2007 Berdjag PDF

Numro d'ordre : 4063
Thse
prsente et soutenue publiquement le 26 octobre 2007
pour l'obtention du
Doctorat de l'ni!ersit des "ciences et Technolo#ies de $ille
%"pcialit &utomatique et 'n(ormatique 'ndustrielle)
par
Denis *+,D-&.
Mthodes algbriques pour la dcomposition de
modles comportementaux :
Application la dtection et la localisation de
dfaillances
/o0directeurs
1r2 3incent /4/5+614T %$&.'"7 $ille)
Dr2 /8rille /9,'"T419+ %$&.'"7 $ille)
,apporteurs
1r2 -ean01ierre *&,*4T %+/"7 /er#801ontoise)
1r2 Didier 6&5'N %/,&N7 Nanc8)
+:aminateurs
1r2 Thierr806arie .+,,& %$&6'97 3alenciennes)
1r2 Dimitri $+;+*3,+ %.,+&97 $e 9a!re)
Laboratoire d'Automatique, Gnie Informatique et Signal de Lille
L. A. G. I. S. UMR CNRS 8!"
Thse de Denis Berdjag, Lille 1, 2007
2009 Tous droits rservs.
http://www.univ-lille1.fr/bustl
Remerciements
Cette thse a t effectue au sein de l'quipe Sret de Fonctionnement des Systmes
Dynamiques (SFSD) du Laboratoire d'utomatique! "nie #nformatique et Si$nal de Lille (L"#S!
C%&S ' ()& *+,-) sous la direction de )essieurs .incent Cocquempot et Cyrille Christophe!
respecti/ement 0rofesseur et )a1tre de Confrences 2 l'(ni/ersit des Sciences et 3echnolo$ies de
Lille4 5e les remercie pour leur conseils! pour leur sui/i et pour leur aide tout au lon$ de cette
thse4
5e remercie )essieurs 5ean'0ierre 6arbot! 0rofesseur 2 l'7CS (Cer$y'0ontoise) et Didier
)aquin! 0rofesseur au C&% (%ancy) d'a/oir accept d'e8aminer ce tra/ail et d'en 9tre les
rapporteurs! ainsi que pour leurs prcieu8 conseils4
5'adresse $alement mes remerciements 2 )essieurs 3hierry')arie "uerra! 0rofesseur au
L)#: (.alenciennes) et Dimitri Lefeb/re! 0rofesseur au "&7: (Le :a/re) pour a/oir accept
d'e8aminer ce tra/ail et de participer au ;ury4
5e tiens $alement 2 remercier )onsieur Denis 0omors<i! 0rofesseur 2 l'(S3L pour ses conseils
pendant les premires annes de ma thse4
5e remercie tous les membres de l'quipe SFSD! permanents ou doctorants pour leur accueil et
pour leur sympathie4
7nfin! ;'adresse mes remerciements 2 tout ceu8 qui de prs ou de loin ont contribu 2 cette thse4
Table des matires
Table des gures v
1 Introduction gnrale 3
2 Surveillance et dcomposition de modles 7
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.2 Gnralits sur la surveillance base de modles . . . . . . . . . . . . . 8
2.2.1 Lexique et dnitions . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.2.2 Notions de surveillance . . . . . . . . . . . . . . . . . . . . . . . . 9
2.2.3 Modlisation dun systme dynamique . . . . . . . . . . . . . . . 10
2.2.4 Notion de sous-modle . . . . . . . . . . . . . . . . . . . . . . . 12
2.3 Surveillance base de modles temporels . . . . . . . . . . . . . . . . . 13
2.3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.3.2 Modle de bon fonctionnement . . . . . . . . . . . . . . . . . . . 14
2.3.3 Modle de fonctionnement dfaillant . . . . . . . . . . . . . . . . 15
2.3.4 Utilisation du modle pour la surveillance . . . . . . . . . . . . . 15
2.3.5 Gnration de rsidus pour la dtection de dfauts . . . . . . . . 17
2.3.6 Rsidus structurs pour la localisation de dfauts . . . . . . . . . 19
2.4 Surveillance base de modles vnementiels . . . . . . . . . . . . . . . 22
2.4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.4.2 Reprsentation vnementielle : principe et rappels . . . . . . . 23
2.4.5 Techniques de surveillance base de modles vnementiels . . 28
2.4.6 Localisation dvnements inconnus par structuration des indi-
cateurs de dfaillances . . . . . . . . . . . . . . . . . . . . . . . . 30
2.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
i
ii Table des matires
2.5.1 Synthse des problmes traiter . . . . . . . . . . . . . . . . . . 35
2.5.2 Outils algbriques pour la surveillance base de modles tem-
porels et vnementiels . . . . . . . . . . . . . . . . . . . . . . . . 35
2.5.3 La dcomposition de modles pour la surveillance . . . . . . . . 36
3 Rappels mathmatiques 37
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.2 Terminologie de la thorie des ensembles . . . . . . . . . . . . . . . . . . 37
3.2.1 Ensembles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.2.2 Applications . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
3.2.3 Relations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
3.2.4 Relations dordre . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
3.2.5 Structures algbriques . . . . . . . . . . . . . . . . . . . . . . . . 41
3.2.6 Treillis et ensembles ordonns . . . . . . . . . . . . . . . . . . . . 43
3.2.7 Partitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
3.3 Lalgbre des paires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
3.3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
3.3.2 Proprit de substitution . . . . . . . . . . . . . . . . . . . . . . . 48
3.3.3 Paires algbriques et oprateurs de lalgbre des paires . . . . . . 49
3.3.4 Structure algbrique et dnitions de lalgbre des paires . . . . 51
3.3.5 Calcul des oprateurs m et M . . . . . . . . . . . . . . . . . . . . 53
3.3.6 Application aux machines squentielles . . . . . . . . . . . . . . 55
3.3.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
3.4 Lalgbre des fonctions . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
3.4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
3.4.2 Principe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
3.4.3 Dnitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
3.4.4 Paire algbrique en continu . . . . . . . . . . . . . . . . . . . . . 60
3.4.5 Parallle entre les mthodes gomtriques et les mthodes alg-
briques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
3.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
4 Dcomposition de modles comportementaux pour la surveillance 65
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
4.2 Principe gnral de la dcomposition . . . . . . . . . . . . . . . . . . . . 66
iii
4.2.1 Formulation du problme de dcomposition . . . . . . . . . . . . 66
4.2.2 Critre de couplage et de dcouplage pour la surveillance . . . . 68
4.2.3 Condition dexistence dun sous-modle dcoupl . . . . . . . . 69
4.2.4 Algorithme de dcomposition avec critre de dcouplage . . . . 72
4.2.5 Extension de lalgorithme de dcomposition par injection de sorties 74
4.3 Dcomposition des modles comportementaux temporels . . . . . . . . 75
4.3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
4.3.2 Objectif de la dcomposition . . . . . . . . . . . . . . . . . . . . . 76
4.3.3 Mthodologie de dcomposition dun modle temporel . . . . . 78
4.3.4 Exemple de dcomposition de modles temporels . . . . . . . . 88
4.3.5 Aspects calculatoires . . . . . . . . . . . . . . . . . . . . . . . . . 92
4.3.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
4.4 Dcomposition des modles comportementaux vnementiels . . . . . . 103
4.4.1 Introduction et objectifs . . . . . . . . . . . . . . . . . . . . . . . 103
4.4.2 Mthodologie de dcomposition dun modle vnementiel . . . 104
4.4.3 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 120
4.5 Conclusion gnrale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 120
5 Illustration sur le systme trois cuves 123
5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
5.2 Modlisation temporelle . . . . . . . . . . . . . . . . . . . . . . . . . . . 124
5.2.3 Dcomposition en sous-modles dcoupls . . . . . . . . . . . . 126
5.2.4 Synthse de sous-modles dcoupls . . . . . . . . . . . . . . . . 127
5.2.5 Gnration de rsidus . . . . . . . . . . . . . . . . . . . . . . . . . 130
5.2.6 Simulation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131
5.3 Modlisation vnementielle . . . . . . . . . . . . . . . . . . . . . . . . . 135
5.3.1 Description du modle vnementiel de bon fonctionnement . . 135
5.3.2 Description du modle de fonctionnement dfaillant . . . . . . . 138
5.3.3 Dcomposition du modle vnementiel . . . . . . . . . . . . . . 141
5.3.4 Gnration dindicateurs de dfaillances . . . . . . . . . . . . . . 143
5.3.5 Simulations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 145
5.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 154
iv Table des matires
6 Conclusion gnrale 155
6.1 Contribution . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 155
6.2 Perspectives . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 156
A Rappels sur les proprits des machines squentielles 159
A.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 159
A.2 Rappels sur les machines squentielles . . . . . . . . . . . . . . . . . . . 159
B Rappels sur la gomtrie direntielle 163
B.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 163
B.2 Varit et diomorphisme . . . . . . . . . . . . . . . . . . . . . . . . . . 163
B.3 Algbre de Lie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 165
B.4 Distribution de champs de vecteurs et intgrabilit . . . . . . . . . . . . 166
B.5 quations aux drives partielles du premier ordre . . . . . . . . . . . . 167
B.6 Formes direntielles et intgrabilit . . . . . . . . . . . . . . . . . . . . 168
B.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 170
C Simulations 171
C.1 Fuite dans la 1
re
cuve f
1
. . . . . . . . . . . . . . . . . . . . . . . . . . . . 171
C.2 Fuite dans la 2
e
cuve f
2
. . . . . . . . . . . . . . . . . . . . . . . . . . . . 172
C.3 Fuite dans la 3
e
cuve f
3
. . . . . . . . . . . . . . . . . . . . . . . . . . . . 173
C.4 Fuite dans la 2
e
conduite b
32
. . . . . . . . . . . . . . . . . . . . . . . . . 174
C.5 Fuite dans la conduite de sortie b
20
. . . . . . . . . . . . . . . . . . . . . 175
Bibliographie 177
Table des gures
2.1 Systme lmentaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.2 Modle hybride . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.3 Illustration de la surveillance base de modles . . . . . . . . . . . . . . 16
2.4 Banc de gnrateurs de rsidus robustes . . . . . . . . . . . . . . . . . . 20
2.5 Utilisation dun banc de sous-systmes dcoupls pour la gnration de
rsidus structurs robustes . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.6 Graphe dtat dune machine de Moore . . . . . . . . . . . . . . . . . . . 24
2.7 Graphe dtat de . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.8 Reprsentation de la machine squentielle
1
. . . . . . . . . . . . . . . 26
2
. . . . . . . . . . . . . . . 27
3
. . . . . . . . . . . . . . . 27
2.11 Mthode de surveillance des systmes dynamique vnementielle . . 29
2.12 Diagramme reprsentant une machine squentielle partielle . . . . . . 31
2.13 Banc de machines squentielles partielles . . . . . . . . . . . . . . . . . 32
2.14 Graphe dvolution de la machine squentielle . . . . . . . . . . . . . 33
2.15 Reprsentation de la machine squentielle partielle
. . . . . . . . . . 34
2.16 Schma reprsentant la machine squentielle partielle
. . . . . . . . 34
3.1 Treillis form par les sous-ensembles de {1, 2, 3} associs . . . . . 44
3.2 Graphe reprsentant les partitions
1
(gauche) et
2
(droite) . . . . . . . 45
3.3 Diagramme reprsentant la relation dordre
1

