h
a
s
e

B

I
s
b

(
A
)

4.15 4.2 4.25 4.3 4.35 4.4
-150
-100
-50
0
50
100
150
Sortie MAS
Sortie RN

C
o
u
r
a
n
t

d
e

l
a

p
h
a
s
e

C

I
s
c

(
A
)

4.1 4.15 4.2 4.25 4.3 4.35 4.4
-100
-50
0
50
100
150
Sortie MAS
Sortie RN

V
i
t
e
s
s
e

d
e

r
o
t
a
t
i
o
n

r

(
r
a
d
/
s
)

0 1 2 3 4 5 6
-20
0
20
40
60
80
100
120
140
V
ite
s
s
e
,
r
(ra
d
/s
)
Temps (s)
Sortie MAS
Sortie RN


Fig. 7. Comparaison entre les sorties de la machine (en rouge) et leur estimes
par le modle (en bleu), en absence de dfauts.

La figure 7 montre la comparaison entre les sorties du
modle neuronal et celles de la machine en fonctionnement
normal. On remarque une petite dviation des grandeurs
estimes par le rseau par rapport celles simules qui peut
tre facilement compens.

C. Gnration de rsidus et dtection de dfauts
Aprs avoir obtenu le modle neuronal optimal, on l'a utilis
en mode srie-parallle avec la machine (MAS) pour la
gnration de rsidus, dtermins partir dun test de
cohrence entre les sorties de la MAS et leurs estimes par le
modle. Ainsi, un rsidu possde la dfinition suivante pour la
dtection :
r(t) = 0 en absence de dfauts et r(t) 0 sinon. On propose
dans notre cas la gnration de quatre rsidus r_Isa, r_Isb, r_Isc
et r_r qui reprsentent respectivement la drive (donc les
variations) des courants de phases et de la vitesse de rotation
du moteur.
Dans ce qui suit, on suppose que notre systme fonctionne
dans un environnement non bruit et sans aucune perturbation.

Dfauts capteurs de courant
Les dfauts capteurs de courants que nous avons considr
pour la MAS sont des biais qui se traduisent par la variation
des valeurs de courants de phases dans une direction fixe et par
l'apparition d'une composante continue.
Pour la simulation, nous choisissons dintroduire un biais
d'amplitude 30% du courant nominal sur le capteur de courant
de la phase C linstant t = 3.5s et un biais d'amplitude -30%
du courant nominal l'instant 4s sur le capteur de courant de
la phase B. Les figures 8 et 10 illustrent la comparaison des
courants de phases et de la vitesse issus de la machine et leur
prdiction par le modle neuronal lors de l'apparition de ces
dfauts sur les capteurs dsigns. L'volution des rsidus
correspond ces dfauts est prsente respectivement sur les
deux figures 9 et 11.

Dfauts onduleur
Dans cette partie, on s'intresse aux dfauts de type
"interrupteur ouvert" au niveau des bras de l'onduleur.
L'ouverture de la phase B, modlise par l'ouverture
simultanment des deux commutateurs
b
S
+
et
b
S

du bras de
l'onduleur li la phase B, a pour effet daugmenter le courant
sur les deux autres phases, ce qui est traduit par une anomalie
au niveau du comportement du systme. La comparaison entre
les valeurs estimes par le rseau et celles simules lors de
l'apparition de ce dfaut l'instant t=4s est prsente sur la
figure 12, tandis que l'volution des rsidus des trois courants
de phases (Isa, Isb et Isc) et de la vitesse
r
est indique sur la
figure 13.
0 1 2 3 4 5 6
-500
-400
-300
-200
-100
0
100
200
300
400
500
Temps (s)
C
o
u
ra
n
t p
h
a
s
e
A
, Is
a
(A
)
Sortie MAS
Sortie RN
0 1 2 3 4 5 6
-500
-400
-300
-200
-100
0
100
200
300
400
500
Temps (s)
C
o
u
ra
n
t p
h
a
s
e
B
, Is
b
(A
)
Sortie MAS
Sortie RN