2
. . . . . . . . . . . 47
4.1 Diagramme reprsentant la dcomposition dun modle . . . . . . . 67
4.2 Dcomposition parallle du modle . . . . . . . . . . . . . . . . . . . 77
4.3 Graphe reprsentant la machine squentielle . . . . . . . . . . . . . . 108
4.4 Graphe reprsentant la machine squentielle partielle
. . . . . . . . 108
4.5 Graphe reprsentant
. . . . . . . . . . . . . . . . . . . . . . . . . . . 109
4.6 Graphe reprsentant la machine squentielle partielle
. . . . . . . . 111
4.7 Graphe illustrant la machine squentielle . . . . . . . . . . . . . . . . 112
4.8 Reprsentation graphique de modle . . . . . . . . . . . . . . . . . . . 116
4.9 Graphe dtat de la machine squentielle partielle
f
1
. . . . . . . . . . 118
4.10 Graphe dtat de la machine squentielle partielle
f
2
. . . . . . . . . . 119
5.1 Reprsentation du processus trois cuves . . . . . . . . . . . . . . . . . 123
5.2 Diagramme fonctionnel du processus 3 cuves . . . . . . . . . . . . . . . 124
v
vi Table des gures
5.4 Rsidus dans le cas normal . . . . . . . . . . . . . . . . . . . . . . . . . . 132
5.3 Schma de simulation Simulink . . . . . . . . . . . . . . . . . . . . . . . 133
5.5 Rsidus dans le cas dune dfaillance b
13
permanente . . . . . . . . . . . 134
5.6 Rsidus dans le cas dune dfaillance b
13
temporaire . . . . . . . . . . . 134
5.7 Reprsentation du modle de fonctionnement normal du processus 3
cuves . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137
5.8 Modle vnementiel dune vanne (approche transitions) . . . . . . . . . 139
5.9 Modle vnementiel dune vanne (approche tat) . . . . . . . . . . . . 139
5.10 Reprsentation du modle de fonctionnement dfaillant du processus
3 cuves . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 140
5.11 Reprsentation graphique de la machine squentielle partielle
f
V
13
et
de
f
V
32
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 144
5.12 Squences dvnements et dfaillances . . . . . . . . . . . . . . . . . . 146
5.13 Graphes reprsentant les rponses du systme complet et des ma-
chines partielles
1
et
2
. . . . . . . . . . . . . . . . . . . . . . . . . . . 148
5.14 Graphe reprsentant lvolution des indicateurs de dfaillances en fonc-
tion de lvolution de . . . . . . . . . . . . . . . . . . . . . . . . . . . . 148
5.15 Blocs reprsentant les machines squentielles partielles
V
13
et
V
32
. . 150
5.16 volution des niveaux de liquide dans les trois cuves . . . . . . . . . . . 150
5.17 Entres et dfaillances du modle continu . . . . . . . . . . . . . . . . . 150
5.18 volution des dbits de liquide dans les conduites c
13
et c
32
. . . . . . . 151
5.19 vnements dentre du modle vnementiel . . . . . . . . . . . . . . . 151
5.20 volution discrtise du systme et du modle . . . . . . . . . . . . . . . 152
5.21 volution des machines squentielles partielles dcouples . . . . . . . 152
5.22 volution des indicateurs de dfaillances . . . . . . . . . . . . . . . . . . 153
5.23 Rsidus continus . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 153
A.1 Reprsentation schmatique des machines squentielles isomorphes
et . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 160
A.2 Reprsentation schmatique et de son image homomorphe
. . . . . 160
A.3 Schma reprsentant les machines quivalentes
1
,
2
et
. . . . . . . 161
C.1 Rsidus dans le cas dune dfaillance f
1
permanente . . . . . . . . . . . 171
2
temporaire . . . . . . . . . . . . 172
2
permanente . . . . . . . . . . . 172
2
temporaire . . . . . . . . . . . . 173
3
permanente . . . . . . . . . . . 173
3
temporaire . . . . . . . . . . . . 174
C.7 Rsidus dans le cas dune dfaillance b
32
permanente . . . . . . . . . . . 174
32
temporaire . . . . . . . . . . . 175
20
permanente . . . . . . . . . . . 175
20
temporaire . . . . . . . . . . . 176
Rsum
Cette thse traite de la dtection et de la localisation des dfaillances base de
modles comportementaux. Lapproche suggre consiste extraire du modle com-
portemental un sous-modle dcoupl par rapport aux perturbations et par rapport
un sous-ensemble de dfaillances et coupl par rapport au sous-ensemble compl-
mentaire de dfaillances. A laide de ce sous modle, des indicateurs de dfaillances
structurs sont gnrs. Ces indicateurs possdent intrinsquement des proprits de
robustesse aux perturbations et certaines dfaillances et sont sensibles au reste des
dfaillances. Cette approche repose donc sur la dcomposition du modle comporte-
mental du systme en sous-modles.
Une mthodologie de dcomposition est prsente pour traiter les modles conti-
nus et les modles vnementiels de la mme manire. Cette mthodologie de dcom-
position est formule en utilisant des outils algbriques connus sous le nom dalgbre
des paires et dalgbre des fonctions. Les deux algbres sont prsentes et leurs opra-
teurs sont dtaills et illustrs. Il est montr que la procdure de dcomposition dcrite
pour les modles continus en utilisant lalgbre des fonctions est similaire celle d-
crite pour les modles vnementiels en utilisant lalgbre des paires. Une procdure
de dcomposition gnrale est ensuite propose pour tous les modles comportemen-
taux dterministes.
Les rsultats thoriques sont illustrs par la dcomposition des modles comporte-
mentaux (continu et vnementiel) du systme trois cuves, et par la synthse dun
module de dtection et de localisation de dfaillances pour chaque cas trait.
Abstract
This thesis concerns fault detection and isolation using behavioral models. The
suggested approach consists in the determination of a sub-system which is decoupled
from the perturbation and from a subset of faults and sensitive to the remaining faults.
Using this sub-system, structured fault indicators are generated. These indicators are
intrinsically robust to the perturbations and to some faults and sensitive to the remain-
ing faults. Thus, this approach is based on the decomposition of the behavioral model
of the process to monitor into sub-systems.
A decomposition methodology is proposed to handle continuous and discrete mod-
els in a similar way. Algebraic tools, known as pair algebra and algebra of functions, are
used to formulate the decomposition methodology. Both algebras are presented, and
their operators detailed and illustrated. It is shown that the decomposition procedure
for the continuous case based on algebra of functions is similar to the discrete case
based on pair algebra. Finally, a decomposition methodology for all types of determin-
istic behavioral models is proposed.
The theoretical results are illustrated by the decomposition of the behavioral mod-
els (continuous and discrete) of the three tank process, and the synthesis of fault de-
tection and isolation module for both cases.
Chapitre 1
Introduction gnrale
La surveillance des systmes automatiques est devenue, depuis les annes soixante
dix, une thmatique part entire de la recherche scientique. Les progrs technolo-
giques ont entran une complexit croissante des systmes, et les problmes de scu-
rit, de abilit et de sret ont pris de limportance. Ceci a cr le besoin de dvelop-
per des mthodes ables et performantes de surveillance.
La surveillance consiste en la dtection prcoce des dfauts dont lapparition per-
turbe le fonctionnement normal dun systme. Une fois que lanomalie est dtecte, le
composant en dfaut est localis et la gravit du dfaut est estime.
Nous nous intressons dans cette thse aux mthodes de surveillance base de mo-
dles. Le modle reprsente une abstraction mathmatique du comportement du sys-
tme physique. Les modles peuvent tre reprsents de plusieurs manires suivant
le degr dabstraction retenu : quations direntielles ou aux dirences, linaires ou
non linaires, graphes dvolution (rseaux de Petri, automates tats nis ...), rela-
tions qualitatives, lois empiriques. Pour chaque cas, des outils de traitement adquats
sont utiliss pour dvelopper des algorithmes de surveillance ecaces. Ces outils ont
t dvelopps par des communauts direntes (systmes continus, systmes vne-
mentiels) en utilisant une formalisation du problme spcique.
Quelle que soit la reprsentation choisie, un modle permet destimer la sortie du
systme, connaissant son volution passe et les sollicitations actuelles. La surveillance
consiste en premier lieu vrier la cohrence des sorties estimes avec les sorties
connues (mesures). Cette cohrence est quantie par un indicateur. La valeur de
lindicateur dpend a priori des erreurs de modlisation, des sollicitations inconnues
et des dfauts aectant les caractristiques nominales du systme. Pour permettre une
dtection ecace, lindicateur doit tre sensible uniquement aux dfauts et robuste
aux autres inuences. La dtection robuste dun dfaut ncessite la robustesse de les-
timation des sorties.
Si loccurrence de dfauts multiples est considre, lutilisation de plusieurs in-
dicateurs sensibles des sous-ensembles de dfauts dirents permet, sous certaines
conditions, de localiser llment dfaillant. Le problme de dtection et de localisa-
tion de dfauts est alors ramen un problme gnral de sensibilit et de robustesse
des estimations fournies par le modle.
Les mthodes classiques de surveillance se focalisent sur les techniques de gn-
3
4 Chapitre 1. Introduction gnrale
ration des indicateurs ce qui rend ces mthodes tributaires des modles utiliss. En
fonction de la dynamique dcrite par le modle, direntes techniques doivent tre
employes pour la dtection des dfauts. Les approches employes pour surveiller des
dynamiques continues dans le temps dirent considrablement des mthodes uti-
lises pour la surveillance de dynamiques vnementielles discrtes. Par ailleurs, la
gnration dindicateurs de dfauts est traite comme un problme multi-contraintes
dicile rsoudre dans les cas complexes.
Nous proposons dans cette thse une rsolution du problme de gnration din-
dicateurs robustes en deux tapes. La mthodologie est gnrale et peut sappliquer
des systmes dynamique continue ou vnementielle. Les proprits de robustesse
et de sensibilit par rapport aux erreurs de modlisation, aux sollicitations et aux d-
fauts peuvent tre ramenes des proprits de couplage et de dcouplage au sein
mme du modle. La premire tape consiste dterminer les parties du modle qui
possdent les proprits de couplage/dcouplage souhaites. Les sous-modles obtenus
permettent une gnration facilite dindicateurs de dfauts. Les indicateurs possdent
intrinsquement les proprits de robustesse ou de sensibilit souhaites hrites des
sous-modles.
Le deuxime point abord est lutilisation doutils mathmatiques particuliers, ap-
pels algbre des paires et algbre des fonctions, pour formuler la mthode de dcomposi-
tion. Lalgbre des paires est utilise pour la dcomposition de modles vnementiels,
et lalgbre des fonctions est utilise pour la dcomposition de modles temporels. Les
deux algbres sont prsentes, et leur utilisation pour la dcomposition est dveloppe,
notamment sur des aspect calculatoires. Des analogies avec des outils de dcouplage
classiques sont montres pour illustration.
Plan du mmoire
La suite de ce mmoire est structure autour des chapitres suivants :
Chapitre 2
Le chapitre prsente des rappels fondamentaux sur la reprsentation des systmes
et des dfauts par des modles comportementaux et sur les notions de la surveillance
base de modles. Deux types de modles comportementaux sont tudis :
Le modle comportemental temporel qui reprsente lvolution des systmes
vnements continus.
Le modle comportemental vnementiel qui reprsente lvolution des systmes
vnements discrets.
Une section entire est consacre chaque type de modle, comportant :
des rappels sur la modlisation du processus en fonctionnement normal ou en
fonctionnement dfaillant,
un rappel des principales notions de surveillance base de modles,
un tat de lart sur les techniques les plus courantes de la surveillance base de
modle.
5
Dans la dernire partie de chaque section, une mthode de dtection et de locali-
sation de dfaillances base sur la gnration dindicateurs de dfauts structurs est
propose. Un indicateur de dfauts structur est un signal qui ragit certains dfauts
en restant robuste aux autres. Le problme classique de dtection et de localisation de
dfauts, bien connu dans le cadre des systmes tats continus est formul comme
un problme de dcomposition avec des critres de dcouplage par rapport un sous-
ensemble dentres. Les sous-modles obtenus permettent ensuite de gnrer des indi-
cateurs de dfauts structurs. La formulation du problme est prsente dans le cadre
des modles temporels et tendue au cadre des modles vnementiels.
Chapitre 3
Ce chapitre prsente les outils mathmatiques utiliss. Des rappels gnraux sur la
thorie des ensembles et sur les structures dalgbre et de treillis sont donns. La notion
de partition sur un ensemble est rappele et les oprations de manipulation de parti-
tions sont dtailles. Suit une prsentation de lalgbre des paires, qui est utilise pour le
traitement des systmes dynamique vnementielle. Des notions cls lies aux par-
titions sont introduites, telles la proprit de substitution et la paire algbrique. La
proprit de substitution est une relation entre partitions qui permet de dcrire le mo-
dle sous la forme dun treillis de partitions. Ce treillis ordonne les partitions suivant
une hirarchie en fonction dune relation dordre, ce qui permet de choisir une parti-
tion de dcomposition. Lalgbre des paires est ensuite tendue aux ensembles innis
sous le nom dalgbre des fonctions. Cette extension est utilise pour le traitement des
systmes dynamique temporelle. Une comparaison avec des outils mathmatiques
similaires est faite, en montrant des analogies entre lalgbre des fonctions et lalgbre
de Lie.
Chapitre 4
Le quatrime chapitre prsente la mthodologie de dcomposition en sous-modles
dcoupls. Le principe de lapproche est prsent tout dabord dun point de vue g-
nral. Les tapes qui mnent lobtention dun sous-modle dcoupl sont dcrites
sous la forme dun algorithme. Les sorties du sous-modle possdent des proprits de
robustesse par rapport aux entres qui sont dcouples. Cette proprit permet dap-
pliquer la dcomposition en sous-systmes dcoupls pour synthtiser des gnrateurs
dindicateurs de dfauts structurs. Le chapitre est ensuite divis en deux sous-parties :
1. La premire section est consacre au dtail de la dcomposition des systmes
dynamique temporelle et sa ralisation en utilisant lalgbre des fonctions. Des
illustrations sont proposes pour des systmes reprsents par des quations dif-
frentielles linaires et non linaires. Des amliorations de lapproche existante
[Zhi97] sont proposes, notamment sur linitialisation de lalgorithme et sur les
aspects calculatoires.
2. La seconde section traite de la dcomposition des systmes dynamique vne-
mentielle. Le processus est dcrit sous la forme dune machine squentielle et les
6 Chapitre 1. Introduction gnrale
tapes de la dcomposition sont rcrites pour en tenir compte. Lalgorithme de
dcomposition est alors ralis en utilisant lalgbre des paires.
Chapitre 5
Le cinquime chapitre illustre les techniques dveloppes tout au long de ce m-
moire, en ralisant la dtection de dfaillances sur un systme trois cuves. Deux
reprsentations sont utilises, lune temporelle et lautre vnementielle.
1. Dans le cadre temporel : le systme est reprsent par un ensemble dquations
direntielles qui prsente des non-linarits non direntiables. La mthodo-
logie de dcomposition est ralise en utilisant les oprateurs de lalgbre des
fonctions. Les sous-modles obtenus permettent de synthtiser des gnrateurs
de rsidus structurs en utilisant des observateurs discontinus. Des simulations
sont ralises laide du logiciel Matlab/Simulink.
2. Dans le cadre vnementiel : une partie de lvolution du systme est reprsen-
te sous la forme dune machine squentielle seize tats. La mthodologie de
dcomposition est ralise en utilisant les oprateurs de lalgbre des paires.
Les sous-modles gnrs permettent dobtenir des squences indicatrices de d-
faillances structures. Des simulations sont ralises pour deux cas :
Les sorties du systme surveiller sont obtenues directement partir dun
modle vnementiel. Lobjectif est de valider lapproche de surveillance tho-
riquement.
Les sorties du systme surveiller sont obtenues par discrtisation des sorties
dun modle temporel. Lobjectif est de valider lapproche de surveillance dans
un cas plus pratique sur un modle proche du systme rel.
Les simulations (et les calculs des oprateurs) sont ralises laide du logiciel
de calcul symbolique Maxima.
Remarque 1.0.1 Il est recommand au lecteur qui nest pas habitu aux techniques alg-
briques de lire le chapitre 5 avant daborder les chapitres 3 et 4.
Chapitre 2
Surveillance et dcomposition de
modles
2.1 Introduction
Ce chapitre rappelle les notions principales lies la surveillance (dtection, lo-
calisation, identication de dfauts) de systmes automatiss. Lobjectif ici nest pas
de raliser un expos exhaustif mais bien de donner les lments essentiels qui per-
mettront de situer et de comprendre toute la problmatique traite dans cette thse
ainsi que les solutions apportes. Nous nous intressons aux mthodes de surveillance
utilisant un modle comportemental de linstallation considre. Dun point de vue
trs gnral, un tel modle est constitu dun ensemble de contraintes qui dnissent
ou contraignent les volutions des variables internes. Quelle que soit la technique de
surveillance utilise, le principe est toujours le mme : comparer le comportement du
systme rel tel quil est vu au travers de son instrumentation avec le comportement
thorique donn par son modle. Les automaticiens manipulent trois types de modles
comportementaux : les modles que lon qualiera de temporels, pour lesquels les vo-
lutions des variables dpendent explicitement du temps (ces modles peuvent tre
temps continu ou temps discret), les modles vnementiels lorsque les variables r-
agissent exclusivement des vnements internes ou externes, enn les modles dits
hybrides qui combinent les deux volutions. Suivant le type de modle considr, les
techniques employes sont direntes.
Les mthodes utilisant un modle temporel reposent sur des indicateurs de d-
fauts (on parle aussi de rsidus). Ceux-ci sont gnrs par trois types de m-
thodes : les mthodes bases sur les observateurs ou ltres, les mthodes base
de relations de redondance analytique et les techniques utilisant des algorithmes
destimation paramtrique (techniques didentication). An de localiser prci-
sment les dfauts, plusieurs rsidus sont utiliss. Chaque rsidu doit avoir des
proprits spciques de sensibilit et de robustesse vis vis des perturbations
et dun sous-ensemble donn de dfauts.
Les mthodes utilisant un modle vnementiel ont pour principe gnral la si-
mulation parallle. Un diagnostiqueur est associ avec pour objectif de dtermi-
7
8 Chapitre 2. Surveillance et dcomposition de modles
ner si le systme rel est dans un tat normal ou dans un tat anormal. Dans le
deuxime cas, le diagnostiqueur recherchera la(les) cause(s) premire(s) du dys-
fonctionnement. Dans le cas de systmes complexes, lorsque la surveillance doit
tre ralise en-ligne, il est impossible de simuler tous les scenarii et dexplorer
systmatiquement toutes les combinaisons ayant amen le systme dans un tat
donn. Ceci serait dailleurs inutile. En eet, certaines situations sont physique-
ment impossibles, dautres napportent aucune information sur le dfaut, enn
dautres sont imprcises du fait de lexistence de perturbations. Seuls les scena-
rii ayant un sens et une utilit doivent donc tre considrs. On retrouve ainsi
pour la procdure utilise, comme prcdemment pour les rsidus, une certaine
proprit de robustesse et de sensibilit aux perturbations et aux dfauts.
Les dmarches classiques de surveillance partent du modle global de bon ou de
mauvais fonctionnement et cherchent gnrer des rsidus (dans le cas continu) ou des
simulateurs/diagnostiqueurs possdant les proprits de robustesse et de sensibilit
souhaites. Une autre dmarche est prsente dans cette thse. Nous proposons de
travailler dans un premier temps sur les modles avant de sintresser la technique
de surveillance proprement parler. Ainsi, le modle global peut tre dcompos en
sous-modles possdant chacun des proprits de couplage/dcouplage par rapport aux
perturbations et/ou aux dfauts. Nous explicitons la n de ce chapitre cette dmarche
et dgageons les avantages dune telle approche.
2.2 Gnralits sur la surveillance base de modles
2.2.1 Lexique et dnitions
Un processus physique est un assemblage de composants en interaction. Les com-
posants ont t choisis pour remplir une (parfois plusieurs) fonction(s) permettant au
systme complet dassurer ses missions [BKLS03]. Les composants sont classs en trois
catgories : les actionneurs qui permettent dagir sur le dispositif, les composants du
dispositif en tant que tel et les capteurs qui fournissent une image de certaines quan-
tits produites par le dispositif. Le schma classique est donc le suivant :
Fig. 2.1 Systme lmentaire
Chaque composant ragit des sollicitations connues telles les commandes ma-
nuelles ou automatiques, les signaux ou donnes dentres et/ou des sollicitations
inconnues appeles entres inconnues ou perturbations.
2.2. Gnralits sur la surveillance base de modles 9
Des dysfonctionnements sont susceptibles de perturber le comportement normal
du composant. Ces dysfonctionnements sont soit des dfauts, soit des pannes.
Dfaut On appelle dfaut toute modication des caractristiques physiques de ll-
ment concern qui entrane un comportement dgrad, non nominal, de ll-
ment.
Panne On appelle panne toute modication des caractristiques physiques de ll-
ment concern qui entrane son incapacit totale accomplir sa fonction pre-
mire. Une panne est donc en quelque sorte un dfaut majeur. Dans la suite du
mmoire, seul le terme dfaut, plus gnral, sera utilis.
La distinction entre dfaut et perturbation nest pas toujours trs claire. Une per-
turbation traduit linuence de lenvironnement dans lequel volue un lment. Ceci
entrane une modication non souhaite du comportement de llment sans quil y
ait modication de ses caractristiques physiques intrinsques. La dicult de la sur-
veillance est de pouvoir distinguer les perturbations des dfauts rels.
Les dfauts sont classs en fonction de leur persistance. Ils sont de deux types :
intermittents sils sont prsents uniquement pendant un laps de temps dtermin.
Le dispositif touch rcupre son mode de fonctionnement normal sans inter-
vention extrieure. Ces dfauts sont trs gnants et trs diciles dtecter et
diagnostiquer.
permanents sils persistent au cours du temps jusqu une intervention de mainte-
nance.
2.2.2 Notions de surveillance
La surveillance dun processus consiste en la dtection, la localisation et lidenti-
cation des dfauts du systme un stade prcoce. La surveillance a pour objectif de
donner une image "relle" de ltat des composants du systme. Elle permet de faire
intervenir la maintenance de manire approprie ou de modier automatiquement la
commande pour permettre un fonctionnement proche du fonctionnement nominal et
en tout cas garantissant certaines proprits essentielles. On parle alors de commande
active tolrante aux dfauts.
Un algorithme de surveillance [BKLS03] comporte 3 tapes :
La dtection Lobjectif est de dtecter les dfauts le plus prcocement possible et sans
erreur (fausse alarme ou non dtection). Un cart entre le comportement observ
et le comportement normal de rfrence donn par un modle (qui peut tre
analytique ou numrique) peut tre d un dfaut mais aussi des perturbations
ou des erreurs de modlisation. Une dcision doit tre prise pour dclencher une
alarme si le dysfonctionnement est rellement caus par un dfaut et ne pas la
dclencher sil sagit dune perturbation.
La localisation Il sagit de dire quel lment physique du systme est en dfaut. Par-
fois la localisation trs prcise est impossible du fait des interactions entre com-
posants et de linstrumentation limite. Le rsultat se limitera donc isoler un
sous-systme comportant un ensemble de composants susceptibles dtre en d-
faut.
Lidentication Lobjectif est de caractriser plus nement le dfaut. Dun point de
vue physique, il sagit de dterminer la nature du dfaut (nombre de spires court-
circuites dans une machine lectrique, pourcentage douverture dune vanne
lorsquelle reste partiellement ouverte, ...). tant donn que les paramtres du
modle sont lis aux lments physiques, lidentication du dfaut consiste sou-
vent dans lidentication des paramtres du modle.
Dans la littrature, le terme diagnostic est aussi souvent utilis. Il correspond la
caractrisation du dfaut lorsque celui-ci a t dtect. Le diagnostic peut donc tre vu
comme la runion des fonctions de localisation et didentication du dfaut.
An de raliser les fonctions prcdentes, il est ncessaire de disposer de comporte-
ments de rfrence dcrivant les fonctionnements normaux et dfaillants du processus.
Ces comportements peuvent se prsenter sous direntes formes et sont groups en
deux catgories : les relations qui dcrivent lvolution du processus et les donnes
releves durant des tests de scenarii de fonctionnement possibles. Les techniques de
surveillance existantes sont classes traditionnellement en deux familles :
Techniques de surveillance dites sans modle Ces techniques se basent sur lanalyse
des donnes issues des capteurs. Un apprentissage des dirents scenarii de fonc-
tionnement possibles est eectu et une classication des donnes obtenues en
sortie permet de statuer sur ltat du processus. Lapprentissage peut tre fait en
ligne ou bien pendant une phase de test pralable. Selon le degr de sophistica-
tion voulu, les classes dcrivant les scenarii peuvent tre xes ou bien varier en
fonction de lapprentissage en ligne.
Techniques de surveillance avec modles Le fonctionnement normal du systme est
dcrit par un modle comportemental constitu de relations de contraintes entre
des variables choisies du systme. Les trajectoires (ou volutions) des variables,
estimes laide de ce modle, sont compares avec les donnes prleves sur
le systme rel et provenant des capteurs. Un cart entre ces trajectoires pro-
vient soit derreurs de modlisation, soit de perturbations (entres inconnues)
non prises en compte dans le modle, soit enn de dfauts de composants. An
de dtecter, localiser voire identier un dfaut, il est ncessaire de direncier
les causes des dysfonctionnements. Ainsi, le modle est complt an de tenir
compte des perturbations, incertitudes et dfauts.
Dans la suite de ce mmoire nous nous intressons uniquement aux techniques de
surveillance utilisant un modle comportemental du systme considr.
2.2.3 Modlisation dun systme dynamique
Un modle est une reprsentation abstraite des phnomnes physiques. Cette re-
prsentation dun systme dynamique permet de simuler les comportements partir
de conditions initiales donnes et en fonction de sollicitations (entres) connues. Un
modle comportemental, ou analytique, regroupe les variables de description du pro-
cessus ainsi que les relations qui les lient.
2.2. Gnralits sur la surveillance base de modles 11
Dnition 2.1 Un modle comportemental (analytique) est dni par le quintuplet
(X, W, Y, F, H) (2.1)
o W reprsente lensemble des excitations, Y reprsente lensemble des sorties et X repr-
sente lensemble des tats internes. F et H sont des relations dcrites respectivement par
F :WX X (2.2)
H:WX Y (2.3)
Les relations qui sont dcrites par lapplication F caractrisent les dynamiques
contenues dans le processus reprsent. Deux types de dynamiques peuvent tre dis-
tingus, suivant le degr dabstraction retenu pour llaboration du modle :
La dynamique temporelle est caractrise par des variables de description qui ont
une volution continue dans le temps. Les contraintes sont exprimes par des re-
lations mathmatiques, du type quations direntielles pour le cas des systmes
temporels continus ou du type quations aux dirences (rcurrences) pour le cas
de systmes temporels chantillonns (ou discrtiss). Les variables de descrip-
tion peuvent prendre un nombre inni de valeurs.
La dynamique vnementielle : est caractrise par des variables de description qui
subissent des variations brusques. Ces volutions ne dpendent pas directement
du temps, mais de loccurrence dvnements particuliers. Les variables de des-
cription ne peuvent prendre quun nombre ni de valeurs.
Les modles de comportement temporels et vnementiels peuvent maintenant tre
caractriss de manire plus prcise.
Dnition 2.2 Un modle comportemental (X, W, Y, F, H) (2.1) est dit temporel et est
not
(X, W, Y, f , h)
si et seulement si ses variables dpendent explicitement du temps et sont dnies sur des
ensembles innis. On a alors :
X T
n
f : T
n
T
l
T
n
WT
l
h : T
n
T
l
T
m
Y T
m
(2.4)
La fonction f est appele fonction dtat et dcrit les volutions des variables dtat
en fonction des entres et des paramtres. Cest une fonction qui peut tre linaire ou
non linaire. La nature de cette fonction caractrise le type de modle temporel, il est
alors soit linaire, soit non linaire. La fonction h est appele fonction de sortie ; elle
lie les tats et les entres du systme aux mesures releves par les capteurs installs.
Dnition 2.3 Un modle comportemental (X, W, Y, F, H) (2.1) est dit vnementiel et
est not
(S, I, O, , )
si et seulement si les variables qui le composent sont de nature vnementielle et sont dnies
sur des ensembles nis. On a alors
S = {s
1
, , s
n
} : SI S
I = {i
1
, , i
l
} : SI O
O= {o
1
, , o
m
} (2.5)
o les s
i
, i
i
, o
i
sont les lments respectifs des ensembles S,I et O aux cardinalits n
, l
et m
.
Un modle qui contient les deux dynamiques, temporelle et vnementielle, est
appel modle hybride [Pet99]. Lvolution dun modle hybride est reprsente par
deux modles (gure 2.2) :
un modle vnementiel dcrit par (S, I, O, , ) ,
un modle temporel dcrit par (
X,

W,

Y,

f ,
h).
Chaque tat s S du modle vnementiel correspond un mode de fonctionnement
du modle hybride et dnit un sous-ensemble dtats atteignables du modle tempo-
rel X
i

X. Les changements de modes sont dclenchs par des vnements commands
ou par le changement dtat de contraintes ingalit g
i
(x
i
) 0. Le binme (s, x
i
) un
instant donn reprsente ltat complet du modle hybride.
Fig. 2.2 Modle hybride
2.2.4 Notion de sous-modle
Un modle reprsente une abstraction mathmatique du comportement dun sys-
tme physique. Il permet, partir dun ensemble de sollicitations externes W, dob-
tenir, via un ensemble de variables internes X, une image des sorties instrumentes
du systme Y. Pour diverses raisons, il est parfois intressant de dcomposer le mo-
dle complet du systme pour dterminer une partie qui ne dpend que dun sous-
ensemble de sollicitations externes W
W et dont les sorties Y
peuvent tre expri-

mes en fonction des lments de lensemble de sorties Y.
2.3. Surveillance base de modles temporels 13
Dnition 2.4 Soit un modle : (X, W, Y, F, H). Le modle
: (X
, W
, Y
, F
, H
) est
un sous-modle de si pour une relation
W
dnie par :
W
:W W
w w
=
W
(w)
il existe une relation
X
dnie par
X
:X X
x x
=
X
(x)
qui satisfait la relation suivante
w W : x
=
X
(x) F
(x
,
W
(w)) =
X
(F(x, w))
et une relation
Y
dnie par
Y
:Y Y
y y
=
Y
(y)
qui satisfait
w W x X x
: x
=
X
(x) H
(x
,
W
(w)) =
Y
(H(x, w))
Un sous-modle permet de simuler une partie du systme. Il volue suivant les
mmes trajectoires que la partie du modle complet dpendante de W
et qui est iden-

tie par le triplet de sous-ensembles (X
, W
, Y
). La partie de dpendante de W
est
dite ralisable sous forme dun sous-modle. De plus, si lensemble Y
nest pas nul,

alors il est possible de comparer les sorties de et de
. Ceci implique que possde

des sorties dpendantes des entres W
.
Si le sous-modle
est de dimension strictement infrieure au modle alors le

triplet dapplications (
W
,
X
,
Y
) est appel homomorphisme de vers
et
est
obtenu par dcomposition de . Si les dimensions de
et de sont gales, alors le

triplet dapplications (
W
,
X
,
Y
) est appel isomorphisme [HS66] et
est obtenu par

transformation de .
Si
est obtenu par dcomposition, il est possible de dterminer le sous-modle

complmentaire
de sorte que la connaissance de
et de
permet de retrouver le
modle complet .
2.3 Surveillance base de modles temporels
2.3.1 Introduction
Selon les objectifs viss, deux types de modles comportementaux temporels sont
utiliss pour la surveillance :
Le modle de bon fonctionnement reprsente le systme en fonctionnement normal
sans tenir compte des dfauts potentiels.
Le modle de fonctionnement dfaillant dcrit le systme en tenant compte des d-
fauts. Linuence des dfauts est intgre au modle du processus.
2.3.2 Modle de bon fonctionnement
Les fonctions dtat f et de sortie h de la dnition (2.2) dcrivent des volutions
temporelles des variables associes au modle.
Si la variable temps est continue, des quations direntielles du premier ordre
sont en gnral utilises, on parle alors de modle dtat continu. La forme classique est
la suivante :
_
x(t) = f (x(t), w(t))
y(t) = h(x(t), w(t))
(2.6)
o x X T
n
est le vecteur qui contient les variables internes du systme ou vec-
teur dtat, w W T
l
le vecteur des excitations qui regroupe les signaux dexcitation
connus (commandes) et inconnus (perturbations ou entres inconnues). y Y T
m
est
le vecteur des signaux de sortie ou vecteur de sortie.
Le vecteur dexcitation scrit comme suit :
w =
_
u
_
o u U T
q
est le vecteur des commandes et le vecteur des perturbations.
Le signal de perturbation correspond linuence de lenvironnement et lin-
uence des erreurs de modlisation.
Si la variable temps est chantillonne avec une priode Te , le modle est dit
modle dtat chantillonn ou discrtis et prend la forme suivante :
_
x((k +1) Te) = f

(x(kTe), w(kTe))
y(kTe) = h
(x(kTe), w(kTe))
(2.7)
o k reprsente le numro de lchantillon qui correspond linstant dchantillonnage
kTe . Pour simplier lcriture, les variables sont indices par k :
_
x
k+1
= f

(x
k
, w
k
)
y
k
= h
(x
k
, w
k
)
(2.8)
Les fonctions f et h (cas continu), f

et h
(cas discrtis) peuvent tre linaires ou

non linaires :
Dnition 2.5 Soit une fonction f : X X. f est une fonction linaire si et seulement si
x X , x
X : f (x +x
) = f (x) +f (x
)
Y , x E : f ( x) = f (x)
La premire relation dcrit la proprit dadditivit, et la seconde, lhomognit.
Dans le cas linaire continu, le systme (2.6) scrit
_
x(t) = Ax(t) +Bw(t)
y(t) = Cx(t) +Dw(t)
(2.9)
o A,B,C et D sont des matrices constantes de dimensions appropries.
Dans le cas discrtis, le systme (2.8) scrit
_
x
k+1
= Ax
k
+Bw
k
y
k
= Cx
k
+Dw
k
(2.10)
o A,B,C et D sont des matrices constantes de dimensions appropries.
2.3.3 Modle de fonctionnement dfaillant
Le modle de fonctionnement dfaillant (MFD) permet de reprsenter le compor-
tement du systme rel en prsence de dfauts. Le dfaut dun composant physique
a pour eet de modier la valeur de certains paramtres du modle, voire mme de
modier la structure du modle. Nous ne considrerons pas ce deuxime cas.
Linuence du dfaut sur le modle peut tre reprsente laide dun signal dexci-
tation supplmentaire. Ce signal, pour le direncier du dfaut physique, sera appel
dfaillance.
Le vecteur dexcitation scrit alors
w =
_
_
u
_
o est le vecteur de dfaillances.
Le modle de fonctionnement dfaillant peut alors scrire sous la forme :
_
x(t) = f

(x(t), w(t)) = f (x(t), u, ) +f
d
(x(t), u, , )
y(t) = h
(x(t), w(t)) = h(x(t), u, ) +h

d
(x(t), u, , )
(2.11)
Le signal de dfaillance est nul en fonctionnement normal. On a dans ce cas :
_
f
d
(x(t), u, , 0) = 0
h
d
(x(t), u, , 0) = 0
(2.12)
Le modle de fonctionnement dfaillant discrtis sobtient de manire similaire.
2.3.4 Utilisation du modle pour la surveillance
Ltat du systme est connu par lintermdiaire des mesures ralises par les cap-
teurs. Cette connaissance de ltat nest cependant que partielle car il est impossible de
mesurer toutes les caractristiques du systme. De plus, les capteurs peuvent donner
des informations errones sils sont en dfaut. La premire solution permettant de a-
biliser linformation est de sur-instrumenter le systme, on parle alors de redondance
matrielle. Le principe est de mesurer une mme quantit laide de plusieurs capteurs.
Les incohrences dtectes mettent en vidence les dfauts ou pannes des capteurs
et permettent de fournir une information valide au systme de contrle/commande.
Cette solution largement utilise dans les domaines sensibles tels laronautique ou
lastronautique, est cependant trs coteuse. De plus, elle ne permet pas de dtecter les
dfauts internes du systme. La surveillance base de modle utilise le modle com-
portemental an dobtenir une redondance dinformations. Les relations liant les va-
riables de description, permettent de vrier la cohrence (ou consistance) des mesures
prleves par les capteurs. On parle alors de redondance analytique [BKLS03, PFC00].
Cette cohrence (ou non cohrence) est quantie par un signal r(t) appel rsidu.
En fonctionnement normal, non perturb et lorsque le modle correspond exactement
au systme rel (cas idal) r(t) est nul. Si un dfaut apparat, si le modle prsente des
incertitudes ou si le systme est perturb, on aura r(t) 0.
La surveillance ncessite donc deux tapes : la gnration des rsidus (voir section
suivante) et une procdure de dcision permettant dinterprter la valeur des rsidus
et de dcider de loccurrence ou non dun dfaut. Lutilisation du rsidu pour dtecter
et localiser les dfaillances est dcrite par le diagramme 2.3 [Ise05].
Fig. 2.3 Illustration de la surveillance base de modles
Nous nous intressons dans cette thse uniquement la synthse de gnrateurs
de rsidus. Le lecteur intress par les procdures de dcisions, pourra consulter les
ouvrages [Ger98, BN93]. La procdure de dcision sera grandement facilite si les r-
sidus comportent de bonnes proprits de robustesse et de sensibilit. Dans la section
suivante, nous dtaillons ces proprits et dcrivons brivement les mthodes de g-
nration de rsidus.
2.3.5 Gnration de rsidus pour la dtection de dfauts
Proprits des rsidus
Comme nous lavons vu, un rsidu devient dirent de zro lorsque le comporte-
ment du systme rel scarte de son comportement nominal donn par un modle
de bon fonctionnement. Ainsi un rsidu est une fonction des signaux et . An de
faciliter la dcision, il est intressant dobtenir des rsidus qui ragissent uniquement
un sous-ensemble de dfaillances et qui ne ragissent pas, ou ragissent faiblement,
aux perturbations et aux autres dfaillances. Un rsidu possde donc des proprits de
robustesse certains signaux et de sensibilit dautres.
Dnition 2.6 Un rsidu r(t) est dit robuste par rapport un signal si r(t) ne dpend pas
de . En terme mathmatique, cela signie que
r(t) robuste par rapport
r(t)
= 0 (2.13)
La sensibilit est dnie de manire analogue.
Dnition 2.7 Un rsidu r(t) est dit sensible un signal si une variation donne de
engendre une variation de r(t). En terme mathmatique, cela signie que :
r(t) sensible s
(r(t)) =
r(t)
0 (2.14)
La sensibilit asymptotique par rapport est dnie comme la limite quand t tend vers
linni de s
(r(t)) :
s
(r(t)) = lim
t
s
(r(t)) = lim
t
r(t)
(2.15)
Par extension, lorsque la sensibilit asymptotique par rapport un signal est nulle, on
parlera de robustesse asymptotique.
Mthodes de gnration de rsidus
Dun point de vue gnral, un rsidu peut tre vu comme la sortie dun systme
dynamique, appel gnrateur de rsidus (GR), construit partir du modle de bon
fonctionnement (fonctions f et h), ayant en entre les signaux dexcitation connus et
les mesures issues des capteurs (gure 2.3). Ce systme doit tre conu, ou synthtis,
de manire ce que le rsidu possde des proprits de robustesse/sensibilit xes :
robustesse vis vis des perturbations et erreurs de modlisation
robustesse asymptotique par rapport des conditions initiales inconnues
sensibilit par rapport des dfaillances
Notons que la robustesse et la sensibilit sont des proprits associes aux signaux.
Un systme gnrateur dun rsidu robuste (resp. sensible) par rapport un signal
sera dit dcoupl de (resp. coupl ) ce signal.
Trois approches principales sont utilises pour construire un gnrateur de rsidus
[Pat94, Ise05] :
Les approches didentication
Si la structure du modle est connue, les approches base destimation de pa-
ramtres sont adaptes pour synthtiser le gnrateur de rsidus. Elles consistent
identier en ligne les divers paramtres du systme et comparer ces estimations aux
valeurs nominales des paramtres. Lerreur destimation est utilise comme rsidu. Le
lecteur intress par cette approche pourra consulter par exemple les travaux de Iser-
mann [Ise84, IF91] ou les travaux de Fliess, Sira-Ramirez et Join [FJ03, FJSR04].
Approches base de relations de redondance analytique ou espace de parit
Le principe est de rcrire les quations du modle de manire obtenir des relations
particulires appeles RRA : Relations de Redondance Analytique. Cette redondance
est directe, si lon utilise des relations statiques [DGH79], ou bien temporelle [CW84] si
les relations dentres/sorties sont dynamiques, en faisant intervenir les drives des
signaux.
Les RRA ont pour proprit de ne lier que des grandeurs connues, disponibles en
ligne. Les rsidus sont obtenus en substituant dans ces RRA les variables littrales par
leurs valeurs relles, prleves sur le systme en fonctionnement.
Lobtention hors-ligne des RRA est un problme gnral dlimination de variables
dans un systme dquations algbriques ou direntielles. Lorsque le modle est li-
naire, llimination peut se faire par projection dans un sous-espace appel espace de
parit [CW84]. Dans le cas non linaire, des techniques dlimination formelle peuvent
tre utilises.
Projection Cette mthode a t propose dans [CW84]. Les relations de redondance
sexpriment dans lespace non observable du systme. Les auteurs ont trait le
cas linaire. La non-linarit des modles impose des contraintes supplmen-
taires, lies notamment la dtermination de lespace de non-observabilit. Des
dveloppements rcents, bass notamment sur des techniques de gomtrie dif-
frentielle [Isi95], ont propos la gnration de relations de redondance pour des
classes de systmes non linaires linstar de [LWC05].
limination Les relations de redondance sont obtenues par combinaison des relations
existantes dans le modle analytique. La structuration des rsidus et leur robus-
tesse sont obtenus en liminant les variables correspondantes des relations. Plu-
sieurs implmentations logicielles existent, les plus importantes sont bases sur
la thorie de llimination [Dio91], les bases de Grbner [CLO91] et les ensembles
caractristiques [Rit50]. Les bases de Grbner ont t utilises pour gnrer des
RRA non linaires dans [MCC
+
97, SCV01].
Il faut noter que les techniques base de relations de redondance analytique pos-
sdent des similarits avec les approches de dtection par observateurs entres incon-
nues (voir paragraphe suivant). Cet aspect t initialement soulign dans [Mas86] et
dvelopp dans [PC91, Chr01, CCJ04].
Approches base dobservateurs ou de ltres dtecteurs
Ce sont les plus couramment utilises. Les premiers travaux datent des annes
soixante-dix [Bea71, Jon73, Cla78]. Les observateurs ou ltres sont des outils bien
connus des automaticiens des ns de commande en boucle ferme. Le principe g-
nral est de concevoir un systme dynamique permettant de donner une estimation,
de certaines variables, ou combinaisons de variables, ncessaires au bouclage. Lorsque
le systme est dynamique et que certaines variables (conditions initiales) sont incon-
nues, lestimation nest correcte quaprs un certain temps de convergence, x par la
dynamique de lobservateur. Le principe gnral consiste comparer des fonctions de
sorties estimes avec les mmes fonctions des sorties mesures. Lcart entre ces fonc-
tions est utilis comme rsidu [Fra1, Cla78, Cla89].
Des variantes existent, notamment les approches base dobservateurs entres
inconnues, bases sur le principe lobservateur de Luenberger gnralis [Lue66], per-
mettant dobtenir des rsidus robustes [Fra90], ou de ltres dtecteurs [Bea71, Jon73]
et [Mas86, MVW89] o le problme a t rcrit sous un formalisme gomtrique. De-
puis le dbut des annes quatre-vingt dix, les approches de dtection base dobser-
vateurs et de ltres ont t tendues aux systmes non linaires en utilisant des ap-
proches base de gomtrie direntielle :
pour le cas gnral [Isi95, BSC04],
pour les systmes anes en ltat et bilinaires [HKE99b, HKE01],
pour les systmes anes en la commande [DI00, DI01, Loo01].
2.3.6 Rsidus structurs pour la localisation de dfauts
Dnition 2.8 La structure dun rsidu r
i
par rapport un ensemble de
dfauts est le
mot binaire S
r
i
compos de
bits
_
S
i,j
_
positionns de la manire suivante :
S
i,j
= 1 si le rsidu r
i
sensible au j
i ` eme
lment de
_
_
.
S
i,j
= 0 si le rsidu r
i
est robuste au j
i ` eme
lment de
_
_
.
Les rsidus structurs sont conus de manire tre sensibles chacun un sous-
ensemble de fautes
1
et robustes par rapport aux fautes restantes
2
,
3
, . . . (g. 2.4).
Ainsi, lorsquune dfaillance apparat, seul un sous-ensemble de rsidus ragit.
Les informations de sensibilit et de robustesse souhaites pour les rsidus sont
rpertories dans une table binaire appele table de signatures thoriques. Les lignes de
cette table correspondent la structure de chaque rsidu. Les colonnes correspondent
la signature dun dfaut particulier.
An de localiser un dfaut sans ambigut, les signatures des dfauts doivent tre
direntes. Une distance de Hamming leve entre les signatures permettra de tolrer
dventuelles erreurs de dcisions.
Un ensemble de rsidus possdant des proprits spciques de sensibilit ou de
robustesse par rapport aux dfauts est donc calcul en ligne. La procdure de dcision
applique chaque rsidu, permet dobtenir la signature relle des rsidus un instant
donn. Si cette signature est nulle, le systme est dclar sain. Dans le cas contraire,
la signature relle est compare aux signatures thoriques. Le dfaut est dtermin en
considrant le plus proche voisin de la signature calcule.
Deux dmarches peuvent tre adoptes pour gnrer un vecteur de rsidus robustes
et structurs. La premire dmarche dcrite par la gure 2.4, est classiquement adop-
te dans la littrature. Elle consiste construire, partir du modle du systme, un
ensemble de gnrateurs permettant dobtenir des rsidus possdant les proprits
de robustesse/sensibilit souhaites et garantissant la robustesse (au moins asympto-
tique) vis vis des conditions initiales.
Fig. 2.4 Banc de gnrateurs de rsidus robustes
La deuxime dmarche est dcrite par la gure 2.5. Le principe est de dcompo-
ser le modle de fonctionnement dfaillant en plusieurs sous-modles. Chaque sous-
modle est dcoupl dun sous-ensemble de dfaillances, ce qui implique que ses sor-
ties seront robustes par rapport celles-ci.
Par ailleurs, ce sous-modle sera coupl au reste des dfaillances, les sorties seront
donc potentiellement sensibles celles-ci. Bien entendu, tous les sous-modles seront
dcoupls des perturbations.
Fig. 2.5 Utilisation dun banc de sous-systmes dcoupls pour la gnration de rsi-
dus structurs robustes
La dirence principale entre les deux approches rside dans la mthode de syn-
thse du bloc gnrateur de rsidu.
Considrons le systme suivant
:
_
x = f (x, w)
y = h(x, u, )
, w =
_
_
u
_
(2.16)
o x X T
n
, w W T
l
et y Y T
m
reprsentent respectivement les vecteurs
dtat, dexcitation et de sortie. Rappelons que vecteur dexcitation est compos de trois
vecteurs : u U T
q
est le vecteur de commandes, est le vecteur de perturbations et
est le vecteur de dfaillances.
Les dirents gnrateurs de rsidus GR
i
ont la forme suivante [HKE99a, DI00]
GR
i
:
_
z
i
= (z
i
, u, y)
r
i
= (z, y)
(2.17)
Le rsidu r
i
possde trois proprits essentielles :
tre robuste au vecteur de perturbations
i
tre sensible aux dfaillances regroupes dans
i
convergence asymptotique en absence de dfaillance :
si = 0 ,
i
: lim
t+
r
i
(t) = 0
Les vecteurs
i
et
i
sont obtenus par permutation des composantes des vecteurs
et .
Suivant la mthode classique, le gnrateur de rsidus doit tre construit en respec-
tant simultanment les trois proprits de robustesse, de sensibilit et de convergence.
La synthse de tels gnrateurs peut tre dicile mener dans un contexte non li-
naire, puisque de nombreuses contraintes doivent tre satisfaites en mme temps en
manipulant le modle complet du systme.
La seconde mthode propose de rsoudre le problme de convergence (3
e
pro-
prit du rsidu) sparment, en synthtisant le gnrateur de rsidu partir des sous-
modles
i
(2.18)
(X, W, Y, f , h) =
_
1
(X
1
, u
1
, Y
1
, f
1
, h
1
)
2
(X
2
, u
2
, Y
2
, f
2
, h
2
)
.
.
.
k
(X
k
, u
i
, Y
k
, f
k
, h
k
)
(2.18)
Cette distribution des contraintes permet de simplier lopration de synthse du
gnrateur de rsidus.
Chaque sous-modle
i
est quivalent en fonctionnement avec une partie du mo-
dle complet. Lensemble des
i
complmentaires sont quivalents au modle complet.
Par consquent, pour des conditions initiales identiques, lvolution de ou des dif-
frentes parties de est estime par les sous-modles
i
. Si les conditions initiales
ne sont pas connues, un gnrateur de rsidus GR
i
est synthtis partir de chaque
sous-modle
i
pour garantir la convergence de lindicateur de dfaillances. La proc-
dure de synthse est simplie puisque chaque sous-modle
i
gnre par dnition
des sorties robustes aux entres de lensemble
i
et sensibles aux entres de lensemble
u
i
.
La procdure de dcomposition est dtaille dans le chapitre 4.
2.4 Surveillance base de modles vnementiels
2.4.1 Introduction
La surveillance des systmes dynamique vnementielle poursuit les mmes ob-
jectifs que la surveillance des systmes dynamique temporelle. Les outils pour ra-
liser la surveillance par contre sont dirents. Puisque les tats que peut prendre le
systme sont dnombrables, il est possible dans de nombreux cas de raliser des si-
mulations exhaustives pour reconstituer le fonctionnement du modle vnementiel.
Les approches base de simulation sont plus rpandues que dans le cas des systmes
tats continus. Nous allons tendre la mthode propose dans la section prcdente
la surveillance des systmes dcrits par des modles vnementiels. Le principe est
identique : synthtiser des sous-modles qui possdent des proprits de couplage ou
de dcouplage par rapport aux sollicitations extrieures. Les sorties des sous-modles
sont ensuite compares aux sorties mesures et un indicateur de dfaillances est g-
2.4. Surveillance base de modles vnementiels 23
nr. Dans cette section, nous tendons les notions propres la surveillance base de
modles temporels au cadre vnementiel.
2.4.2 Reprsentation vnementielle : principe et rappels
Une dynamique vnementielle est souvent reprsente par des machines squen-
tielles (MS), appeles galement automate tats nis (AEF). Une machine squen-
tielle est constitue dtats et de transitions. Le calcul de ltat suivant tient compte de
ltat prsent de la machine et de lentre dexcitation. Cest donc un modle dvolu-
tion comportemental. Il existe deux classes de machines squentielles : dterministe et
non dterministe. Un automate est dterministe si partir de nimporte quel tat pr-
dcesseur, un seul tat successeur existe pour une entre donne. Toutes les machines
qui ne remplissent pas cette condition sont non dterministes.
La machine squentielle dterministe a deux avantages principaux :
la simplicit de modlisation
une reprsentation intuitive du processus
et un inconvnient : le nombre dtats augmente considrablement ds que des mca-
nismes complexes sont modliss. La synthse de ce type dautomates saccompagne
souvent dune tape de rduction du nombre dtats.
La reprsentation non dterministe permet de rduire la taille de lautomate, et de
lenrichir par des mcanismes de transitions dtat avancs (synchronisation, parall-
lisme,...). Linconvnient rside dans le fait que pour la simulation, une tape de dter-
minisation, par lajout de transitions vides
1
, est ncessaire. Ces oprations sont co-
teuses en temps de calcul. Cela implique que leur utilisation en temps rel est dlicate.
Dans ce mmoire, seules les machines squentielles dterministes sont considres.
Il existe plusieurs types dautomates : les machines de Mealy et de Moore, les au-
tomates arbres, les automates accepteurs... Nous utiliserons la modlisation de sys-
tmes vnementiels par la machine de Moore dnie ci-dessous.
Dnition 2.9 La machine de Moore est un modle vnementiel (S, I, O, , ) o S est
lensemble dtat, I est lensemble dentre ou alphabet dentre , et O lensemble de sortie et
les applications et sont dnies par
: SI S
(s, i) s
+
= (s, i)
: S O
s o = (s)
Si lapplication est lidentit, la machine de Moore devient une machine dtat.
Dnition 2.10 Une machine dtat est reprsente par le triplet (S, I, ) o S est lensemble
ni dtats, I est lensemble ni dentres et : SI S est lapplication de transition dtat.
1
les transitions vides, ou -transitions, sont des transitions qui ne sont pas lies une condition ou
un vnement, et qui sont franchies automatiquement (voir les rfrences [SSL
+
95, SSL
+
96] pour plus
dinformation).
Une machine squentielle est communment reprsente par une table de transi-
tions dtat.
i
1
i
l
o
s
1
(s
1
, i
1
) (s
1
, i
l
) (s
1
)
.
.
.
.
.
.
.
.
.
.
.
.
s
n
(s
n
, i
1
) (s
n
, i
l
) (s
n
)
Tab. 2.1 Table de transition dtat
Le fonctionnement dune machine peut tre galement dcrit par un graphe dtat
(g. 2.6)
Fig. 2.6 Graphe dtat dune machine de Moore
Illustration La gure (2.7) montre lexemple dune machine squentielle et de sa table de
transitions dtat (2.2)
Fig. 2.7 Graphe dtat de
S|I a b c Y
1 2 4 1 1
2 1 3 2 1
3 4 3 2 0
4 5 4 4 0
5 4 5 1 0
Tab. 2.2 Table de transition dtat de
Le fonctionnement dune machine squentielle est dcrit par des chemins qui ex-
priment la raction de la machine une squence dnie sur lensemble dentres, ou
alphabet. Dans la reprsentation temporelle, le chemin correspond une trajectoire et
la squence un signal.
Dnition 2.11 Un chemin est une suite de transitions dtat conscutives. Il est not
[(s
0
, i
1
, s
1
) (s
i1
, i
i
, s
i
)]
avec s
i
S, i
i
I et (s
j1
, i
j
, s
j
) (S I S). Une suite dvnements i
1
i
k
est appele
indiremment trace ou tiquette ou squence .
Le modle de bon fonctionnement dun systme dynamique vnementielle est
reprsent par une machine squentielle (S, I, O, , ) qui dcrit son volution en ab-
sence de dfauts. Les machines squentielles sont considres compltes
2
, et vivantes,
cest--dire quelles ne possde pas dtats bloquants
3
.
Lalphabet dentre I du modle de bon fonctionnement est compos de
I
c
: ensemble dvnements connus associs aux actions du systme de contrle
ou aux transitions dtat.
I
: ensemble dvnements inconnus associs aux perturbations externes.

En reprsentation vnementielle, la perturbation se manifeste par un changement
imprvu de ltat du systme qui nest pas caus par un dfaut.
Nous qualierons les tats et vnements de connus ou mesurs , plutt que
dobservables ou observs utiliss par la communaut des systmes dynamique
vnementielle pour faire la distinction entre la proprit dobservabilit qui est
une proprit structurelle dun modle, et laccessibilit dun tat partir des mesures.
Le modle de fonctionnement dfaillant est une machine squentielle construite
sur la base du modle de bon fonctionnement auquel est ajout linuence des d-
faillances.
Dnition 2.12 Dans une dynamique vnementielle, la dfaillance est un vnement in-
connu associ un dfaut physique donn.
Lalphabet dentre du modle de fonctionnement dfaillant (S, I, O, , ) inclut un
ensemble dvnements non mesurs I
qui regroupe les dfaillances possibles