Courant phase A, Isa Courant phase B, Isb
0 1 2 3 4 5 6
-500
-400
-300
-200
-100
0
100
200
300
400
500
Temps (s)
C
o
u
ra
n
t p
h
a
s
e
C
, Is
c
(A
)
Sortie MAS
Sortie RN
0 1 2 3 4 5 6
-20
0
20
40
60
80
100
120
140
Temps (s)
V
ite
s
s
e
d
e
ro
ta
tio
n
,
r (ra
d
/s
)
Sortie MAS
Sortie RN

Courant phase C, Isc vitesse de rotation, r
Fig. 8. Comparaison entre les sorties de la MAS (en rouge) et leurs estimes
par le modle (en bleu) en prsence d'un biais d'amplitude 30% sur le capteur
de courant Isc.
4th International Conference on Computer Integrated Manufacturing CIP2007
03-04 November 2007

0 1 2 3 4 5 6
-300
-200
-100
0
100
200
300
400
Temps (s)
r
s
id
u
s
s
u
r le
c
o
u
ra
n
t Is
a
(A
)
0 1 2 3 4 5 6
-150
-100
-50
0
50
100
150
200
250
Temps (s)
r
s
id
u
s
s
u
r le
c
o
u
ra
n
t Is
b
(A
)

Rsidus sur le courant Isa Rsidus sur le courant Isb
0 1 2 3 4 5 6
-300
-200
-100
0
100
200
300
400
Temps (s)
r
s
id
u
s
s
u
r le
c
o
u
ra
n
t Is
c
(A
)
0 1 2 3 4 5 6
-2.5
-2
-1.5
-1
-0.5
0
0.5
1
1.5
2
Temps (s)
r
s
id
u
s
s
u
r la
v
ite
s
s
e

r (ra
d
/s
)

Rsidus sur le courant Isc Rsidus sur la vitesse r
Fig. 9. Evolution des rsidus en prsence d'un biais d'amplitude 30% sur le
capteur de courant Isc.

0 1 2 3 4 5 6
-500
-400
-300
-200
-100
0
100
200
300
400
500
Temps (s)
C
o
u
ra
n
t p
h
a
s
e
A
, Is
a
(A
)
Sortie RN
Sortie MAS
0 1 2 3 4 5 6
-500
-400
-300
-200
-100
0
100
200
300
400
500
Temps (s)
C
o
u
ra
n
t p
h
a
s
e
B
, Is
b
(A
)
Sortie RN
Sortie MAS

Courant phase A, Isa Courant phase B, Isb
0 1 2 3 4 5 6
-500
-400
-300
-200
-100
0
100
200
300
400
500
Temps (s)
C
o
u
ra
n
t p
h
a
s
e
C
, Is
c
(A
)
Sortie RN
Sortie MAS
0 1 2 3 4 5 6
-20
0
20
40
60
80
100
120
140
Temps (s)
V
ite
s
s
e
,
r (ra
d
/s
)
Sortie RN
Sortie MAS

Courant phase C, Isc vitesse de rotation, r

Fig. 10. Comparaison entre les sorties de la MAS (en bleu) et leurs estimes
par le modle (en rouge) en prsence d'un biais d'amplitude -30% sur le
capteur de courant Isb.

0 1 2 3 4 5 6
-300
-200
-100
0
100
200
300
400
Temps (s)
R

s
id
u
s
s
u
r le
c
o
u
ra
n
t Is
a
(A
)
0 1 2 3 4 5 6
-150
-100
-50
0
50
100
150
200
250
Temps (s)
R

s
id
u
s
s
u
r le
c
o
u
ra
n
t Is
b
(A
)

Rsidus sur le courant Isa Rsidus sur le courant Isb
0 1 2 3 4 5 6
-300
-200
-100
0
100
200
300
400
Temps (s)
R

s
id
u
s
s
u
r le
c
o
u
ra
n
t Is
c
(A
)
0 1 2 3 4 5 6
-2.5
-2
-1.5
-1
-0.5
0
0.5
1
1.5
2
Temps (s)
R

s
id
u
s
s
u
r la
v
ite
s
s
e
(ra
d
/s
)

Rsidus sur le courant Isc Rsidus sur la vitesse r

Fig. 11. Evolution des rsidus en prsence d'un biais d'amplitude -30%
sur le capteur de courant Isb.

0 1 2 3 4 5 6
-500
-400
-300
-200
-100
0
100
200
300
400
500
Temps (s)
C
o
u
ra
n
t p
h
a
s
e
A
, Is
a
(A
)
Sortie RN
Sortie MAS

0 1 2 3 4 5 6
-500
-400
-300
-200
-100
0
100
200
300
400
500
Temps (s)
C
o
u
ra
n
t p
h
a
s
e
B
, Is
b
(A
)
Sortie RN
Sortie MAS

Courant phase A, Isa Courant phase B, Isb
0 1 2 3 4 5 6
-500
-400
-300
-200
-100
0
100
200
300
400
500
Temps (s)
C
o
u
ra
n
t p
h
a
s
e
C
, Is
c
(A
)
Sortie RN
Sortie MAS

0 1 2 3 4 5 6
-20
0
20
40
60
80
100
120
140
Temps (s)
V
ite
s
s
e
d
e
ro
ta
tio
n
,
(ra
d
/s
)
Sortie RN
Sortie MAS

Courant phase C, Isc vitesse de rotation, r

Fig. 12. Comparaison entre les sorties de la MAS (en bleu) et leurs estimes
par le modle (en rouge) lors de l'ouverture de la phase B.

0 1 2 3 4 5 6
-300
-200
-100
0
100
200
300
400
Temps (s)
R

s
id
u
s
s
u
r le
c
o
u
ra
n
t Is
a
(A
)
0 1 2 3 4 5 6
-200
-150
-100
-50
0
50
100
150
200
250
Temps (s)
R

s
id
u
s
s
u
r le
c
o
u
ra
n
t Is
b
(A
)

Rsidus sur le courant Isa Rsidus sur le courant Isb
0 1 2 3 4 5 6
-300
-200
-100
0
100
200
300
400
Temps (s)
r
s
id
u
s
s
u
r le
c
o
u
ra
n
t Is
c
(A
)
0 1 2 3 4 5 6
-2.5
-2
-1.5
-1
-0.5
0
0.5
1
1.5
2
Temps (s)
R

s
id
u
s
s
u
r la
v
ite
s
s
e
(ra
d
/s
)

Rsidus sur le courant Isc Rsidus sur la vitesse r

Fig. 13. Evolution des rsidus lors de l'ouverture de la phase B.

4th International Conference on Computer Integrated Manufacturing CIP2007
03-04 November 2007

VI CONCLUSION
Lobjectif de ce prsent travail a t de mettre en uvre une
technique connexionniste pour la dtection de dfauts dans un
entranement lectrique avec machine asynchrone. Les
rsultats de simulation ont montr les capacits du modle
neuronal obtenu, reproduire la dynamique de la machine et
qui permet de dtecter les dfauts capteurs de type biais, pour
les diffrentes amplitudes.
Les rseaux de neurones peuvent donc tre appliqus avec
succs la modlisation des systmes dynamiques non
linaires en vue du diagnostic condition de bien mener le
processus d'apprentissage.