I = I
c
I
nc
= I
c
_
I
_
2
Toutes les paires (s, i) SI ont une seule et unique image via
3
Un tat s est dit bloquant si i I : (s, i) = s
o I
nc
reprsente lensemble de tous les vnements inconnus et I
reprsente len-
semble des dfaillances. La dfaillance provoque un changement dtat du systme
qui passe du fonctionnement normal au fonctionnement dfaillant. Dans certaines re-
prsentations, les tats dfaillants du systme sont reprsents par un ensemble dtats
S
ajouts lensemble dtats de bon fonctionnement S

e
. Lensemble dtats est form
alors de deux sous-ensembles : S = S
e
S
.
Une dfaillance plusieurs degrs de dtectabilit : fortement dtectable, faible-
ment dtectable ou non dtectable.
Dnition 2.13 Une dfaillance est dite :
fortement dtectable si ds que la dfaillance se produit, les sorties deviennent anormales,
faiblement dtectable si loccurrence de la dfaillance entrane des sorties anormales du
systme aprs un nombre ni (non nul) de transitions dtat,
non dtectable si la dfaillance nentrane jamais de sorties anormales.
Illustration Trois exemples sont donns pour les trois degrs de dtectabilit possibles.
Considrons la machine squentielle
1
dcrite par le diagramme (2.8).
Fig. 2.8 Reprsentation de la machine squentielle
1
Loccurrence de lvnement inconnu f provoque un changement de sortie immdiat,
quelle que soit la squence dentre (table 2.3).
1
est initialement dans ltat 1 avec une
sortie 0.
Entre a a a f a b b f b b
tat 2 1 2 1 2 2 2 1 3 1
Sortie 1 0 1 0 1 1 1 0 1 0
Est. tat 2 1 2 1 3 1 3 1
Est. sortie 1 0 1 0 1 0 1 0
Tab. 2.3 Evolution de la machine
1
La table 2.3 dcrit les chemins dvolution de
1
(modle dfaillant et modle normal) en
rponse la squence dentre :
seq
e
= [a, a, a, f , a, b, b, f , b, b]
Le tableau doit tre lu comme suit :
1
tant ltat 1 avec une sortie 0, lvnement a
(premire colonne) la fait passer ltat 2 (au dessous) avec la sortie 1.
Considrons prsent la machine
2
(gure 2.9).
2
Si lvnement f se produit, un changement de sorties peut tre observ seulement si une
squence particulire se produit lentre (table 2.4).
tat 2 1 2 1 2 2 2 1 3 1
Sortie 0 0 0 0 0 0 0 0 1 0
Est. tat 2 1 2 1 3 1 3 1
Est. sortie 0 0 0 0 1 0 1 0
2
Le dernier cas concerne une dfaillance non dtectable. La gure (2.10) dcrit une ma-
chine squentielle
3
sujette une dfaillance f impossible dtecter.
3
Quelle que soit la squence dentre, loccurrence de f ne peut pas tre observe sur les
sorties (table 2.5).
tat 2 1 2 1 2 3 1 1 3 1
Sortie 0 0 0 0 0 1 0 0 1 0
Est. tat 2 1 2 1 3 1 3 1
Est. sortie 0 0 0 0 1 0 1 0
3
La dfaillance peut tre diagnosticable ou non diagnosticable. Un vnement in-
connu est diagnosticable si le chemin dvolution quil induit est impossible repro-
duire en son absence avec toute autre squence dvnements [SSL
+
95, SSL
+
96].
Dnition 2.14 Soit un vnement e I et deux squences a
0
I
et a
1
I
telles que
I
= (I {e}) et
I
(a
0
) = a
1
. On dit que lvnement e est diagnosticable si et seulement si
((s
0
, a
0
), a
0
) = ((s
0
, a
1
), a
1
).
La notation
I
(a
0
) dsigne la projection de a
0
sur lensemble I
, et la notation I
,
o I est un ensemble ni dlments qui dsigne lensemble de toutes les squences
possibles de longueur nie formes dlments de I.
La notion de diagnosticabilit est lquivalent vnementiel de la notion de locali-
sabilit pour une dfaillance dans le cadre temporel.
Linuence de la dfaillance sur lvolution du modle est reprsente par des s-
quences de transitions dtats anormales, qui peuvent tre reproduites par le modle
de fonctionnement dfaillant mais pas par le modle de bon fonctionnement.
2.4.5 Techniques de surveillance base de modles vnementiels
Gnralits
De manire trs gnrale, la surveillance dun systme reprsent par un modle
vnementiel seectue selon le schma de la gure (2.11).
S y s t m e
d y n a m i q u e
v n e m e n t i e l l e
M o d l e d e
f o n c t i o n n e m e n t
A u t o m a t e
de surveillance
v n e m e n t s
c o n n u s
m e s u r e s
e n t r e s
( c o m m a n d e ,
dfaillances,
perturbations)
dtection et
localisation
d e l v n e m e n t
inconnu
Diagnostic
Identification
du dfaut
C o m p a r a i s o n
Modlisation des
d f a u t s
Fig. 2.11 Mthode de surveillance des systmes dynamique vnementielle
Les mesures releves sur le systme rel sont confrontes aux estimations fournies
par le modle de fonctionnement. La dirence entre les deux squences est calcule
en comparant la sortie mesure et la sortie estime par le modle. Cette dirence peut
prendre les valeurs suivantes
r
k
=
_
0 o
k
= o
k
1 o
k
o
k
o o
k
reprsente la mesure litration k, et o
k
reprsente la mesure estime linstant
k. La squence
4
r est analyse : le 0 reprsente un fonctionnement normal, alors que
le 1 renseigne sur loccurrence dun dysfonctionnement. Le module diagnostic
se charge didentier le dfaut qui a caus le dysfonctionnement.
La squence r sert dindicateur de dfaillance. Il y sera fait rfrence par squence
indicatrice, ou plus simplement par indicateur de dfaillance.
Une forte similitude existe entre la gure (2.11) et la gure (2.3) qui reprsente le
schma gnral de surveillance des systmes reprsents par des modles temporels.
La dirence principale est que dans le cas vnementiel, la comparaison peut se faire
soit entre les sorties un instant donn, soit entre les squences de sorties sur un in-
tervalle donn. Lanalyse des squences est ralise en temps rel ou hors ligne selon
lapplication. Cette analyse permet de reconstituer, partir de la modlisation des d-
fauts, lvnement qui a caus la dviation du systme du chemin prvu et le module
de diagnostic permet didentier le dfaut incrimin.
Notons que le diagnostiqueur, dni dans [SSL
+
96, LTS
+
01], sapparente lauto-
mate de surveillance de la gure (2.11).
4
voir dnition 2.11
Approches classiques de surveillance base de modle vnementiel
Les principales approches de surveillance base de modles vnementiels, quils
soient dterministes ou non dterministes, sont prsentes. Pour le cas dterministe,
deux mthodes existent, classes par type de reprsentation du dfaut.
La premire se base sur une reprsentation de la condition du systme par des
tats. Il sagit alors destimer dans quel tat se trouve le systme un instant donn,
connaissant les sorties. Les tats du systme sont rpartis en sous-ensembles, chaque
sous-ensemble correspondant une condition du systme : fonctionnement normal ou
bien sujet lune des dfaillances possibles. Dans [LW88], ce problme est tudi dans
les deux cas hors-ligne et en ligne. Les travaux de Zad [HZKW03, Zad99] vont gale-
ment dans ce sens, en utilisant un automate de surveillance pour estimer la condition
du systme en estimant ltat dans lequel il se trouve.
La seconde approche est une approche base sur une classication de la condition
du systme en fonctions des chemins gnrs [SSL
+
95, SSL
+
96]. Il sagit de dtecter
loccurrence dune dfaillance en comparant les chemins relevs avec des signatures
de dfaillances. Ces signatures sont des chemins obtenus par analyse du modle de
fonctionnement dfaillant.
Si la connaissance des chemins est insusante pour dtecter les dfauts, lutili-
sation dautomates temporiss peut tre considre. Un automate temporis est un
automate avec des dlais dexcution associs aux transitions ou aux places. Cette in-
formation permet denrichir lalgorithme de surveillance pour localiser les dfaillances
qui ne seraient pas diagnosticables autrement (voir [ZKW99, BCD05]).
Le cas de dfauts simultans est trait dans [UUTY03] en utilisant une modlisation
vnements discrets concurrents introduite dans [TU03].
La majorit des recherches menes sur le thme de la surveillance des systmes v-
nementiels non dterministes, consistent en la surveillance de processus reprsents
par des rseaux de Petri. Dans les travaux [UOO98, Ush02], une extension de lap-
proche par diagnostiqueur [SSL
+
96] a t propose. Lauteur construit un observateur
discret sur les graphes de marquage gnrs partir du rseau de Petri. Dans [Gha05]
lauteur utilise une reprsentation en automates temporiss pour synthtiser un auto-
mate de surveillance.
Une approche originale a t prsente par les auteurs de [HV99, Had03] qui pro-
posent des outils algbriques pour dtecter et corriger les dfaillances. Le principe re-
pose sur la synthse dun banc de machines squentielles redondantes en utilisant des
techniques de codage proches des codes de Hamming, pour reconstituer la dfaillance
et la corriger. La reprsentation choisie est lespace dtat discret, ce qui permet aux
auteurs de traiter les deux cas : dterministe et non dterministe.
2.4.6 Localisation dvnements inconnus par structuration des in-
dicateurs de dfaillances
Lapproche propose est une extension de la mthode prsente dans la section d-
die aux systmes dynamique temporelle, et qui consiste dcomposer le modle du
systme surveiller en sous-modles dcoupls pour gnrer des rsidus structurs.
Dans le cadre vnementiel, la structuration des indicateurs de dfauts est obtenue
par synthse de sous-modles dcoupls chacun dun sous-ensemble dentres en par-
ticulier.
Avant daller plus loin, nous allons donner les dnitions des notions de couplage
et de dcouplage.
Dnition 2.15 Soit une machine squentielle dcrite par (S, I, O, , ). est couple un
vnement e I si et seulement si loccurrence de e cause un changement dtat de
s S : (s, e) s
Dnition 2.16 Soit une machine squentielle dcrite par (S, I, O, , ). est dcouple
dun vnement e I si et seulement si loccurrence de e ne cause aucun changement dtat
de
s S : (s, e) = s
La machine squentielle qui ralise le modle de fonctionnement dfaillant du sys-
tme complet est dcompose en machines squentielles partielles
i
(gure 2.12). i
i
et o
i
reprsentent respectivement la squence dentre et la squence de sortie.
Fig. 2.12 Diagramme reprsentant une machine squentielle partielle
i
est dcrite par le quintuplet
i
(S
i
, I
i
, O
i
, , ) avec
I
i
: lalphabet dentre I
i
= I
c
I
i
I o I
c
est lensemble des vnements connus,
I
i
lensemble des vnements inconnus coupls
i
.
S
i
: lensemble dtats de
i
. S
i
est une partition de S. La notion de partition est
aborde au chapitre suivant.
O
i
: lensemble de sorties de
i
. O
i
est une partition de O.
Chacune de ces machines est couple I
c
et un sous-ensemble I
i
de lensemble
de dfaillances I
et dcouple du sous-ensemble I
i
I
.
Les sous-ensembles I
i
et I
i
correspondants sont dtermins par une mthode sem-
blable celle vue dans le cadre temporel.
: I
= {
1
,
2
, ,
q
} I
= {
1
,
2
, ,
k
}
1
: I
1
= I
{
1
} I
1
= {
2
, ,
k
}
2
: I
2
= I
{
2
} I
2
= {
1
,
3
, ,
k
}
.
.
.
.
.
.
.
.
.
k
: I
k
= I
{
k
} I
k
= {
1
, ,
k1
} (2.19)
Les machines partielles
i
, i = 1, , k permettent de gnrer k squences indica-
trices r
i
obtenues en comparant les mesures o avec les sorties de
i
, notes o
i
. Puisque
une machine squentielle partielle
i
est un sous-modle de alors son volution est
quivalente une partie de la machine squentielle complte. En outre, si les tats
initiaux de et de
i
sont identiques alors les sorties de
i
permettent destimer la
partie de dcrite par (S
i
, I
i
, O
i
), et en fonctionnement normal les sorties mesures et
estimes sont cohrentes.
Lensemble de la structure de dtection et de localisation est rsum dans le schma
(2.13).
Fig. 2.13 Banc de machines squentielles partielles
Les blocs GiD reprsentent les gnrateurs dindicateurs de dfaillances partir
desquels est obtenue la squence r
i
. Lanalyse de lensemble des squences permet de
dtecter tout vnement dtectable et de localiser tout vnement diagnosticable. Si la
dcomposition selon les critres (2.19) est possible et que toutes les dfaillances sont
diagnosticables, les squences r
i
sont robustes aux vnements de I
i
et sensibles aux
vnements de I
i
.
Pour illustrer la mthode de surveillance un exemple illustratif est prsent. La
notion de partition est utilise de manire intuitive. Elle sera dnie formellement
dans le chapitre suivant la section 3.2.7.
Illustration Considrons un systme ctif reprsent par la machine squentielle dcrite
par la gure 2.14 et la table de transitions dtat (2.6)
Fig. 2.14 Graphe dvolution de la machine squentielle
a b c d f
1
f
2
o
1 2 4 - - 2 - 1
2 - 3 - 1 - - 2
3 - - 4 1 - 2 3
4 3 - - 1 - - 4
Tab. 2.6 Table de transitions dtats de la machine squentielle
Les vnements a, b, c, d sont des vnements connus (la commande) et f
1
et f
2
sont des
vnements inconnus (dfaillances ou autres). Pour simplier, nous considrons que tous les
tats sont mesurs.
Nous voulons dtecter lapparition dun vnement inconnu f
1
ou f
2
et ventuellement
discerner lvnement f
1
de f
2
. Pour la dtection de f
1
, nous allons dcomposer en deux
parties : un sous-modle dcoupl de f
1
et un sous-modle coupl f
1
. Les sorties du sous-
modle dcoupl sont robustes par rapport f
1
alors que celles du sous-modle coupl y sont
sensibles. Les dfaillances f
1
et f
2
sont fortement dtectables et discernables.
Considrons le cas dune seule dfaillance f
1
, et le problme de la dtection de f
1
.
La premire tape consiste dterminer la partie de qui est couple f
1
. Il sagit de
trouver la partition de lensemble dtat de , S = {1, 2, 3, 4}, qui ne regroupe pas les tats 1
et 2 relis par f
1
et les ensembles dentres et de sorties associs. Les partitions
1
= {1, 2, 3, 4}
2
= {1, 2, 3, 4}
3
= {1, 2, 3, 4}
4
= {1, 3, 4, 2}
5
= {1, 4, 2, 3}
6
= {1, 4, 2, 3}
7
= {1, 2, 3, 4}
8
= {1, 3, 2, 4}
9
= {1, 3, 2, 4}
remplissent cette condition. Par exemple, la partie dcrite par la partition
4
, avec un en-
semble dtats S
= {1, 3, 4, 2}, un ensemble dentres I
= {a, b, c, d} et un ensemble de sorties

O
= S
est couple par rapport f

1
. Le modle qui correspond cette partie
(S
, I
, O
)
est montr par la gure 2.15. Les relations et sont des restrictions
5
des relations et .
(2.1) La description du modle
montre un non-dterminisme : si
est dans ltat 134 et

Fig. 2.15 Reprsentation de la machine squentielle partielle
que lvnement a se produit deux volutions sont possibles. Cela implique que
nest pas
un sous-modle de et que la partie (S
, I
, O
) ne peut pas tre ralise par un sous-modle

de .
Par contre, la partition
7
= {1, 2, 3, 4} dcrit un modle
qui est un sous-modle et

dont la synthse nentrane pas de non-dterminisme (gure 2.16).
La dtection de la dfaillance f
1
seectue en comparant les sorties estimes par la ma-
chine squentielle partielle
avec les sorties de (table 2.7).

a b c a d a f
1
b d b d a b f
2
d
2 3 4 3 1 2 1 1 1 4 1 2 3 2 1
234 234 234 234 1 234 234 1 234 1 234 234 1

Tab. 2.7 volution parallle des machines squentielles et
Une dirence de sorties existe si les sorties nappartiennent pas au mme bloc de la
partition de lensemble de sorties de ; ici 1 et 234 nappartiennent pas au mme bloc. La
sortie 234 se lit la sortie est gale 2 ou 3 ou 4 .
Si lvnement f
1
se produit, les sorties de et de
ne sont plus cohrentes et permettent

de dtecter loccurrence de f
1
. Remarquons que loccurrence de f
2
ne produit pas dcart des
sorties, puisque
est dcouple de f
2
.
Cet exemple illustre grossirement le principe de la mthode de surveillance base
en une dcomposition du modle initial avec des critres de couplage et de dcouplage
par rapport aux entres. La mthodologie de la dcomposition est dtaille dans le
chapitre 4.
5
voir chapitre 3 section 3.2.2
Fig. 2.16 Schma reprsentant la machine squentielle partielle

2.5. Conclusion 35
2.5 Conclusion
2.5.1 Synthse des problmes traiter
Dans ce chapitre nous avons eectu un survol des trois aspects qui xent le cadre
de cette thse : la modlisation des systmes dynamiques en fonctionnement dfaillant,
la surveillance des systmes base de modles, et la dcomposition de modles pour
la gnration dindicateurs structurs de dfaillances . Il existe une multitude de m-
thodes et dapproches de la surveillance, qui sont choisies en fonction des dfauts
dtecter, et de la dynamique du processus surveiller. Si lobjectif est la surveillance
de processus complexes et la dtection de dfauts graves, qui impliquent des varia-
tions brusques de paramtres, un choix tout naturel est dutiliser des techniques de
surveillance bases sur un modle vnementiel. Si par contre, on cherche faire appa-
ratre un dfaut de faible amplitude, ventuellement caractris par une modication
lente des paramtres, une reprsentation base de modles temporels simpose.
Par ailleurs, en fonction du nombre de capteurs disponibles, le choix se porte sur la
redondance analytique (si le nombre de capteurs est insusant pour la surveillance),
ou sur la redondance matrielle (si le nombre de capteurs permet des mesures redon-
dantes).
Cette diversit de mthodes peut poser certains problmes de commodit et a pour
consquence le fractionnement de la communaut de surveillance par rapport aux m-
thodes utilises.
Lobjectif de ce mmoire est de proposer une approche de dtection et de localisa-
tion de dfaillances qui sabstrait du type de reprsentation, et de la nature du modle.
Cette approche traite dirents systmes en utilisant des outils similaires, avec un mi-
nimum dadaptation. Pour raliser cet objectif, deux points seront dvelopps :
tracer un parallle et relever les similitudes entres les approches temporelle et
vnementielle pour proposer une solution adapte aux deux problmatiques
et dvelopper des outils mathmatiques adquats.
proposer une solution la structuration des indicateurs de dfauts et la raliser
en utilisant les outils mathmatiques dvelopps.
Ainsi, deux thmes vont tre traits par ce mmoire.
2.5.2 Outils algbriques pour la surveillance base de modles tem-
porels et vnementiels
Des similarits entre les approches de surveillance des systmes dynamique tem-
porelle et des systmes dynamique vnementielle sont mises en vidence an de
dnir une mthodologie de surveillance commune. A cet eet, des outils mathma-
tiques adapts doivent tre choisis. Ces outils, du fait du niveau dabstraction nces-
saire, sont de nature algbrique, et ont t introduits, sous le nom dalgbre des paires,
dans louvrage de Hartmanis et Stearns [HS66] pour la mise sous forme canonique des
machines squentielles. Une extension de ces outils a t prsente par les professeurs
A. Shumsky et A.N. Zhirabok dans de nombreux travaux touchant de prs ou de loin
la gnration de rsidus pour les systmes non linaires [Shu91, Shu94, Zhi96, Zhi97,
ZP93a, ZS87, ZS93, SZ05]. Ces outils mathmatiques ont t introduits sous le nom
dalgbre des fonctions. Dans ce mmoire nous nous placerons dans un autre contexte,
en proposant une mthode de dtection et de localisation de dfaillances qui stend
au cas des systmes dynamique vnementielle. Cette mthode se base sur lutilisa-
tion de lalgbre des paires et sur une formulation adquate de la problmatique de la
dtection et de la localisation de dfaillances au cas vnementiel.
Un autre aspect est trait, celui de limplmentation des outils de lalgbre des fonc-
tions, qui font apparatre des dicults calculatoires certaines. Des mthodes de calcul
sont proposes dans chaque cas : linaire et non linaire, continu dans le temps ou dis-
crtis.
Le dernier aspect trait est celui de lamlioration des outils existants et des tapes
de lapproche propose dans [Zhi97] :
des mthodes de calcul sont proposes pour les oprateurs de lalgbre des fonc-
tions.
les contraintes dapplication de lapproche initiale [Zhi97] sont relaxes en utili-
sant des techniques dlimination de variables.
2.5.3 La dcomposition de modles pour la surveillance
Une mthode de dtection et de localisation de dfaillances est propose, base
sur une dcomposition de modles avec des critres de couplage et de dcouplage de
signaux dentre. La particularit de la solution propose est de solutionner le pro-
blme de gnration de rsidus structurs en deux tapes. En eet, dans la littra-
ture [DI00, HKE99b, JPS03], la synthse du gnrateur de rsidus repose sur deux
contraintes :
la robustesse aux perturbation et la sensibilit aux dfaillances,
la convergence du rsidu.
Ces deux aspects peuvent tre traits sparment, en deux tapes distinctes. Ce
point est abord chapitre 5.
Chapitre 3
Rappels mathmatiques
3.1 Introduction
Ce chapitre prsente des rappels de notions essentielles de la thorie des ensembles,
de lalgbre des paires et de lalgbre des fonctions. Ces notions sont utilises pour
aborder la problmatique de dcomposition de modles dans le cadre vnementiel
ainsi que pour prsenter lextension des outils au cas des modles continus (temporels).
Les rappels thoriques sont en grande majorit tirs de [HS66].
Lalgbre des paires a t dveloppe dans une premire utilisation pour la concep-
tion de circuits lectriques et tout particulirement pour minimiser le cot des circuits
intgrs (ou imprims) et pour la conception de systmes de faible consommation lec-
trique [FKKS02a, FKKS02b]. Les circuits lectroniques sont modliss sous forme de
machines squentielles et des outils mathmatiques permettent de dcomposer ses ma-
chines en machines partielles en suivant certains critres.
Aprs tude du cadre vnementiel, lextension de lalgbre des paires au domaine
temporel est traite. Cette extension a t propose par Shumsky et Zhirabok dans
[Shu91, ZS93] sous le nom dalgbre des fonctions (AF). Cet ensemble doutils permet
le partitionnement de lespace dtat dans lequel est dni un modle temporel. Ces
outils sont prsents et les principales notions de lalgbre des paires sont tendues au
domaine continu.
Dans la dernire partie du chapitre, les outils de lalgbre des fonctions sont com-
pars aux outils de la gomtrie direntielle
6
.
3.2 Terminologie de la thorie des ensembles
3.2.1 Ensembles
Dnition 3.1 Toute collection dobjets mathmatiques est appele un ensemble.
Les objets qui appartiennent un ensemble sont appels lments. Lensemble S de
6
Les principales notions de la gomtrie direntielle sont rappels dans lannexe B
37
38 Chapitre 3. Rappels mathmatiques
tous les lments possdant la proprit P est not
S = {s|s a la proprit P}
Illustration Tous les lments k modulo 2 o k lforment lensemble
S = {i|i = 2k, k l}
Si s est un lment de S, on note s S. T est inclus dans S, ou T est un sous-ensemble
de S , si et seulement si s T s S et on note T S.
Direntes dnitions associes aux ensembles sont rappeles.
Dnition 3.2 Soient S, T, A des ensembles quelconques.
Lensemble S est gal lensemble T, et on note S = T, si et seulement si S T et T S.
Un ensemble S est vide, et on note S = , si et seulement sil ne contient aucun lment.
Lensemble des lments communs aux deux ensembles S et T, not ST, est dni par
ST = {s|s S et s T}
Cette dnition peut tre tendue un groupe densembles
_
A
S
= {s|s S
, A}
Lensemble des lments des ensembles S et T, not ST est dni par
ST = {s|s S ou s T}
Lunion dun groupe densembles est dnie par
_
A
S
= {s|s S
, A}
Les ensembles S et T sont disjoints, si et seulement si ST = .
Une famille densembles {S
| A} est disjointe, si chaque paire densembles prise

sparment est disjointe.
Dnition 3.3 Le produit cartsien dun groupe densembles S
1
, S
2
, S
3
, . . . , S
n
est len-
semble de tous les n-uplets (s
1
, s
2
, . . . , s
n
), avec s
i
S
i
, des lments des n ensembles.
S
1
S
2
. . . S
n
=
1in
S
i
= {(s
1
, s
2
, . . . , s
n
)|s
i
S
i
} (3.1)
3.2.2 Applications
Dnition 3.4 Soit S et T deux ensembles non vides. La loi qui associe chaque lment de
S un lment unique de T est appele application de S dans T
3.2. Terminologie de la thorie des ensembles 39
Soit une application f , telle que
f : S T
s t = f (s)
(3.2)
Pour chaque lment s S, llment t T qui lui est associ est appel limage de s
par f et est not f (s).
Les dnitions qui vont suivre rappellent les principales proprits dune applica-
tion. Les ensembles S et T sont deux ensembles non vides.
Dnition 3.5 Soit f une application de S dans T, f est injective si pour tout t T il existe
au plus un lment s S tel que f (s) = t. Tout lment t de T admet au plus un antcdent s
par rapport f .
f est dite injective si pour tous s et s
dans S, f (s) = f (s
) implique s = s
.
Illustration f : x f (x) = x
3
est injective. f : x f (x) = sin(x) nest pas injective.
Dnition 3.6 Une application f de S dans T est surjective si pour tout t T il y a au
moins un lment s S tel que f (s) = t. Tout lment t de T admet au moins un antcdent
s par lapplication f .
f est surjective si limage directe f (S) est gale lensemble darrive T.
3
est surjective. f : x f (x) = x
2
nest pas surjective si
T = T.
Dnition 3.7 Une application f de S dans T est bijective si pour tout t T il existe un et
un seul s S tel que f (s) = t. En outre, tout lment t de T admet un unique antcdent s
(par f ). Une bijection est une application qui est la fois injective et surjective.
3
est bijective. f : x f (x) = cos(x) nest pas bijective.
Dnition 3.8 Soit U un sous-ensemble de S . Lapplication g : U T est une restriction
de f : S T U si s U : f (s) = g(s)
Dnition 3.9 Soit f : S T avec S U et T V. Lapplication g : U V est une
extension de f si s S : f (s) = g(s).
3.2.3 Relations
Dnition 3.10 Une relation est un lien qui existe entre les lments de deux ensembles S
et T. La relation est dnie comme le sous-ensemble R ST et note s t.
R= {(s, t)|st} (3.3)
Illustration La relation "est le diviseur de" est une relation qui associe les lments de
lensemble l. Elle dnit des sous-ensembles de nombres qui possdent le mme diviseur.
Soit S un ensemble non vide et une relation sur S S. Les principales proprits
dune relation sont donnes ci-dessous
Rexivit La relation est rexive si et seulement si tout lment est en relation
avec lui-mme :
s S, (ss)
Illustration La relation infrieur ou gal sur T est rexive. La relation inf-
rieur < nest pas rexive.
Symtrie La relation est symtrique si et seulement si toutes les relations entre les
lments de S sont rciproques.
(s, t) S
2
, (st) (ts)
Illustration La relation dgalit = sur T est symtrique, puisque a = b b = a.
La relation infrieur < nest pas symtrique : a < b nimplique pas b < a .
Antisymtrie La relation est antisymtrique sil nexiste pas deux lments distincts
de S qui sont mis en relation mutuelle par :
(s, t) S
2
, [(st) et (ts)] (s = t)
Illustration La relation infrieur ou gal sur lest antisymtrique. La relation
"ont un diviseur commun" sur lnest pas antisymtrique.
Transitivit est transitive si et seulement si deux lments sont mis en relation par
le biais dun troisime lment :
(s, t, u) S
3
, [(st) et (tu)] (su)
Illustration La relation infrieur < sur l est transitive. La relation ont un di-
viseur commun note | sur l nest pas transitive : (6|3) et (2|6) nimplique pas
(2|3).
Dnition 3.11 La relation est une relation dquivalence si elle est rexive, symtrique
et transitive.
Chaque relation dquivalence sur S dnit une classe dquivalence, note B
, pour
chaque s S
B
(s) = {t|s t} (3.4)

Illustration La relation "ont le mme signe" sur T est une relation dquivalence.
3.2.4 Relations dordre
Une relation dans un ensemble S est une relation dordre si elle permet une com-
paraison des lments de S.
Dnition 3.12 Une relation dordre est une relation binaire rexive, transitive et antisy-
mtrique.
Un ensemble muni dune relation dordre est dit ensemble ordonn ou ordre.
Certaines relations ne remplissent pas toutes ces conditions. Elles permettent nan-
moins dordonner leur ensemble de dnition, de la mme manire quune relation
dordre, sauf quaucun lment nest mis en relation avec lui-mme.
Ces relations sont appeles relations dordre strict. Lordre strict est transitif, antisy-
mtrique et non rexif. Une relation dordre strict est une relation qui est :
Transitive.
Fortement antisymtrique : cest--dire que deux lments, distincts ou non, ne
peuvent tre en relation mutuelle,
(s, t) S
2
, (st) (t s)
Par analogie, toute relation binaire antisymtrique et transitive est
un ordre strict : si la relation est non rexive.
un ordre large : si la relation est rexive.
Cet ordre peut tre total ou partiel.
Dnition 3.13 Une relation dordre est totale si et seulement si elle ordonne toutes les
paires dlments possibles
(s, t) S
2
, (st) ou (ts)
Lensemble S est alors dit totalement ordonn. La relation dordre est un ordre
total.
Une relation dordre est dite partielle si elle nest pas totale
(s, t) S
2
, (s t) et (t s)
Lensemble S est alors dit partiellement ordonn.
3.2.5 Structures algbriques
Structures communes
Une structure algbrique est forme dun ensemble combin une ou plusieurs
oprations (appeles galement lois de composition), ventuellement compltes par
un ordre ou une topologie, le tout satisfaisant un certain nombre daxiomes. Les struc-
tures algbriques de base ne comportent que des oprations internes. Les plus impor-
tantes sont les structures de groupe, danneau et de corps.
Le groupe est un monode (cest--dire un ensemble muni dune opration interne
associative et dun lment neutre) dont tous les lments sont inversibles. En
dautres termes, un groupe not (G, , e) est un ensemble G muni dun lment
neutre ncessairement unique e, et dune opration interne qui satisfait les
axiomes suivants :
Identit : x G, x e = e x = x;
Inverse : x G, y G, x y = y x = e, y est dit inverse de x et not x
1
;
Associativit : x, y, z G, x (y z) = (x y) z
Lorsque G est un ensemble ni, (G, , e) est un groupe ni ; sinon (G, , e) est un
groupe inni. Pour un groupe ni, lordre de ce groupe est le nombre de ses
lments.
Lanneau est un ensemble muni dune structure de groupe (lopration est laddition)
et dune opration de multiplication, la multiplication tant distributive sur lad-
dition. Un anneau est unitaire (resp. intgre
7
, commutatif) si la multiplication
est unifre (resp. intgre, commutative) et lensemble possde un lment neutre
pour la multiplication (dans le cas contraire, il sagit dun pseudo-anneau).
Le corps est un anneau o llment neutre de laddition nest pas celui de la multipli-
cation et o tout lment non nul a un inverse multiplicatif. Le corps est :
un corps commutatif pour un corps eectivement commutatif,
un corps quelconque pour un corps non ncessairement commutatif.
Une autre structure algbrique commune importante est lespace vectoriel. Soit Y
un corps. On appelle Y-espace vectoriel tout triplet (E, +, .) o E est un ensemble, +
une opration interne sur E et . une opration externe sur E scalaire dans Y telle
que
Llment unit 1 du corps Y est neutre gauche pour la loi . :
u E, 1 u = u
Lopration . est distributive gauche par rapport laddition + dans E :
Y, u E, v E, (u +v) = ( u) +( v)
Lopration . est distributive droite par rapport laddition du corps Y :
Y, Y, u E, ( +) u = ( u) +( u)
Lopration . est associative par rapport la multiplication du corps Y (elle
limporte dans lespace vectoriel) :
Y, Y, u E, ( ) u = ( u)
Le module sur un anneau unitaire est une gnralisation de lespace vectoriel. Dans
un espace vectoriel lensemble des scalaires forment un corps tandis que dans un mo-
dule, ils sont munis dune structure danneau (non ncessairement commutatif).
Algbre
La structure algbrique qui associe le corps et lespace vectoriel est nomme algbre.
Soient Y un corps et (E, +, .) un espace vectoriel sur Y associ lopration binaire
8
. Si est bilinaire
9
alors (E, Y, +, ., ) est une algbre sur Y et on dit que E est
7
Un anneau est intgre lorsque aucun des lments nest diviseur de llment nul
8
cest--dire x, y E, le rsultat x y E est le produit de x et y
9
Soit x, y, z E et a, b K, lopration est bilinaire si les proprits suivantes sont vries :
distributivit et associativit par rapport + : (x +y) z = x z +y z et x (y +z) = x y +x z
possde un lment neutre dans E
(ax) (by) = (ab)(x y)
une Y-algbre et Yest la base de E. Loprateur binaire est souvent la multiplication
dans E.
Remarque 3.2.1 Si Y nest pas un corps mais un anneau commutatif, E et Y forment un
module. Dans ce cas aussi, E est une Y-algbre et Yest lanneau de base de E. Cette structure
sappelle algbre sur un anneau et combine les structures de module et danneau commuta-
tif.
3.2.6 Treillis et ensembles ordonns
Soit S un ensemble ordonn par la relation dordre . La paire (S, ) dnit un
treillis, not L.
L = (S, )
Un treillis est un ordre total ou partiel, qui permet dordonner chaque lment de S
par rapport nimporte quel autre lment de S. Un treillis peut tre dni de manire
similaire par :
Thorme 3.1 Un ensemble S muni de deux lois internes notes et qui vrient les
proprits suivantes
Commutativit (s, t) S
2
, (s t) = (t s) et (s t) = (t s)
Associativit (s, t, u) S
3
, s (t u) = (s t) u et s (t u) = (s t) u
Idempotence s S, (s s) = s et (s s) = s
Absorbance (s, t) S
2
, s (s t) = s et s (s t) = s
forme un treillis L = (S, , ).
Preuve Soit la relation telle que
(s t) (s t) = t
Cette relation est une relation dordre (total ou partiel) puisque
La proprit dassociativit assure la transitivit.
La proprit didempotence assure la rexivit.
Lantisymtrie est vrie par la dnition mme.
Par ailleurs, en utilisant la proprit didempotence, il est montr que
(s t) (s t) = s
On vrie que (s t) donne pour rsultat llment suprieur parmi s et t et que (s t)
donne pour rsultat llment infrieur, ce qui assure que (S , ) est bien un treillis.
Par consquent, pour nimporte quel paire dlments du treillis, il existe un l-
ment maximal et un lment minimal. Ce rsultat est formalis dans le thorme ci-
dessous
Thorme 3.2 Un ensemble S muni dune relation dordre qui vrie que pour tout l-
ment s et t de S, il existe une borne suprieure et une borne infrieure la paire (s, t), forme
un treillis L = (S, ).
Preuve Soient les deux oprations internes S suivantes
s t = max(s, t)
s t = min(s, t)
Les deux lois sont commutatives. Elles sont galement associatives. Lidempotence et lab-
sorbance peuvent tre dmontres galement. (S, ) dnit bien un treillis
Donc, partir dun treillis muni dune relation dordre, il est possible de construire
deux lois qui remplissent les conditions du thorme 3.1.
Le treillis est reprsent habituellement par un diagramme de Hasse. Le haut du
diagramme est occup par le plus grand lment not T et le bas par le plus petit
lment par rapport la relation dordre associe au treillis, que lon note C. Tous les
lments sont reprsents par des points, et disposs selon leur ordre de bas en haut,
en commenant par C. Tous les lments de mme ordre occupent une mme ligne.
Chaque relation entre deux lments adjacents est reprsente par une droite.
Illustration Les sous-ensembles de lensemble S = {1, 2, 3}
S
= {, {1}, {2}, {3}, {2, 3}, {1, 3}, {1, 2}, {1, 2, 3}}
munis de la relation forment un treillis (S
, ) (gure 3.1)
Fig. 3.1 Treillis form par les sous-ensembles de {1, 2, 3} associs
3.2.7 Partitions
Une partition dun ensemble non vide S est un ensemble de sous-ensembles
non vides de S deux deux disjoints et qui forment un recouvrement de S. Les sous-
ensembles de sont dsigns comme blocs de et nots B
(s) pour un lment s S

spcique. Lensemble de tous les blocs B
dcrit le partitionnement de S par (3.5).

= {B
i
|B
i
B
j
= si i j et
n
_
i=1
{B
i
} = S} (3.5)
avec i, j = 1, 2, . . . , n.
La notation s t() signie que les lments s et t appartiennent au mme bloc de
. Par ailleurs, nous reprsentons le bloc dune partition par lensemble surlign des
lments contenus dans ce bloc.
Illustration Soit S = {1, 2, 3, 4} un ensemble de 4 lments. Les partitions
1
et
2
de trois
blocs telles que
1
: B
1
(1) = 1, 2 B
1
(2) = 1, 2 B
1
(3) = 3 B
1
(4) = 4
2
: B
2
(1) = 1 B
2
(2) = 2 B
2
(3) = 3, 4 B
2
(4) = 3, 4
sont notes
1
= {1, 2, 3, 4} et
2
= {1, 2, 3, 4}
Fig. 3.2 Graphe reprsentant les partitions
1
(gauche) et
2
(droite)
Relations et oprations sur les partitions
Soient
1
et
2
deux partitions de lensemble non vide S. Les oprations suivantes,
dnies sur lensemble de toutes les partitions de S permettent de manipuler deux
partitions quelconques.
Multiplication de partitions La multiplication des deux partitions
1
et
2
dun en-
semble S, note
1
.
2
, est la partition de lensemble S qui satisfait
s t(
1
.
2
) s t(
1
) et s t(
2
)
Les blocs de la partition
1
.
2
sont dtermins de la manire suivante
B
1
.
2
(s) = B
1
(s) B
2
(s) (3.6)
La multiplication de plusieurs partitions est note
1
.
2

n
=
n
_
i=1
i
Illustration Soit les deux partitions sur lensemble S = {0, 1, 2, 3, 4, 5, 6} telles que
1
= {0, 1, 2, 3, 4, 5, 6}
2
= {0, 1, 2, 3, 4, 5, 6}
La multiplication de
1
et
2
donne
1
.
2
= {0, 1, 2, 3, 4, 5, 6}
Ce rsultat est obtenu comme suit
B
2
(0) = B
1
(0) B
2
(0) = {0, 1, 2} {0} = {0}
B
2
(1) = B
1
(1) B
2
(1) = {0, 1, 2} {1, 2, 3} = {1, 2}
B
2
(2) = B
1
(2) B
2
(2) = {0, 1, 2} {1, 2, 3} = {1, 2}
B
2
(3) = B
1
(3) B
2
(3) = {3} {3} = {3}
B
2
(4) = B
1
(4) B
2
(4) = {4, 5} {4} = {4}
B
2
(5) = B
1
(5) B
2
(5) = {4, 5} {5} = {5}
B
2
(5) = B
1
(6) B
2
(6) = {6} {6} = {6}
Addition de partitions Laddition de deux partitions
1
et
2
dun ensemble S, note

1
+
2
, est la partition de lensemble S qui satisfait :
s t(
1
+
2
) s
0
, s
1
, . . . , s
n
: s
i
s
i+1
(
1
) ou s
i
s
i+1
(
2
)
avec 0 i n 1 et s
0
= s, s
n
= t.
Laddition de plusieurs partitions est note
1
+
2
+ +
n
=
n
i=1
i
Les blocs de la partition
1
+
2
sont dtermins par litration suivante : pour
un lment s, on pose
B
1
(s) = B
1
(s) B
2
(s)
Pour chaque itration i > 1 la relation suivante est value
B
i+1
(s) = B
i
(s) {B | (B
1
ou B
2
) et BB
i
(s) } (3.7)
Tous les blocs de la partition
1
+
2
remplissent la condition
B
1+2
(s) = {B
i
(s) | i : B
i+1
(s) = B
i
(s)} (3.8)
Les relations (3.7) et (3.8) sont employs de la manire suivante : Il sagit de
grouper tous les blocs des deux partitions qui prsentent un lment commun.
Illustration Prenons les mmes partitions
1
et
2
de lexemple prcdent . Laddi-
tion des deux partitions donne
1
+
2
= {0, 1, 2, 3, 4, 5, 6}
Ce rsultat est obtenu comme suit
B
1
+
2
(0) = B
1
(0, 1, 2) B
2
(0) B
2
(1, 2, 3) B
1
(3)
= {0, 1, 2} {1, 2, 3} {3} {0} = {0, 1, 2, 3} = B
1
+
2
(0, 1, 2, 3)
B
1
+
2
(1) = B
1
+
2
(0, 1, 2, 3)
B
1
+
2
(2) = B
1
+
2
(0, 1, 2, 3)
B
1
+
2
(3) = B
1
+
2
(0, 1, 2, 3)
B
1
+
2
(4) = B
1
(4, 5) B
2
(4) B
2
(5) = {4, 5} {4} {5} = {4, 5} = B
1
+
2
(4, 5)
B
1
+
2
(5) = B
1
+
2
(4, 5)
B
1
+
2
(5) = B
1
(6) B
2
(6) = {6} {6} = {6}
Relation dordre partiel La partition
1
est dite infrieure ou gale
2
et est note
1

2
(3.9)
si et seulement si chaque bloc de
1
est contenu dans un bloc de
2
.
1
est une partition plus ne que
2
.
Fig. 3.3 Diagramme reprsentant la relation dordre
1

2
Treillis de partitions
Considrons les deux partitions
1
et
2
. Si la relation
1

2
est vraie alors
1

2
_

1
.
2
=
1
1
+
2
=
2
Daprs la dnition du treillis vue prcdemment, les partitions dun ensemble
quelconque S forment un treillis munis de lordre partiel et des oprations +
et . . La partition minimale C est la partition dont le nombre de blocs sera gal
au nombre dlments de S et chaque bloc contient une lment unique. La partition
maximale T est forme dun seul bloc contenant tous les lments de S.
3.3 Lalgbre des paires
3.3.1 Introduction
Cette section est ddie la description de lalgbre des paires, introduite par [HS66].
Lalgbre des paires est une structure algbrique dnie par rapport lensemble des
partitions de deux ensembles S et I et dune application dnie par : SI S . Une
algbre est dnie par un ensemble muni doprations. Les lments caractristiques
de lalgbre des paires sont prsents dans ce qui suit avec le rappel dune proprit
importante, qui est la proprit de substitution de partitions.
3.3.2 Proprit de substitution
La proprit de substitution est une notion essentielle pour dnir lalgbre des
paires. Elle dcrit la possibilit de remplacer une partition dun ensemble par une par-
tition qui lui est quivalente. Cette quivalence est dnie par rapport une applica-
tion donne. La restriction de cette application sur la nouvelle partition est quivalente
lapplication initiale, si la partition remplaante possde la proprit de substitution.
Dnition 3.14 La partition dun ensemble S possde la proprit de substitution par
rapport une application : S I S, si et seulement si limage de chaque bloc de par
est contenue dans un autre bloc de .
s t() a I , (s, a) (t, a)() (3.10)
Les blocs B
forment les lments dun nouvel ensemble qui se substitue S et

pour lequel il existe une restriction de .
Dnition 3.15 Soit une partition des lments de S qui possde la proprit de substi-
tution. Lapplication
: I telle que
(B
, i) = B
(B
, i) B
o i I, est appele limage selon de .

Lapplication
est une restriction de .

Illustration Considrons lapplication dcrite par la table (3.11)
a b
1 5 3
2 1 5
3 4 6
4 6 2
5 3 4
6 2 1
a b
1
= 1, 3, 6 2
= 2, 4, 5 1
(3.11)
3.3. Lalgbre des paires 49
avec S = {1, 2, 3, 4, 5, 6} et I = {a, b}. La partition = {1, 3, 6, 2, 4, 5} de S est une partition
avec proprit de substitution. Lapplication image
est dcrite par la table (3.11).

Dautres partitions avec proprit de substitution existent sur S, par exemple
= {1, 4, 2, 3, 5, 6}
Pour gnrer de nouvelles partitions possdant la proprit de substitution partir
dune partition avec proprit de substitution connue, il est ncessaire dutiliser le
thorme [HS66] suivant
Thorme 3.3 Si
1
,
2
, deux partitions de S, possdent la proprit de substitution, alors
les partitions
1
.
2
et
1
+
2
possdent galement la proprit de substitution.
Ce qui veut dire quen eectuant toutes les additions et multiplications possibles
de deux partitions possdant la proprit de substitution, de nouvelles partitions avec
la proprit de substitution sont obtenues.
Par ailleurs, lensemble des partitions avec proprit de substitution est un en-
semble ordonn. Le thorme qui suit permet de structurer les partitions en treillis
[HS66].
Thorme 3.4 Lensemble de toutes les partitions de S avec proprit de substitution par
rapport une application , forme un treillis L dni par
L : (S, ), o est lordre partiel des partitions,
L
: (S, +, .), o + et . sont les oprations daddition et de multiplication dnies

sur lensemble des partitions.
L inclut les partitions triviales T et C
3.3.3 Paires algbriques et oprateurs de lalgbre des paires
Une paire algbrique, ou paire de partitions, est forme par deux partitions de S qui
possdent la proprit suivante : les blocs de la premire partition sont les antcdents,
par rapport une application donne, des blocs de la seconde partition.
Dnition 3.16 Une paire algbrique par rapport une application , note (,
), est un
binme ordonn de partitions sur S tel que
i I : s t() (s, i) (t, i)(
)
Si et
forment une paire algbrique, alors tous les blocs de seront projets vers
des blocs de
par .
x I , B
, B
: (B
, x) B
La paire algbrique est anti-symtrique. Si (,
) et (
, ) forment des paires alors

forcment
. Nous dnissons alors un membre de gauche et un membre de droite

dans (,
) :
forme une paire gauche avec et forme une paire droite avec
.
Remarque 3.3.1 La proprit de substitution est lie la notion de paire algbrique . Si
est une partition avec proprit de substitution par rapport , alors (, ) forment une
paire algbrique.
Illustration Considrons lexemple prcdent et lapplication dcrite par la table (3.11).
La partition
1
= {1, 2, 3, 4, 5, 6}
forme une paire algbrique avec la partition {1, 3, 5, 2, 4, 6} puisque limage des tats 1 et 2
est le bloc {1, 3, 5}, mais linverse nest pas vrai, puisque limage du bloc {1, 3, 5} est le bloc
{2, 3, 4, 5, 6} qui nappartient pas
1
.
Par contre, la partition
3
= {1, 4, 2, 3, 5, 6}
possde la proprit de substitution. Par consquent, elle forme une paire algbrique avec elle
mme : (
3
,
3
) puisque chacun des blocs de
3
est projet par vers un autre bloc de
3
.
Considrons maintenant lensemble de toutes les partitions
qui forment une

paire droite avec une partition donne, cest--dire (,
) forme une paire alg-

brique. Cet ensemble est born par la plus petite partition possible des
( droite).
Par analogie, lensemble des partitions qui forment une paire algbrique ( gauche)
avec
est born par la plus grande partition de lensemble des . Ces deux extremums
sont dtermines par les relations
=
_
{
i
|(,
i
) est une paire algbrique sur } (3.12)
=
{
i
|(
i
,
) est une paire algbrique sur } (3.13)

Les notions du plus grand et du plus petit correspondent respectivement la parti-
tion la moins ne et la partition la plus ne. La partition la plus petite est note m
(pour minimale) et la partition la plus grande est note M (pour maximale). Les opra-
teurs m et M sont dnis ci-dessous.
Dnition 3.17 Soit une partition de S. m() est la partition la plus ne (minimale) qui
forme une paire droite avec
m() =
_
{
i
|(,
i
) forme une paire algbrique }
Dnition 3.18 Soit une partition de S. M() est la partition la moins ne (maximale)
qui forme une paire gauche avec
M() =
{
i
|(
i
, ) forme une paire algbrique }
Remarque 3.3.2 Une partition plus ne permet davoir le plus de distinction entre les l-
ments dun ensemble. Par contre, une partition grossire amne des blocs qui regroupent
plusieurs lments. Dans la partition {1, 2,
3} par exemple, il nest pas possible de distinguer

les lments 1 et 2. Par contre, la partition {
1,
2,
3} permet de distinguer chaque lment.