ANNEXE
Paramtres de la machine asynchrone

Moteur ( VA 746 * 50 ), parameters du modle de Park

Rsistance statorique
= 087 . 0 Rs

Inductance statorique
mH LIs 8 . 0 =

Rsistance rotorique = 0228 . 0 Rr
Inductance rotorique mH LIr 8 . 0 =
Inductance mutuelle stator/rotor mH Lm 7 . 34 =
Vitesse nominale 120 n rad s =
Nombre de paires de ples 2 p =
Inertie
2
. 662 . 1 m kg J =

Frottement visqueux s m N . . 1 . 0 =
Redresseur + Filtre, Onduleur
Tension d'alimentation
V E 780 =

Echantillonnage
Frquence kHz Fech 500 =
REFERENCES
[1] M. R. Zemouri, Contribution la surveillance des systmes de
production laide des rseaux de neurones dynamiques: Application
la maintenance, Thse de Doctorat, Universit de Franche-Comt,
2003.
[2] S. Touaf, Diagnostic Logique des Systmes Complexes Dynamiques
dans un Contexte Multi-Agent, Thse de Doctorat, Universit Joseph
Fourier Grenoble1, 2005.
[3] A. O. Molina, Mthodologie pour le placement des capteurs a base de
mthodes de classification en vue du diagnostic, Thse de
Doctorat, Institut National des Sciences Appliques de Toulouse, 2005.
[4] D. Racoceanu, Contribution la surveillance des Systmes de
Production en utilisant les Techniques de lIntelligence Artificielle,
Synthse des activits de recherche et dencadrement en vue de
lobtention de lHabitation Diriger des Recherches, Universit de
France Comt de Besanon, 2006.
[5] K. S. Narendra et K. Parthasarathy, Identification and Control of
Dynamical Systems Using Neural Networks, IEEE transactions of
neural networks. Vol 1, N1, March 19990.
[6] Meng, Tang, The Adaptive Intelligent Model for Process Diagnosis,
Prediction and Control, Department of Production and Quality
Engineering Faculty of Engineering Science and Technology Norwegian
University of Science and Technology (NTNU), 2004.
[7] S. Pyhnen, Support Vector Machine Based Classification in Condition
Monitoring of Induction Motors, Thse de doctorat, Helsinki University
Of Technology Control Engineering Laboratory (Espoo, Finland)
Department of Automation and Systems Technology, 2004.
[8] A. Bernieri, M. DApuzzo, L. Sansone, and M. Savastano, Neural
Network Approach for Identification and Fault Diagnosis on Dynamic
Systems., IEEE Transactions on Instrumentation and Measurement,
Vol 43, N 6 , December 1994. Pages (867-873), 1994.
[9] S. Pyhnen, Support Vector Machines in fault diagnostics of electrical
motors, Helsinki University of Technology Control Engineering
Laboratory (Espoo, Finland) Department of Automation and Systems
Technology. Report 131, September 2002
[10] B. Kppen-Seliger and P.M. Frank, Fault Detection and Isolation in
Technical Processes with neural networks, proceding of the 34th
[11] D. Ruiz, Fault diagnosis in chemical plants integrated to the information
system, thse de doctorat, Universit polytechnique de Catalunya
Barcelona, 2001.
[12] Drefus, Rseaux de neurones (mthodologie et applications) Edition
Eyrolles, 2002.
[13] R. Malti, Reprsentation de systmes discrets sur la base des filtres
orthogonaux : Application la modlisation de systmes dynamiques
multi-variables, Thse de doctorat, Institue National Polytechnique de
Lorraine, 1999.
[14] I. Rivals, L. Personnaz et G. Dreyfus K. Parthasarathy, Modlisation,
Classification et Commande par Rseaux de Neurones : Principes
Fondamentaux, Mthodologie de Conception et Illustrations
Industrielles, Publication dans : Les rseaux de neurones pour la
modlisation et la conduite des procds, J.-P. Corriou coordonnateur,
Lavoisier. Technique et Documentation, 1995.
[15] I. Rivals and L. Personnaz, Black-Box Modelling with State-Space
Neural Networks, In: Neural Adaptive Control Technologiy, R.
Zbikowski and K. J.Hunt eds., World Scientific, 1996, pp. 237-264.
[16] L. H. Chiang, E. L. Russell and R. D. Braatz,2001, Fault Detection and
diagnosis in industrial systems, .Edition Springer.