Lexemple des deux cas extrmes est encore plus parlant : La partition maximale T et la par-
tition minimale C sur un ensemble quelconque S = {s
1
, s
2
, , s
n
}.
T = {s
1
, s
2
, . . . , s
n
} C= {s
1
, s
2
, , s
n
}
La partition T est compose dun seul bloc de n lments. Cest la partition maximale
sur S; il nest possible de distinguer aucun lment. A loppos, C, qui est compose de
n blocs unitaires, est la plus petite partition possible : la connaissance dun bloc implique
directement la connaissance dun lment.
Soit une partition quelconque de S. Les relations suivantes sont toujours vries
: (, T) est une paire algbrique
: (C, ) est une paire algbrique (3.14)
Ces deux paires algbriques sinterprtent comme suit :
Nimporte quel bloc de nimporte quelle partition possde forcment une image
via lapplication .
Nimporte quel bloc de nimporte quelle partition possde forcment un antc-
dent via
3.3.4 Structure algbrique et dnitions de lalgbre des paires
Lensemble des paires algbriques, muni des oprations daddition et de multipli-
cation forme une algbre constitue de paires algbriques. Cest lalgbre des paires.
Dnition 3.19 Soit L
1
et L
2
deux treillis. Un sous-ensemble de L
1
L
2
muni des oprations
+ et . , est une algbre des paires sur L
1
L
2
, note , si les relations suivantes sont
vries :
1. x
1
, x
2
L
1
y
1
, y
2
L
2
: (x
1
, y
1
) et (x
2
, y
2
) (x
1
.x
2
, y
1
.y
2
) et (x
1
+
x
2
, y
1
+y
2
)
2. x L
1
, y L
2
: (x, T) et (C, y)
Pour un ensemble S donn, les proprits (3.14) permettent de dduire que toutes
les paires algbriques sur S forment une algbre des paires sur LL, o L est le treillis
des partitions de S .
Remarque 3.3.3 Pour une algbre des paires donne , la notation (
1
,
2
) veut dire
que
1
et
2
forment une paire algbrique .
Lemme 3.4.1 Soit une algbre des paires sur L
1
L
2
. Si (x, y) alors
x
x et y y
(x
, y) et (x, y
) et (x
, y
)
Cela veut dire qu partir dune paire algbrique donne il est possible dobtenir
dautres paires algbriques en utilisant une partition plus petite (plus ne) gauche
et une partition plus grande (moins ne) droite. Ce lemme permet de reformuler les
dnitions 3.17 et 3.18.
Dnition 3.20 Soit une algbre des paires sur L
1
L
2
. Soit x L
1
et y L
2
deux
partitions. Les oprateurs m et M sont dtermins par
m(x) =
_
{y
i
|(x, y
i
) } (3.15)
M(y) =
{x
i
|(x
i
, y) } (3.16)
Ces oprateurs sont minimaux (ou maximaux) par rapport la relation dordre
des partitions (3.9), puisque la multiplication rpte des partitions tend aner le
rsultat donn par m et laddition tend faire linverse pour le rsultat donn par
M. Une hirarchie des paires existe, et une relation dordre sur lensemble des paires
algbriques peut tre dnie.
Dnition 3.21 Soit (x, y) et (x
, y
) L
1
L
2
. (x, y) (x
, y
) si et seulement si x x
dans
L
1
et y y
dans L
2
Une algbre est donc elle mme un treillis sur lensemble des paires algbriques
munie de la relation dordre partiel .
Pour clore cette section, quelques proprits essentielles des oprateurs m et M
sont donnes. Ces proprits se dduisent directement des dnitions, lemmes et tho-
rmes prcdemment noncs.
(M(y), y) et (x, m(x)) forment des paires algbriques,
si y m(x) ou x M(y) alors (x, y) forment un paire algbrique,
o x L
1
et y L
2
.
Les oprateurs m et M sont distributifs par rapport aux oprations + et . :
m(x
1
+x
2
) = m(x
1
) +m(x
2
)
m(x
1
.x
2
) m(x
1
).m(x
2
)
M(y
1
+y
2
) M(y
1
) +M(y
2
)
M(y
1
.y
2
) M(y
1
).M(y
2
)
avec x
i
L
1
et y
i
L
2
.
Les oprateurs m et M sont galement monotones
si x
1
x
2
alors m(x
1
) m(x
2
)
si y
1
y
2
alors M(y
1
) M(y
2
)
et non reversifs
M(m(x)) x
m(M(y)) y
3.3.5 Calcul des oprateurs m et M
a. Dtermination de loprateur m
Soit une application dnie par
:S S
s s
+
= (s)
et une partition de S. Le calcul de m() seectue selon les tapes suivantes :
1. La partition est dcompose en partitions
i,j
o i et j sont des lments de S.
La partition
i,j
est une partition qui regroupe dans un seul bloc les lments i
et j et dont le reste des blocs contient un seul lment. Laddition de lensemble
des
i,j
a pour rsultat la partition :
i,j
=
Illustration Soit un ensemble S tel que S = {1, 2, 3, 4} et une partition sur S telle
que = {1, 2, 3, 4}. La partition est dcompose en
une partition
1,2
= {1, 2, 3, 4}
une partition
1,3
= {1, 3, 2, 4}
puisque
{1, 2, 3, 4} +{1, 3, 2, 4} = {1, 2, 3, 4} =
Les dcompositions suivantes :

1,2
et
2,3

1,3
et
2,3
sont galement possibles.
2. La partition m(
i,j
) est obtenue en regroupant dans un seul bloc les lments de
(i) et (j).
Illustration Soit la fonction dnie sur lensemble S de lillustration prcdente
telle que :
(1) = 2 (2) = 3
(3) = 4 (4) = 1
La partition m(
1,2
) est calcule en regroupant les lments (1) = 2 et (2) = 3 au
sein dun mme bloc :
m(
1,2
) = {2, 3, 1, 4}
3. Lensemble des partitions m(
i,j
) est additionn pour calculer m().
m() =
m(
i,j
)
Illustration La partition m() telle que = {1, 2, 3, 4} est donne par
m() = m(
1,2
) +m(
1,3
)
= {2, 3, 1, 4} +{2, 4, 1, 3}
= {1, 2, 3, 4}
Si est une application dnie sur un produit cartsien densembles
:SI S
(s, ) s
+
= (s, )
o I est un ensemble quelconque, alors la partition m(
i,j
) o i, j sont des lments de
S est calcule comme suit :
Dnissons une partition
i,j
telle que
i,j
est le rsultat du calcul de loprateur
m(
i,j
) pour un lment I donn. La partition m(
i,j
) est donne par la relation
m(
i,j
) =
i,j
, I
Le reste de la procdure de calcul de m demeure identique.
Illustration Considrons les ensembles S = {1, 2, 3} et I = {a, b} et une application : SI
S dnie par
(1, a) = 2 (1, b) = 3
(2, a) = 3 (2, b) = 1
(3, a) = 1 (3, b) = 2
Soit une partition
1,2
= {1, 2, 3}. m(
1,2
) est calcul comme suit : Les partitions
1,2
pour
tous les I sont donnes par :
a
1,2
= {2, 3, 1}
b
1,2
= {3, 1, 2}
La partition m(
1,2
) est donne par
m(
1,2
) =
a
1,2
+
b
1,2
= {1, 2, 3}
b. Dtermination de loprateur M
Soit un ensemble S, une partition quelconque de S et une application dnie
par : S S ou : SI S. Loprateur M est calcul laide de la relation suivante
M() =
{
i,j
| m(
i,j
) }i, j I (3.17)
Remarquons que cette relation ncessite le calcul pralable des dirents m(
i,j
) pour
toutes les paires i, j possibles.
Remarque 3.3.4 La relation (3.17) est justie par le raisonnement suivant : Considrons
toutes les partitions
i,j
tels que m(
i,j
) . Cela veut dire galement que (
i,j
, ) forment
une paire algbrique. Les partitions
i,j
forment une couverture complte de S, et les paires
algbriques (
i,j
, m(
i,j
)) constituent une base toutes les paires algbriques possibles sur S, et
par consquent, a partir de la dnition 3.20, loprateur M est donn par la relation (3.17).
Illustration Soit un ensemble S tel que S = {1, 2, 3} et une partition sur S telle que
= {1, 2, 3}. Soit une application sur S telle que
(1) = 2 (2) = 3 (3) = 3
Pour calculer la partition M() il est ncessaire de calculer les dirents m(
i,j
) pour
toutes les paires i, j de S
m(
1,2
) = {1, 2, 3}
m(
1,3
) = {1, 2, 3}
m(
2,3
) = {1, 2, 3}
La partition M() est donne alors par
M() =
2,3
= {1, 2, 3}
3.3.6 Application aux machines squentielles
Considrons une machine squentielle dnie par le quintuplet (S, I, O, , ). Il
est possible de dnir une algbre des paires par rapport aux ensembles S, I, O et aux
relations , . Quatre types de paires algbriques peuvent tre forms : les paires SS,
SO, I S et I O
Dnition 3.22 Les dnitions suivantes sont valables sur une machine squentielle
Soit , deux partitions sur S. (, ) est une paire S-S si et seulement si pour tout x I
s t() (s, x) (t, x)()
Soit une partition sur I et une partition sur S. (, ) est une paire I-S si et seulement
si pour tout s S
a b() (s, a) (s, b)()
Soit une partition sur S et une partition sur O. (, ) est une paire S-O si et
seulement si pour tout x I
s t() (s, x) (t, x)()
Soit une partition sur I et une partition sur O. (, ) est une paire I-O si et seule-
ment si pour tout s S
b a() (s, a) (s, b)()
Pour les machines traites dans ce mmoire, cest--dire les machines de Moore, il
nexiste aucune paire algbrique {SO} non triviale
10
.
Le thorme suivant [HS66] valide la possibilit de former quatre algbres des
paires pour une machine squentielle .
Thorme 3.5 Soit une machine squentielle . Les ensembles
SS
,
SO
,
IS
,
IO
,
qui regroupent respectivement toutes les paires S-S, S-O, I-S, I-O pour , sont des algbres
des paires.
Les oprateurs M et m relatifs une paire S-S (resp. SO,IS,IO), sont nots M
SS
et m
SS
(resp. M
SO
et m
SO
, .... ).
La proprit de substitution pour les machines squentielles
Posons L = L
1
= L
2
. Soit
une algbre des paires o et lapplication de transition

dtat de la machine dtat (S, I, ). Les partitions de lensemble dtat S qui possdent
la proprit de substitution sont dnies par :
Dnition 3.23 Soit L une partition sur S. possde la proprit de substitution par
rapport si et seulement si (, ) est une paire algbrique .
Lensemble des partitions avec la proprit de substitution pour une machine s-
quentielle, et la relation dordre des partitions , forment un treillis L
: (, )
L
= { L|(, ) }
Corollaire 3.5.1 Soit une algbre des paires sur LL. Le treillis L
est un sous-treillis de
L avec les proprits suivantes
1. Le plus grand lment est T : (T, T)
2. Le plus petit lment est C : (C, C)
3. L
= {x L|(x m(x)} = {x L|(x M(x)}

3.3.7 Conclusion
Dans cette section, les dnitions de lalgbre des paires ont t donnes et ses pro-
prits et oprations ont t prsentes dans le cadre gnral dune application entre
deux ensembles et tendues au cas dune machine squentielle. Les outils que nous
fournit lalgbre permettent de dcrire de manire particulire une application entre
deux ensembles. Par extension, elle permet galement de dcrire lvolution dune ma-
chine squentielle laide dun treillis. Ces rsultats seront exploits dans le chapitre
suivant pour traiter la dcomposition des modles vnementiels, car la reprsentation
en treillis permet de proposer des mthodes algorithmiques ecaces. Dans la suite de
ce chapitre, lextension de lalgbre des paires au domaine des ensembles innis est
prsente.
10
Les partitions triviales sont les partitions T et C
3.4. Lalgbre des fonctions 57
3.4 Lalgbre des fonctions
3.4.1 Introduction
Au dbut des annes 1990, les professeurs Zhirabok et Shumsky [ZS87, Shu91,
ZS93] ont propos un ensemble doutils mathmatiques pour la manipulation de mo-
dles comportementaux analytiques. Ces outils sont directement inspirs de lalgbre
des paires. Ils ont reu le nomdalgbre des fonctions, puisquil sagit de relations entre
ensembles innis. Lobjectif x est de proposer une alternative aux outils de gomtrie
direntielle base dalgbre de Lie [Isi95]. Le choix fait par les auteurs tait de situer
la mthode par rapport aux mthodes existantes, cest--dire par rapport la gom-
trie direntielle [Shu94, Zhi97, SZ05], lespace de parit [Shu99, Shu97, Shu00], les
mthodes base dobservateurs [Shu97] et dappliquer lalgbre des fonctions dans
dirents domaines : robotique [FVZ03, FVZ99] et dtection de pannes de capteurs
[ZP93b, ZP93a].
3.4.2 Principe
Lalgbre des fonctions repose fondamentalement sur les notions de lalgbre des
paires. Lalgbre des paires permet de manipuler le partitionnement densemble S par
rapport une application , pour faire ressortir par exemple des proprits de lappli-
cation.
Lalgbre des fonctions reprend cette ide de partitionnement pour des ensembles
innis X, par rapport une fonction f . Ici, le terme fonction dcrit la relation entre
deux ensembles innis qui associe chaque lment de lensemble de dpart un seul
lment de lensemble darrive.
Lintrt de lalgbre des fonctions est dviter les calculs compliqus quimplique-
rait la manipulation des partitions dun ensemble inni. Cela est possible grce la
dualit entre les partitions et les fonctions. Il sut de dnir un ensemble de fonc-
tions vectorielles direntiables sur X pour dnir une partition. Considrons la fonc-
tion suivante
: X S
La fonction (x) partitionne son ensemble de dnition X. La partition obtenue est
note :
Dnition 3.24 Soit (x, x
) XX. x et x
appartiennent la mme partition si et seule-

ment sils possdent la mme image (x) = (x
).
(x, x
) XX : x x
() (x) = (x
)
En utilisant cette dnition, il devient possible de manipuler les partitions en ma-
nipulant les fonctions qui les dcrivent, ce qui est plus commode car la manipulation
de partitions devient complique si elles comportent un nombre important dlments.
Dnissons lensemble de toutes les fonctions vectorielles possibles sur un en-
semble X T
n
not D
X
. Lalgbre des fonctions se base sur le treillis de toutes les
fonctions
i
D
X
, i. Ces fonctions serviront dcrire le fonctionnement du modle
continu (X, Y, W, f , h) en utilisant des outils similaires ceux dcrits dans la section
prcdente.
3.4.3 Dnitions
Pour former un treillis, une relation dordre doit tre associe lensemble D
X
. Par
ailleurs, pour former une algbre, deux oprations internes doivent tre associes D
X
.
Les dnitions formelles des trois lments sont donnes.
Relation dordre sur D
X
Soient les deux fonctions vectorielles et dnies sur X
: X S
: X T
avec S, T X. La hirarchie entre les deux fonctions et est obtenue laide des
dnitions suivantes
Dnition 3.25 Soit la relation dnie sur D
X
. est infrieure ou gale ( ) si et
seulement si il existe une fonction : S T telle que () = =
, D
X
D
X
: =
X
. est suprieure ou gale si et seule-
ment si est infrieure ou gale

La relation dquivalence entre et est dnie par
X
. est quivalente et on note si
et seulement si est suprieure et est suprieure simultanment
et
Illustration Considrons les fonctions suivantes
1
(x) =
_
x
1
x
1
+x
2
_

2
(x) =
_
x
1
x
3
_

3
(x) =
_
x
1
x
2
x
1
_
4
(x) =
_
_
x
1
x
2
x
3
_
_
(x) =
_
_
x
1
x
2
+x
1
x
2
x
3
_
_
avec x =
_
_
x
1
x
2
x
3
_
_
Les relations suivantes sont valides

1

2

3

4

4

4
Remarquons que
2

3
et que
3

2
. Il nest pas possible de dnir une hirarchie
entre ces deux fonctions.
Le treillis L
X
= (D
X
, ) est constitu de toutes les fonctions contenues dans len-
semble D
X
. Chaque groupe dlments de L
X
possde un minima et un maxima au
sens dni par la relation dordre .
Dnition 3.28 Lopration max qui donne le plus grand lment dun ensemble de fonc-
tions donn est dnie par
max : L
X
L
X
L
X
(
1
, ,
k
) {
i
|j k :
j

i
}
Dnition 3.29 Lopration min qui donne le plus petit lment dun ensemble de fonctions
donn est dnie par
min : L
X
L
X
L
X
(
1
, ,
k
) {
i
|j k :
i

j
}
Illustration Considrons les fonctions dnies dans lexemple prcdent
min(
1
,
3
,
4
) =
4
max(
1
,
3
,
4
) =
3
Oprations internes sur D
X
Le treillis L
X
, est muni de deux oprations internes qui sont dnies selon le tho-
rme 3.2 :
Dnition 3.30 On dnit lopration de L
X
L
X
vers ST par
= max{g| g et g}
o g : X :ST
Dnition 3.31 On dnit lopration de XX vers ST par
= min{w|w et w }
o w : X :ST
Illustration Considrons les fonctions du premier exemple
1
=
1

1
=
1
2
=
_
x
1
_
2
=
_
_
x
1
x
2
x
3
_
2
=
_
_
x
1
x
1
x
2
x
3
_
2
=
_
x
1
_
Les oprations et , dnies par rapport au treillis L
X
possdent les proprits
de commutativit, dassociativit, didempotence et dabsorbance (thorme 3.1). Par
ailleurs, lensemble D
X
, qui est lespace vectoriel dni par f , muni des oprations
et forme une algbre par rapport f .
3.4.4 Paire algbrique en continu
Lalgbre des fonctions est une extension de lalgbre des paires aux ensembles in-
nis. Une paire algbrique dcrit le ux dinformation vhicul par une fonction f et
nest valide que par rapport cette fonction. Dans ce qui suit, nous dnissons la paire
tat-tat (S S). Il est ais dtendre cette dnition au reste des cas, par analogie avec
3.22.
Dnition 3.32 Les fonctions et forment une paire algbrique, et on note (, )
f
si
et seulement si
(x) (f (x))
Selon que les fonctions et soient suprieures, quivalentes ou infrieures, il sera
question de surplus, dgalit ou dinsusance de connaissance dantcdents pour
dterminer limage, ce qui reprend, au formalisme prs, la description dune algbre
des paires.
Oprateurs m et M
La dnition 3.32 est utilise pour dnir les oprateurs minimum m et maximum
M.
Dnition 3.33 m() est la plus petite fonction possible dans le sens de la relation qui
forme une paire gauche avec la fonction
(, m())
f
(, )
f
: m()
Dnition 3.34 M() est la plus grande fonction possible, dans le sens de la relation , qui
forme une paire droite avec la fonction
(M(), )
f
(, )
f
: M()
m dcrit le maximum dinformations pouvant tre dtermines connaissant lin-
formation sur ltat prsent. M dcrit le minimum dinformations ncessaires pour
obtenir linformation sur ltat suivant.
Illustration Considrons la fonction suivante
f (x) =
_
_
x
2
x
3
x
2
+x
2
x
3
x
1
_
_
avec x =
_
_
x
1
x
2
x
3
_
_
(3.18)
De nombreuses fonctions forment des paires algbriques par rapport f , par exemple
__
x
2
x
2
x
3
_
,
_
x
1
x
2
__

f
__
x
1
_
,
_
x
3
__

f
__
x
2
_
,
_
x
1
x
2
__

f
Dtaillons la premire relation :
(x) =
_
x
2
x
2
x
3
_
et (x) =
_
x
1
x
2
_
(f (x)) =
_
x
2
x
3
x
2
+x
2
x
3
_
Les fonctions et forment une paire algbrique puisque la relation de la dnition 3.32
est satisfaite (f (x))
Dnissons les fonctions
i
1
(x) =
_
_
x
1
x
2
x
3
_
2
(x) =
_
x
2
_

3
(x) =
_
x
3
_
Les oprateurs m et M appliqus aux direntes fonctions donnent les rsultats sui-
vants
M(
1
)(x) =
_
_
x
1
x
2
x
2
x
3
_
_
M(
2
)(x) =
_
x
2
x
2
x
3
_
M(
3
)(x) =
_
x
1
_
m(
1
)(x) =
_
_
x
1
x
2
x
3
_
_
m(
2
)(x) =
_
x
1
x
2
_
m(
3
)(x) =
_
_
Proprits
Les proprits principales des oprateurs de lalgbre des fonctions [ZS93] sont
donnes

et
m() m()
M() M() M()
M(m())
m(M())
3.4.5 Parallle entre les mthodes gomtriques et les mthodes al-
gbriques
Pour illustrer les oprateurs de lalgbre des fonctions, un parallle est fait avec
la gomtrie direntielle
11
pour le cas gnral non linaire. Le parallle avec le cas
linaire peut tre dduit.
Considrons les deux fonctions vectorielles de classe C
suivantes
: X S
: X T
La dimension de est l
1
et celle de est l
2
. Les composantes de et sont notes
respectivement
i
et
i
o le i reprsente le numro de la composante.
i
(ou
i
) peut
tre exprime avec une 1-forme direntielle dont lexpression en coordonnes locales
est donne par
d
i
=
n
j=1
i
x
j
dx
j
Aux fonctions et correspondent deux co-distributions P et T dcrites par les
deux espaces vectoriels {d
1
(x), , d
l1
(x)} et {d
1
(x), , d
l2
(x)}. La fonction est
compltement dnie dans lespace vectoriel P, et il est possible de reprsenter (x)
pour tout x X avec des combinaisons linaires des d
i
(x). Il en va de mme pour .
Par consquent, P et T sont les reprsentations gomtriques de et de .
Relation dordre
La relation dordre associe L
X
peut tre interprte comme suit : soit une fonc-
tion telle que = . Cela quivaut lcriture
i
=
i
et implique que
d
i
=
n
j=1
j
d
j
Cette quation est interprte gomtriquement par T P. La rciproque est ga-
lement vraie : soit une co-distribution T P. Il est vident que T peut tre exprime
dans lespace vectoriel dcrit par {d
1
, , d
l1
} ce qui implique que d
i
= d. Par
consquent .
Lquivalence devient par consquent P= T.
Oprations internes et
Lopration dtermine la fonction vectorielle (associe la co-distribution
A) de dimension minimale ( l
1
+l
2
si et sont indpendantes) dont les composantes
i
peuvent exprimer les composantes de et de . Gomtriquement cela correspond
11
Les notions de la gomtrie direntielle sont introduites en annexe B
et = (3.19)
P A et T AA= PT (3.20)
En suivant le mme type de raisonnement, nous montrons que lopration est
interprte gomtriquement par PT
Algbre de Lie et algbre des fonctions
Nous allons interprter gomtriquement la notion de paire travers lanalyse de
lquation direntielle ane suivante
x =
i
g
i
(x)
o les dirents g
i
sont de classe C
1
. Soit une fonction (x). Loprateur M est calcul
par lexpression suivante
M() =
i
(
d
dx
g
i
) (3.21)
Rappelons que la drive de Lie (voir annexe) scrit L
g
i
() =

j
j
x
j
g
i
=
d
dx
g
i
. Les
deux quations sont identiques ce qui permet de dire que loprateur M est similaire
loprateur de la drive de Lie L
g
.
Posons une co-distribution P, o Pest involutive par rapport au champ de vecteurs
{g
1
, , g
k
}. Cela implique que
[P, P] P
et par consquent
g
i
: L
g
i
(P) P
et
L
g
i
(d
i
) =
i,j
(x) d
Puisque P est involutive, chaque direntielle d
i
peut tre reprsente dans les
espaces vectoriels associs P. Par ailleurs, nous savons que
L
f
(d
i
) = dL
f
(
i
) = d
_
d
dx
g
i
_
(annexe B ou [Isi95]). Cette relation implique que
d
dx
g
i
et par analogie M(
i
) .
Puisque M() =
i
M(
i
) alors M() ce qui satisfait la condition (, )
f
par
rapport lquation direntielle (3.21).
Il existe donc des similitudes entre les outils et concepts algbriques et leurs qui-
valents gomtriques notamment entre la drive de Lie et loprateur M et le crochet
de Lie et la notion de paire algbrique.
3.5 Conclusion
Ce chapitre a permis de dtailler les outils mathmatiques utiliss dans ce m-
moire : lalgbre des paires et lalgbre des fonctions. La relation entre les structures de
treillis et dalgbre est montre et utilise pour dnir lalgbre des paires partir dun
ensemble de partitions densembles nis et dun ensemble doprations particulires.
Ces oprations sont utilises pour dcrire une notion dquivalence de partitions, la
proprit de substitution , qui servira par la suite pour formuler un critre dqui-
valence de modles vnementiels au chapitre suivant.
Lalgbre des paires est ensuite tendue aux ensembles innis en utilisant des fonc-
tions continues pour dcrire les partitions. Lensemble des oprateurs de lalgbre des
paires est ensuite transpos dans ce cadre, ainsi que la notion dquivalence entre par-
titions qui est tendue et formule en utilisant des fonctions continues. De la mme
manire, cette notion dquivalence est utilise pour formuler un critre dquivalence
de modles temporels dans la suite de ce mmoire.
Une analogie avec les outils de la gomtrie direntielle est montre dans la der-
nire partie de ce chapitre pour justier lutilisation des outils de lalgbre des fonc-
tions .
Pour de plus amples informations le lecteur peut consulter louvrage [HS66] pour
lalgbre des paires et les travaux de Shumsky et de Zhirabok [Shu91, ZS93]. Pour les
notions dalgbre de Lie et de gomtrie direntielle, un bref rsum est prsent en
annexe B. Pour une information plus complte, louvrage du professeur Isidori [Isi95]
est recommand.
Chapitre 4
Dcomposition de modles
comportementaux pour la surveillance
4.1 Introduction
Ce chapitre est consacr la description de la mthodologie de dcomposition. La
problmatique de la dcomposition est formule de manire gnrale et une solution
en plusieurs tapes est propose. Ces tapes sont construites avec un niveau dabstrac-
tion susant pour ne pas tenir compte de la forme des quations qui constituent le
modle dcomposer. Pour atteindre ce niveau dabstraction, les tapes de la dcom-
position sont dcrites avec des moyens algbriques prsents dans le chapitre 3.
Lobjectif de la dcomposition est de dterminer la partie du modle complet qui
possde des caractristiques spciques. Cest une dcomposition avec critres. Les
critres utiliss sont le couplage un sous-ensemble dentres ou le dcouplage de ce
sous-ensemble. La dcomposition permet dobtenir des sous-modles qui sont coupls
(ou dcoupls de) ces entres, et qui sont cohrents en sortie avec le modle initial. La
notion de cohrence ici indique que pour des entres identiques, il existe une relation
unique et constante qui lie les sorties du sous-modle aux sorties du modle complet.
Cette relation permet la comparaison des sorties entre les deux modles. La dirence
entre lvolution des sous-modles coupls et dcoupls apparat si lexcitation est dif-
frente entre le modle complet et les sous-modles :
Les sorties de sous-modle coupl ne sont plus cohrentes si une entre couple
excite uniquement le modle complet et pas le sous-modle .
Les sorties du sous-modle dcoupl restent cohrentes pour nimporte quelle
entre dcouple qui excite uniquement le modle complet.
Ces deux types de sous-modle sont utiliss pour synthtiser les indicateurs de
dfaillances structurs dcrits dans le chapitre 2.
Le prsent chapitre est organis comme suit :
La premire partie est ddie la formulation du problme de la dcomposition
dans un cadre gnral. Les contraintes et les critres de la dcomposition sont
dtaills et les tapes de lalgorithme de dcomposition sont numres.
La deuxime partie concerne la dcomposition de modles comportementaux
65
66 Chapitre 4. Dcomposition de modles comportementaux pour la surveillance
temporels. Lalgorithme de dcomposition est implment en utilisant les op-
rateurs de lalgbre des fonctions, et des illustrations de dcompositions de mo-
dles linaires et non linaires sont fournies. Les aspects calculatoires de la m-
thode sont traits galement, et des solutions pour calculer les oprateurs de lal-
gbre des fonctions sont proposs, ainsi quune extension de ltape dinitialisa-
tion de lalgorithme en utilisant des techniques dlimination de variables.
La troisime partie concerne la dcomposition de modles comportementaux
vnementiels (machines squentielles). Lalgorithme de dcomposition est crit
en utilisant les oprateurs de lalgbre des paires, et des illustrations de dcom-
positions de machines squentielles sont donnes.
4.2 Principe gnral de la dcomposition
4.2.1 Formulation du problme de dcomposition
Considrons le modle comportemental dcrit par le quintuplet (X, W, Y, F, H)
(dnition 2.1, chapitre 2) avec
F : X W X H: X Y
Le cas o H: X W Y nest pas considr ici, puisque la dmarche de dcompo-
sition nest pas modie.
Soit W
W un sous-ensemble dentres non vide. Il existe une partie de qui est

rgie par W
et uniquement par elle. Cette partie de est un sous-modle, not
, qui
est dni par le quintuplet (X
, W
, Y
, F
, H
), o X
X est dtermin en considrant

W
et Y
= H(X
). F
et H
sont des restrictions de F et H aux ensembles W
,X
et Y
.
F
: X
: X
Selon cette formulation, pour un sous-ensemble dentres donn W
, seul le sous-
ensemble X
est inconnu. La relation qui permet dobtenir
partir de est note
(X, W, Y, F, H) (X
, W
, Y
, F
, H
) (4.1)
o est lensemble de tous les quintuplets quil est possible dobtenir partir de
(X, W, Y, F, H). La relation permet de dterminer les lments du quintuplet qui
dcrit
. existe si le sous-modle est ralisable.

Il a t mentionn prcdemment que la connaissance de W
et de X
permet de
dnir compltement le sous-modle
. Ici, W
est utilis pour formuler le critre de

dcomposition et X
est le rsultat de la dcomposition.

4.2. Principe gnral de la dcomposition 67
Le problme de dcomposition se rduit alors une forme plus simple : dnir,
pour un sous-ensemble dentres W
W donn, la fonction telle que

: X X

X
x x
= (x) (4.2)
o
X
est lensemble de toutes les combinaisons possibles dlments de X. X
est
limage de X par .
La partie restante
du modle est la partie qui nest pas inuence par les en-
tres W
. Le sous-modle
est le complment du sous-modle
et est dcrit par le

quintuplet
(X
, W
, Y
, F
, H
)
o W
= W et X
X est dterminer et Y
= H
(X
). F
et H
sont des restrictions

de F et H aux ensembles W
,X
et Y
.
Par analogie avec la relation (4.2), la dtermination de
passe par la dnition

dun sous-ensemble dentres W
, et la recherche de la fonction telle que

: X X

X
x x
= (x) (4.3)
X
est limage de X par .

Fig. 4.1 Diagramme reprsentant la dcomposition dun modle
En conclusion, la dcomposition dun modle comportemental a pour objectif de
dterminer deux sous-modles complmentaires
et
(gure 4.1). Ces deux sous-

modles possdent des proprits de couplage et de dcouplage par rapport un sous-
ensemble dentres particulier.
est le sous-modle coupl W
et
est le sous-
modle qui est dcoupl de W
.
Cette dcomposition est sujette des critres et des contraintes :
Le critre de la dcomposition consiste choisir un sous-ensemble dentres W
de couplage ou de dcouplage. Ce sous-ensemble est constitu dentres qui par-

tagent une proprit spcique.
La contrainte de la dcomposition consiste vrier la possibilit de construire
les sous-modles
et
, et de les crire sous la mme forme que le modle

complet (voir ralisabilit). En outre, les sous-modles obtenus doivent tre
de la plus grande dimension possible et avoir des sorties quil est possible de
comparer au modle complet.
Le problme est donc formul comme un problme doptimisation :
Dterminer la plus grande partie de qui satisfait le critre de dcomposition.
Cette partie est dite ensemble de solutions candidates.
Dterminer partir de lensemble de solutions candidates celles qui permettent
de dcrire un sous-modle coupl (ou dcoupl de) W
ralisable. Le sous-
modle obtenu doit tre de dimension maximale.
Un algorithme de dcomposition itratif est crit en fonction de cette formulation.
A chaque itration, lensemble de solutions candidates est rduit jusqu ce que les
contraintes de la dcomposition soient satisfaites. Lalgorithme 1 dcrit la mthode de
dtermination de
. Lalgorithme de dtermination de
est identique.
Entres : Initialisation : choix du sous-ensemble W
en fonction du critre de
dcomposition
Donnes : , i (compteur)
Sorties :
,
dbut
Initialisation : Dterminer X
0
partir de W
;
i=0 ;
tant que les contraintes de dcomposition ne sont pas remplies faire
incrmenter i ;
Chercher X
i
partir de X
i1
en respectant le critre de dcomposition ;
=
i
;
Dterminer Y
, H
;
n
retourner
Algorithme 1 : Structure de lalgorithme de dcomposition

Cet algorithme a besoin dtre dtaill : les critres et les contraintes de la dcompo-
sition sont amens tre dnis en fonction de lapplication considre. Pour rpondre
la problmatique dnie dans le chapitre 2, les paramtres de la dcomposition pro-
pose sont dtaills dans les sections suivantes.
4.2.2 Critre de couplage et de dcouplage pour la surveillance
Le choix du critre de dcomposition repose en premier lieu sur le type dentres
slectionnes pour le couplage ou le dcouplage. La dcomposition peut avoir pour
critre le couplage par rapport un sous-ensemble dentres, pour obtenir un systme
dont les sorties sont sensibles ces entres. Dans ce cas, W
est gal au sous-ensemble

de couplage, et la dcomposition est obtenue par la fonction . Inversement, si la d-
composition a pour objectif le dcouplage dun sous-ensemble dentres W
, alors le
sous-modle
est dni en utilisant la fonction .

Dans les deux cas, le critre de dcomposition associe lensemble W
, un sous-
ensemble X
X. Le sous-ensemble X
est le plus grand sous-ensemble de X qui sa-

tisfait le critre de dcomposition, cest--dire qui est coupl (ou dcoupl de) W
.
Toutes les solutions possibles de la dcomposition sont des sous-ensembles ou des en-
sembles de combinaisons dlments de X
, choisis tels que la solution nale remplisse

la condition dexistence qui est dnie ci-dessous.
Remarque 4.2.1 Dans le chapitre 2, une mthode de synthse dindicateurs de dfaillances
structurs base de sous-modles dcoupls a t propose. An dobtenir un modle d-
coupl dun sous-ensemble dentres inconnues, les entres dcoupler sont regroupes dans
lensemble W
. En gnral, lensemble dentres scrit sous la forme

W =
_
U, ,
_
o est lensemble des perturbations, est lensemble des dfaillances et U lensemble des
entres connues. Lensemble W
est compos de tous les lments de et dlments choisis

de . Le sous-modle recherch est dcoupl de W
.
4.2.3 Condition dexistence dun sous-modle dcoupl
Le sous-ensemble X
est une solution possible de la dcomposition, mais il nexiste

pas de certitude que le quintuplet (X
0
, W
, Y
0
, F
0
, H
0
) dcrive un sous-modle. Ici, le
sous-ensemble Y
0
et les relations F
0
, H
0
sont dnies selon les quations vues prc-
demment. Deux conditions dexistence du sous-modle
sont dnies :
La fonction de dcomposition ne doit pas altrer la relation de transition dtat
F. est alors dite invariante, ou involutive, par rapport F. Linvariance a t
dnie dans la littrature en utilisant les lments de la gomtrie direntielle
(voir la rfrence [Isi95] ou lannexe B). Nous proposons ci-dessous, une formu-
lation adapte a notre problme en utilisant des notions de la thorie des en-
sembles.
Il sagit de dmontrer lexistence dune relation qui lie la sortie de
la sortie du
modle complet , pour pouvoir les comparer. Nous appellerons cette contrainte
la contrainte de mesurabilit. La mesurabilit est dtaille dans la deuxime par-
tie de cette section.
Pour rsumer, la premire condition garantit que le sous-modle a une volution
quivalente la partie de qui remplit le critre de dcomposition et lensemble des
deux conditions garantissent que
est quivalent la partie de qui remplit le critre

de dcomposition.
Contrainte dinvariance
Considrons le sous-modle
. La relation F
est dnie comme la restriction de

la fonction dtat du modle complet F sur le sous-ensemble dtats X
.
F
: X
W X
Si
dcrit une partie de , alors lvolution de
en rponse aux entres de W

doit tre la mme que celle du modle complet pour la mme excitation.
w W , x X : x
= (x) F
(x
, w) = (F(x, w)) (4.4)

Ce qui implique
F
((x), w) = (F(x, w)) (4.5)

( F) ((x), w) = (F(x, w)) (4.6)
Cette relation dcrit la contrainte dinvariance, cest--dire que lapplication est
invariante par rapport lapplication F. Puisque ( F) est la restriction de F sur
X
= (X
), la condition dinvariance (4.4) est remplie si et seulement si la restriction

de F sur lensemble (X) est une application. Dans ce cas, est dcomposable en
utilisant lapplication et
est ralisable.
Illustration Soient les ensembles X, W et la fonction F suivants :
W = {a, b, c} o a, b, c sont indiremment des squences ou des signaux.
X = {x
1
, x
2
, x
3
}.
F(X) =
_
_
x
+
1
= f
1
(x
1
, x
2
, x
3
, a, b)
x
+
2
= f
2
(x
2
, x
3
, b, c)
x
+
3
= f
3
(x
2
, x
3
, b, c)
o lexposant + dsigne ltat futur.
Considrons les fonctions
1
et
2
tels que
1
:X X

2
:X X
x
1
x
1
x
1
x
2
x
1
x
2
x
3
x
2
x
3
x
2
(4.7)
Une analyse rapide permet de dterminer que
1
est invariante par rapport F et que
2
ne lest pas, puisque :
F
1
(X
) =
_
x
+
1
= f
2
(x
1
, x
2
, b, c)
x
+
2
= f
3
(x
1
, x
2
, b, c)
est une application sur X
et
F
2
(X
) =
_
x
+
1
= f
1
(x
1
, x
2
, x
2
, a, b)
x
+
2
= f
3
(x
2
, x
2
, b, c)
nest pas une application sur X
puisque x
2
X
. En eet, F
2
est dnie par
F
2
: (X
{x
2
}) W X
et x
2
est un lment externe X

Mesurabilit
La contrainte de mesurabilit est remplie sil existe une relation entre les sorties du
sous-modle
issu de la dcomposition, et les sorties du modle complet . Seul un

modle qui satisfait la contrainte dinvariance est susceptible de satisfaire le critre de
mesurabilit. Il est possible alors de comparer les sorties du modle complet avec les
sorties du sous-modle obtenu par dcomposition et ainsi appliquer une mthode de
dtection de dfaillances.
Considrons le modle (W, X, Y, F, H) et un sous-modle
(W
, X
, Y
, F
, H
) ob-
tenu par la dcomposition . Les modles et
sont quivalents si pour toutes les

squences dentres W
12
, les sorties de
permettent dexprimer les sorties de et

inversement, cest--dire :
w W , x X , x
, : x
= (x) et (y
) = (y) (4.8)
avec y
= H
(F
(x
, w)) et y = H(F
(x, w)) et o et sont des applications. Si F
est une
restriction de F sur X
W et si H
est une restriction de H sur X
et Y
, la relation
(4.8) est satisfaite, et lexistence dune restriction sur X
et Y
garantit la mesurabilit. Il
reste cependant dicile de dmontrer lexistence dune restriction dans le cas gnral.
Puisque
satisfait la contrainte dexistence (4.4), alors

F
((x), w) = (F(x, w))

et la condition (4.8) devient
x X , , : (H
((x))) = (H(x)) (4.9)

En rcrivant la relation (4.8) en terme densembles la contrainte devient
, : (H
(X
)) = (H(X)) (4.10)
Si la condition (4.10) est satisfaite alors les sorties du sous-modle
permettent
dexprimer toutes les sorties du modle , et toutes les sorties y Y et y
sont
cohrentes
13
. Cependant pour comparer lvolution de deux modle et
, il sut
davoir une seule sortie cohrente.
La condition de mesurabilit scrit alors sous la forme
, : (H
(X
)) (H(X)) (4.11)
Si la relation (4.11) est satisfaite, alors
satisfait le critre de mesurabilit.

12
Nous considrons que et
partagent les mmes entres, la dirence que
est dcoupl de
certaines entres, cest--dire que W
W
13
Deux grandeurs sont cohrentes si elles appartiennent au mme ensemble ou espace. Ici y et y
sont
rendues cohrentes laide des applications et
Illustration Considrons la relation H suivante
H:X Y
x
1
y
1
x
2
y
2
x
1
+x
2
y
3
(4.12)
o X = {x
1
, x
2
, x
3
, x
4
} et Y = {y
1
, y
2
, y
3
, y
4
}. Soit les relations H
et H
telles que
H
:X Y
x
1
y
1
x
4
y
2
(4.13)
avec Y
= {y
1
, y
2
}, et
H
:X Y
x
1
+x
3
y
1
x
4
y
2
(4.14)
avec Y
= {y
1
, y
2
}.
La premire relation H
est mesurable puisquil existe une relation qui lie y
1
y
1
. La
seconde relation nest pas mesurable, puisquil nexiste pas de relation qui lie les lments de
Y avec les lments de Y
. En eet, il nest pas possible de relier y

1
avec y
1
si H
(x
3
) est
inconnu.
4.2.4 Algorithme de dcomposition avec critre de dcouplage
Lalgorithme de dcomposition gnral (1) est rcrit en dtaillant les critres et
les contraintes de la dcomposition. A partir dici, lobjectif vis par la dcomposi-
tion est lobtention de sous-modles dcoupls de sous-ensembles dentres inconnues.
Les sous-modles rsultants sont utiliss pour synthtiser les structures de gnration
dindicateurs de dfaillances structurs.
Principe de lalgorithme de dcomposition
Comme il a t mentionn prcdemment, lalgorithme de dcomposition prsent
est un algorithme itratif. Un ensemble X
0
X de solutions candidates la dcompo-
sition est dtermin dans ltape dinitialisation partir du critre de dcomposition
choisi, qui est ici un ensemble dentres inconnues dcoupler. Une boucle itrative
permet de construire le sous-ensemble dtats dcoupls
X
= X
1
X
2
. . .
o les X
j
X
0
. La condition de sortie de lalgorithme qui est la ralisation des deux
contraintes de dcomposition est double :
Invariance de
i
par rapport F, o le compteur i reprsente la i
e
itration.
Existence dune fonction H
qui satisfait le critre de mesurabilit par rapport

la fonction de sortie du modle complet H.
Durant la premire itration, le sous-ensemble X
1
X
0
est choisi de manire res-
pecter la proprit de mesurabilit. X
1
est un lment choisi dans lintersection de
lensemble des tats structurellement dcoupls des entres W
et de lensemble des
tats mesurs. Puisque la cardinalit de lensemble X
ne diminue pas au l des itra-

tions, le sous-modle obtenu satisfera cette contrainte.
Le reste des itrations vient augmenter lensemble X
en ajoutant les lments de

X
0
pour rpondre la proprit dinvariance.
Si les conditions de sortie de la boucle sont satisfaites, le reste des lments du sous-
modle dcoupl
est calcul. Si la condition de sortie nest pas satisfaite et il ne reste

plus de solutions candidates, lalgorithme annonce lchec de la dcomposition avec le
critre choisi.
Structure de lalgorithme
Le nouvel algorithme est donn par le pseudo-code (2).
Entres : W
= { ,
j
, } avec
j
(dfaillances dcoupler)
Sorties :
, (fonction de dcomposition)
dbut
0
et
0
partir de W
en respectant le critre de
dcouplage;
Choisir X
1
X
0
et
1
tels que la contrainte de mesurabilit soit respecte ;
i=2 ;
tant que nest pas invariant par rapport F et que H
nest pas mesurable

faire
Incrmenter i ;
Choisir un sous-ensemble X
i
X
0
tel X
= X
i
X
i1
en respectant les
critres de dcomposition ;
Dterminer la fonction de dcouplage
i
correspondante ;
Dterminer Y
, H
;
Dterminer le reste des caractristiques de
;
n
retourner
Algorithme 2 : Structure de lalgorithme de dcomposition avec critre de dcou-

plage
Discussion de lalgorithme
Deux tapes fondamentales caractrisent lalgorithme 2 :
la recherche de lensemble des solutions candidates. Ces solutions sont dtermi-
nes partir du critre de dcomposition.
la slection des solutions qui satisfont les contraintes de dcomposition.
Les deux tapes sont dgale importance. La premire tape construit une base
partir de laquelle le systme dcoupl est synthtis. La seconde tape slectionne
dans cette base les solutions qui contribuent linvariance et la mesurabilit du sous-
modle .
Cet algorithme est susceptible dtre amlior : Une optimisation de la premire
tape, appele partir de maintenant tape dinitialisation, permet damliorer la pro-
babilit de russite de la dcomposition. De la mme manire, un relchement des
contraintes de dcomposition permet de slectionner une quantit supplmentaire de
solutions candidates qui, rappelons le, sont choisies par rapport au critre de dcom-
position.
Des solutions existent en relchant les contraintes de dcomposition :
La contrainte de mesurabilit peut tre tendue en augmentant le nombre dtats
visibles en sortie (mesurs). Cette augmentation est ralise par exemple en aug-
mentant le nombre de capteurs sur un systme rel. Mais il nexiste pas notre
connaissance de moyens analytiques pour rsoudre ce problme.
Le relchement de la contrainte dinvariance est un problme connu; citons par
exemple louvrage [Isi95] qui traite entre autres de linjection de sorties pour le
dcouplage de systmes non linaires en utilisant des outils de gomtrie di-
rentielle.
Dans la section suivante, une contrainte tendue dinvariance est dnie. Ce point
permet de proposer une extension de lalgorithme (2).
4.2.5 Extension de lalgorithme de dcomposition par injection de
sorties
Les sorties de sont utilises pour compenser la perte dinformations qui rsulte
de la rduction de lensemble dtats impose par la dcomposition.
Illustration Pour illustrer ce point, considrons la fonction dtat f vectorielle suivante :
_
_
x
+
1
= f
1
(x
1
, x
2
, x
3
)
x
+
2
= f
2
(x
2
)
x
+
3
= f
3
(x
3
)
x
+
4
= f
4
(x
4
)
avec x = [x
1
x
2
x
3
x
4
]
T
(4.15)
et supposons quune mesure de ltat y = h(x) = x
3
est disponible. La fonction
(x) = [1 1 0 0] x
nest pas invariante par rapport f , puisquelle dnit un sous-modle avec {x
1
, x
2
} pour
ensemble dtats, ce qui correspond T
2
, et que x
3
reste inconnu. Par contre, est invariante
par rapport (f , h) puisque x
3
est connu travers y. En utilisant une injection de sortie y
dans la premire quation, la dcomposition par devient possible et donne
4.3. Dcomposition des modles comportementaux temporels 75
_
x
+
1
= f
1
(x
1
, x
2
, y)
x
+
2
= f
2
(x
2
)
avec x
=
_
x
1
x
2
_
T
(4.16)
La dcomposition tendue par lutilisation de linjection de sorties produit un sous-
modle
dni par le quintuplet (X
, W
e
, Y
, F
, H
). W
e
est donne par

W
e
= (WW
) Y
o W
regroupe les entres dcoupler. Tous les tats ou les combinaisons dtat qui
nappartiennent pas X
sont remplaces par des mesures qui permettent de les re-

constituer. Lutilisation de linjection de sorties est donc limite au cas o les mesures
permettent de reconstituer les informations inconnues.
En conclusion, linjection de sorties permet dobtenir une contrainte dinvariance
moins stricte sous certaines conditions. La section suivante est consacre la formali-
sation de cet aspect.
Extension de la contrainte dinvariance par injection de sorties
La contrainte dinvariance par rapport F est tendue linvariance par rapport
(F, H). La relation (4.4) devient
w W , x X , y Y : x
= (x) F
(x
, y, w) = (F(x, w)) (4.17)

en remplaant par la fonction de dcouplage , cette relation scrit
w W , x X , y Y : x
= (x) F
(x
, y, w) = (F(x, w)) (4.18)

Structure de lalgorithme tendu
Lutilisation du critre tendu permet de formuler lalgorithme de dcomposition
avec critre de dcouplage sous la forme suivante (algorithme 3)
La modication principale apparat au niveau de la condition de sortie de la boucle,
ainsi que dans la structure du sous-modle dcoupl obtenu. Le sous-modle possde
un ensemble dentres augment des mesures dtats releves sur le modle complet.
4.3 Dcomposition des modles comportementaux tem-
porels
4.3.1 Introduction
Cette section est consacre la description de la mthodologie de la dcomposi-
tion de systmes reprsents par des modles dvolution temporels. Lalgorithme de
dcomposition (3) est rcrit en utilisant les outils de lalgbre des fonctions . Pour vi-
ter la rptition, nous nous limiterons ici ltude du critre de dcouplage et la
Entres : W
= { ,
j
, } avec
j
(dfaillances dcoupler)
Sorties :
, (fonction de dcomposition)
dbut
0
et
0
partir de W
en respectant le critre de
dcouplage;
Choisir X
1
X
0
et
1
tels que la contrainte de mesurabilit est respecte ;
i=1 ;
tant que nest pas invariant par rapport (F, H) et que H
nest pas mesurable

faire
Incrmenter i ;
Choisir un sous-ensemble X
i
X
0
tel que X
= X
i
X
i1
en respectant les
critres de dcomposition ;
Dterminer la fonction de dcouplage
i
correspondante ;
Dterminer Y
, H
;
Dterminer le reste des caractristiques de
;
n
retourner
Algorithme 3 : Structure de lalgorithme tendu de dcomposition avec critre de

dcouplage
recherche du sous-modle dcoupl
. La mthodologie de dtermination du sous-

modle coupl
est en tout point semblable.

La section est organise en deux parties principales :
une premire partie o lalgorithme est retranscrit en utilisant lalgbre des fonc-
tions,
une seconde partie o des amliorations sont proposes : les aspects calculatoires
de lalgbre des fonctions sont dtaills et ltape dinitialisation de lalgorithme
est tendue en utilisant des techniques dlimination de variables.
Des illustrations linaires [BCC05] viennent agrmenter chaque partie pour aider la
comprhension.
4.3.2 Objectif de la dcomposition
Lobjectif de la dcomposition est dobtenir des sous-modles dcoupls de sous-
ensembles dentres inconnues. Les sous-ensembles de dcouplage sont dtermins
suivant le principe dcrit dans le chapitre 2. Ces sous-modles dcoupls serviront
ensuite la synthse de gnrateurs de rsidus structurs.
Pour raliser cet objectif, les sous-modles dcoupls doivent en outre vrier des
critres de couplage par rapport aux dfaillances dtecter.
Considrons le systme reprsent par le modle analytique suivant :
:
_
x = f (x, w)
y = h(x)
, w =
_
_
u
_
(4.19)
o x X T
n
, w W T
l
et y Y T
m
reprsentent respectivement les vecteurs
dtat, dexcitation et de sortie. Le vecteur dexcitation est compos de trois vecteurs :
u U T
l
le vecteur de commandes, le vecteur de perturbations et le vecteur de

dfaillances.
Le modle est dcomposable en deux parties :
une partie dcouple dun vecteur et couple au vecteur
i
,
une seconde partie qui dcrit le reste du modle et qui est couple .
Fig. 4.2 Dcomposition parallle du modle
Le sous-modle
reprsente la dynamique dcouple de linuence du vecteur de

perturbations
:
_
x
= f
(x
, y, u,
i
)
y
= h
(x
)
(4.20)
Cette dcomposition est ralise selon les techniques expliques dans la section
prcdente. En vertu de la contrainte de mesurabilit, les sorties du sous-modle d-
coupl y
peuvent sexprimer en fonction des sorties du systme complet

y
= h
(x
) = c(y) = c(h(x)) (4.21)

o c est une fonction quelconque.
La fonction de dcouplage est une fonction direntiable qui scrit
: X X
: x x
= (x)
(4.22)
o X et X
sont les espaces dtat respectifs de et
.
Remarque 4.3.1 Le sous-modle coupl
est complmentaire au sous-modle
. Pour
dterminer le sous-modle dcoupl, une fonction de dcomposition est dtermine, par
analogie avec la section prcdente.
4.3.3 Mthodologie de dcomposition dun modle temporel
Les critres et les contraintes de dcomposition sont dcrits en utilisant les op-
rateurs de lalgbre des fonctions ainsi que lalgorithme de dcomposition tendu (3).
Ces critres sont appliqus aux modles non linaires. Des exemples de dcomposition
de modles linaires sont donns pour illustrer chaque notion.
Critres de dcomposition
La dcomposition seectue suivant deux critres : un critre de dcouplage par
rapport et un critre de couplage au vecteur .
Le critre de dcouplage
Le sous-ensemble dtats dcoupl de est calcul en utilisant loprateur m de
lalgbre des fonctions :
m
WX
() = X
0
(4.23)
o X
0
est le plus grand sous-ensemble dtats qui satisfait le critre de dcouplage par
rapport . La notation WXindique une paire Entre-tat . La fonction vectorielle
0
D
X
14
est la fonction par laquelle X
0
est limage de X, cest--dire
X
0
=
0
(X)
La fonction
0
dcrit le plus grand sous-ensemble de X qui est dcoupl de .
Puisque x
0
=
0
(x) et que
x
0
=
d
0
(x)
dt
=
d
0
dx
dx
dt
=
d
0
dx
f (x, w)
alors la relation

f
0
(x
0
, y, u, ) = 0 implique que
d
0
dx
f (x, w) = 0 (4.24)
Toutes les fonctions

0
donneront des images de X qui sont contenues dans
X
0
.
0
est la plus petite fonction de lensemble de fonctions qui satisfait le critre de
dcouplage.
D
X
et
(X) X
0
dx
f
= 0 (4.25)
14
D
X
est lensemble de toutes les fonctions possible sur X
o et sont les oprateurs dordre de lalgbre des fonctions. Le critre de dcou-
plage scrit donc
0
(4.26)
o est la fonction de dcouplage et
0
la fonction vectorielle dont les composantes
scalaires forment lensemble de fonctions candidates au dcouplage.
Le critre de couplage
A lissu de la dcomposition, il est ncessaire de vrier si le sous-modle
reste
coupl au sous-ensemble dentres .
m
XW
() = X
(4.27)
o X
est le plus grand sous-ensemble dtats qui satisfait le critre de couplage par
rapport . La manire la plus directe de vrier le couplage est dutiliser la relation
X

o X
est lensemble dtats de
. An de ne pas alourdir lalgorithme de dcomposi-

tion, une mthode indirecte est choisie :
Soit le sous-ensemble dentres dcoupl de lensemble dentres et qui est donn
par le vecteur
W

=
_
u
_
Le sous-ensemble dtats associ est calcul par la relation
m
XW
(W

) = X

(4.28)
Le couplage est vri si la relation suivante est satisfaite
X
y X

Ce critre est traduit maintenant en termes dalgbre des fonctions :
Soit
la fonction qui dcrit le plus grand sous-ensemble dtats X

dcoupl de .
D
X
:

d
dx
f
= 0 (4.29)
Puisque

(x
, y, u, ) 0 alors
d
dx
f (x, u, , ) 0 (4.30)
Par consquent
d
dx
f (x, u, , ) 0 (4.31)
Le critre de couplage par rapport au sous-ensemble dentres scrit alors
(4.32)
o est la fonction de dcouplage par rapport et
est la plus grande fonction qui

satisfait
dx
f (x, u, , ) = 0
Illustration Si le modle linaire exprim par
:
_
x = Ax +Bu +E +K
y = Cx
(4.33)
alors nous cherchons dterminer le sous-modle dcoupl
:
_
x
= A
+B
u +Jy
y
= C
(4.34)
o les matrices A
, B
, J
et C
sont dterminer. La fonction de dcouplage est note et

permet de passer du modle au sous-modle
.
Soit
la matrice de dimension maximale qui satisfait la relation

d
_
x
_
dx
(Ax +Bu +E +K) =
K = 0 (4.35)
o K est la matrice des entres dont on dsire garder le couplage. Le critre de couplage
scrit K 0 puisque
K K K , 0 K 0 (4.36)
De la mme manire, soit
0
la matrice de dimension maximale qui satisfait la relation
d
_
0
x
_
dx
(Ax +Bu +E +K) =

0
E = 0 (4.37)
o E est la matrice des entres dcoupler. Le critre de dcouplage
0
scrit E = 0
puisque
0

0
E E E 0 E = 0 (4.38)
Les contraintes de dcomposition
Contrainte dexistence : la proprit dinvariance
La contrainte dinvariance stipule que la restriction de la fonction dtat F sur le
sous-ensemble X
= (X) (limage de X par la fonction de dcouplage ) est une ap-

plication. La fonction est alors dite invariante par rapport F. Cela signie que
la transformation naltre pas la fonction F. Cest--dire que si ltat dun modle
appartient lensemble X
(ou est dni dans le repre X
), ltat suivant du modle

appartient galement X
. La trajectoire du modle volue toujours dans X
, si ltat
initial du systme appartient lespace dcrit par X
.
La formulation algbrique et la formulation gomtrique permettent toutes les
deux de dcrire cette notion dinvariance. La formulation gomtrique met en vidence
les singularits des quations alors que la formulation algbrique apporte un degr de
abstraction plus lev dans un souci de gnricit. Dans cette partie, en rgle gnrale,
la formulation algbrique est utilise, avec quelques illustrations gomtriques pour
clarier des notions plus dlicates. Les deux formulations restent cependant quiva-
lentes, dans le cas o lapproche gomtrique est applicable.
Loprateur m permet de calculer lensemble qui contient ltat futur du systme
dcrit par la fonction dtat f , si ltat prsent du systme est connu. Loprateur M
permet de dterminer linverse : en ayant pour argument lensemble qui contient ltat
prsent, M calcule lensemble qui contient ltat prcdent du modle .
Nous allons rcrire la contrainte dinvariance en utilisant lalgbre des fonctions.
Soit une fonction invariante par rapport la fonction dtat f dun modle . La
fonction permet de dterminer le sous-ensemble X
= (X) X. La relation f
= (f )
dnie par
f
: (X) W(X)
((x), w) (f (x, w)) (4.39)
est une fonction. La dnition (4.39) peut sinterprter galement comme
(X
W) ( f )(X, W)
Puisque X
= (X) alors
((X) W) ( f )(X, W) (4.40)
En utilisant la dualit entre les fonctions et les ensembles (chapitre 3), la relation
(4.40) scrit
XW
((x)) (f (x, w)) (4.41)
o le symbole reprsente la projection. La relation (4.41) correspond la dnition
de la paire algbrique par rapport f (3.32). La contrainte dinvariance scrit alors
(, )
f
(4.42)
Ce qui peut sinterprter : La partition de lensemble X dnie par la fonction
possde la proprit de substitution.
En suivant le mme raisonnement, la contrainte dinvariance tendue scrit
(h, ) est une paire algbrique (4.43)
Toute fonction qui satisfait cette contrainte permet dobtenir un sous-modle d-
coupl ralisable
. Par dnition le binme (M(), ) forme une paire algbrique et

M() est la plus grande fonction possible qui satisfait cette condition. Par superposi-
tion avec (4.43), si est invariante par rapport (f , h) alors
M() h (4.44)
Par analogie, si (h, )
f
alors par dnition
m(h) (4.45)
Par consquent, si les relations (4.45) et (4.44) sont satisfaites alors (h, ) forme
une paire algbrique et la contrainte dexistence du sous-modle est satisfaite.
Illustration Soit le modle linaire dcrit par (4.33). La contrainte dinvariance scrit
C M() (4.46)
o (x) est la fonction de dcouplage et C la fonction de sortie. Puisque et C sont des
matrices et si et C sont linairement indpendants, alors
C= C
_
C
_
puisque [1 | 0][ | C]
T
= et [0 | 1][ | C]
T
= C. Si et C ne sont pas linairement
indpendants alors C est une matrice compose des lignes linairement indpendantes
de et de C [BCC05].
Par ailleurs, M() devient M() = A, puisque par dnition
(N, Z: NM()X+ZU
dX
dX
(AX+BU)
En ngligeant les arguments qui dpendent de U, la relation prcdente devient M()X =
AX et par consquent M() = A.
La contrainte (4.46) scrit alors
N
C
_
= F (4.47)
o N
D
X
est une fonction dont il faut dmontrer lexistence. Cette relation peut tre com-
pare avec la condition dinvariance classique pour un modle linaire [Pat94] et qui scrit :
A = A
+JC (4.48)
avec A
et J dnis dans lquation (4.34). En posant

N =
_
A
J
_
les quations (4.47) et (4.48) deviennent identiques, ce qui conrme le rsultat.
Inuence du type de modle sur le calcul du critre dinvariance
Si le modle scrit sous la forme
x(t +1) = f (x(t), w(t)) (4.49)
alors le critre dinvariance tendu (4.43) sinterprte par la relation
x X , w W , y Y , D
X
: ((x), y, u) = m()f (x, w) (4.50)
par contre, si scrit
x(t) = f (x(t), w(t)) (4.51)
lquation (4.43) scrit alors
x X , w W , y Y , D
X
: ((x), y, u) =
dm()
dx
f (x, w) (4.52)
Contrainte de mesurabilit
La contrainte de mesurabilit vrie que le sous-modle dcoupl
gnre des
sorties quil est possible dexprimer en fonction des sorties du modle complet. Nous
partons du principe que tous les tats du sous-modle dcoupl sont accessibles par
mesures, cest--dire que la fonction de sorties h
est choisie gale la matrice identit.

La relation entre les tats du sous-modle dcoupl et les mesures scrit
, : (h
(x
)) = (h(x)) (4.53)
ce qui scrit en termes dalgbre des fonctions
, : h
h (4.54)
Puisque tout lensemble dtats de
est mesur, alors h
est une fonction identit.

La relation (4.54) devient
, : h (4.55)
Si la relation (4.55) est satisfaite, alors toutes les sorties de et de
sont coh-
rentes.
Pour que le critre de mesurabilit soit satisfait, il sut de dmontrer quil existe
au moins une sortie de
qui puisse tre exprime avec les sorties de . Le critre de

mesurabilit scrit dans ce cas :
h cste (4.56)
o est lopration dnie dans (3.30) et cste est une constante qui reprsente ll-
ment nul dans D
X
. La relation (4.56) exprime la contrainte de mesurabilit en termes
dalgbre des fonctions .
Le rsultat de h est donn par
h = = h cste (4.57)
o les fonctions et sont dterminer. Ce rsultat permet de dterminer la fonction
en choisissant la fonction de sortie du modle dcoupl = h
.
Illustration Soit le modle linaire dcrit par lquation (4.34). Lquation (4.57) devient
H = H
= NH (4.58)
o , H, H
et N sont des matrices linaires. Lexistence de H
et de N reste dterminer. Si
N existe alors la contrainte de mesurabilit est satisfaite.
Implmentation de lalgorithme de dcomposition gnralis en utilisant les op-
rateurs de lalgbre des fonctions
Avant de passer la synthse de lalgorithme de dcomposition, il est ncessaire
de sattarder sur la condition dinvariance tendue (4.43). Dans ltat, cette contrainte
permet de vrier linvariance de la fonction de dcouplage . Elle ne permet pas
cependant de dterminer cette fonction. La fonction de dcouplage doit satisfaire
deux conditions principales, le dcouplage et linvariance (4.59), pour dterminer un
sous-modle dcoupl ralisable. Ces conditions sexpriment par :
_

0

(h, )
f
(4.59)
o
0
reprsente lensemble de solutions candidates. Ensuite, le sous-modle dcoupl
obtenu vriera (ou ne vriera pas) les contraintes restantes de couplage et de mesu-
rabilit. Pour pouvoir vrier la contrainte dinvariance, les relations (4.50) ou (4.52)
doivent tre rsolues. Nous proposons dans ce qui suit une mthode plus simple pour
vrier la contrainte dinvariance ainsi quune mthode systmatique qui permet de
dterminer, si elle existe, la fonction de dcouplage qui rpond aux conditions (4.59).
Cest la contribution essentielle de lalgbre des fonctions la problmatique du d-
couplage des modles comportementaux.
Considrons la contrainte dinvariance (4.42) :
(, )
f
Soit deux fonctions quelconques , D
X
. A partir des proprits des oprateurs m
et M, il est connu que
(M(), )
f
et (, m())
f
(4.60)
Si (, ) forme une paire algbrique, alors elle satisfait simultanment les deux re-
lations (4.60)
(M(), )
f
et (, m())
f
(4.61)
Ce qui est vrai si et seulement si les relations suivantes sont vraies
15
:
M() et m() (4.62)
Si les relations (4.62) sont vries alors est invariante par rapport f .
Le problme du dcouplage se rsume alors trouver la fonction
0
qui rem-
plit les conditions m() et M() . Cette formulation permet de simplier la re-
cherche de puisque il nest plus ncessaire de rsoudre les relations (4.50) ou (4.52).
Le cas de linvariance tendue est similaire, pour raccourcir lexpos, seuls les r-
sultats sont prsents :
Thorme 4.1 Une fonction de D
X
est invariante par rapport (f , h) si elle remplit les
conditions suivantes :
m(h) ,
M() h.
Ce rsultat sert de base la synthse de lalgorithme de dcomposition.
Le thorme 4.2 introduit par A.Ye. Shumsky [Shu91] permet de dterminer la
fonction qui rpond aux critres

0
,
m(h) .
Thorme 4.2 Soit la relation de rcurrence suivante
i+1
= m(
i
h)
i
avec i = 0, 1, . . . , n. Si
k+1

k
pour une tape quelconque k, alors
=
k
est la fonction
minimale
16
qui remplit
_

0

m(
h)
(4.63)
Remarque 4.3.2 Si le modle scrit sous la forme (4.49) :
x(t +1) = f (x(t), x(t))
alors la fonction
fournie par le thorme 4.2, rpond la contrainte dinvariance et de

dcouplage, car dans ce cas prcis loprateur M est monotone et la relation
M() h (4.64)
est vrie automatiquement. Par contre si scrit sous la forme (4.51) :
x(t) = f (x(t), x(t))
alors la relation (4.64) nest plus garantie, car M nest pas toujours monotone.
Entres :
Donnes : h
Initialisation :
1

o
1
est une composante lmentaire de
;
dbut
tant que h
1

j
M(
j
) faire
Dterminer
j+1
tel que

j+1

;
h
1

j
j+1
M(
j
) ;
j=1;
Incrmenter j ;
=
1

j
;
n
Sorties :
Algorithme 4 : Dtermination de partir de
Ltape suivante consiste vrier la relation (4.64)

M() h
Lalgorithme suivant permet de dterminer la fonction , telle que
, qui sa-
tisfait la relation (4.64) :
La fonction ainsi obtenue est dcouple du sous-ensemble dentres W
et inva-
riante par rapport la fonction dtat f .
Lalgorithme complet de dcomposition est obtenu en incorporant la contrainte de
mesurabilit et en testant le sous-modle obtenu pour vrier le couplage. La mesura-
bilit intervient comme une tape intermdiaire entre le calcul des fonctions
et . La
mesurabilit de
est vrie et lalgorithme 4 est initialis en choisissant

1
=
h
Lalgorithme complet est dcrit par le pseudo-code 5.
A lissue de lalgorithme (5), si le critre de couplage nest pas rempli, il est nces-
saire de relcher le critre de dcouplage. Dans le cas contraire les critres de couplage
et de dcouplage ne peuvent pas tre remplis simultanment.
Remarque 4.3.3 La dcomposition dun modle linaire (4.33) peut-tre ralise avec
plus de facilit que par la mthode dcrite par lalgorithme 5 [BCC05]. En utilisant une
procdure base sur la mise sous forme canonique de Kronecker [FW89] et la mthode de
synthse de ltres prsente dans [Mir79], lalgorithme 5 dans le cas spcique des systmes
linaires scrit comme suit (algorithme 6).
La structure de lalgorithme 6 dire de lalgorithme dans le cas gnral. En eet la pre-
mire itration sert dterminer la matrice dinjection de sorties. Ce rsultat est ensuite
utilis dans la seconde itration pour dterminer la matrice selon la mthode gnrale.
Le sous-modle
obtenu est dcoupl des entres et coupl aux entres . Notons que
lalgorithme original reste valable est donne un rsultat quivalent.
15
voir proprits de lalgbre des fonctions au chapitre 3
16
Rappelons que plus une fonction est de dimension rduite, plus le sous-ensemble quelle dcrit est
grand.
Entres : (X, W, Y, f , h)
Donnes : i = 0,j = 0 (compteurs)
Sorties : (fonction de dcomposition)
dbut
0
= m
WX
(
) o
est la fonction qui ralise
(W) = ;
0
= m
WX
(
) o
est la fonction qui ralise
(W) = W ;
0
=
0
tant que
i

i1
faire
i+1
= m(
i
h)
i
;
n
=
i
;
1
=
h = h ;
j = 1 ;
tant que h
1
. . .
j
M(
j
) faire
Prendre la plus grande fonction
j+1
telle que

j+1
;
h
1
. . .
j+1
M(
j
) ;
incrmenter j ;
n
=
1
2
. . .
j
;
si
0
alors
retourner Critre de couplage non rempli par
sinon
retourner Critre de couplage rempli par
n
n
Algorithme 5 : Algorithme complet de dcouplage en termes dalgbre des fonctions
Donnes : A, B, C, E, K
Sorties : , A
, B
, J, N
dbut
1
= EC= C ;
k = 1 ;
j = 1 ;
tant que JCF
k
J
1
YF
k1
+J
2
CF
k2
+ +J
k
C faire
incrmenter k ;
n
tant que j k 1 faire
j+1
=
j
AJ
j
C ;
incrmenter j ;
n
A
= A ;
B
= B ;
N =
1
;
retourner
n
Algorithme 6 : Algorithme de dcomposition pour un modle temporel linaire
4.3.4 Exemple de dcomposition de modles temporels
Dcomposition dun modle linaire
Un exemple tir de [CP99] est trait pour illustrer la mthode de dcomposition.
Sans entrer dans les dtails de la modlisation, le processus est reprsent par le mo-
dle suivant
_
x = Ax +Bu +E +K
y = Cx
(4.65)
avec
A =
_
_
3.6 0 0 0
0 3.6702 0 0.0702
0 0 36.2588 0.2588
0 0.6344 0.7781 1.4125
_
_
, E =
_
_
1
20.758
0
0
_
_
B =
_
_
1 0 0
0 1 0
0 0 1
0 0 0
_
_
, C=
_
_
1 0 0 0
0 1 0 0
0 0 1 0
_
_
, K =
_
_
1 0
1 0
0 1
0 0
_
_
(4.66)
La premire tape est de dterminer la fonction
0
qui rpond au critre de dcou-
plage par rapport .
0
.
_
_
1 0
20.758 0
0 1
0 0
_
_
= [0 0]
0
=
_
20.7588 1 0 1
_
Pour la deuxime tape il sagit de dterminer la matrice dinjection de sorties de
J de dimension susante pour satisfaire la contrainte dinvariance (4.46). On pose
1
=
0
C= CH o est une fonction dterminer.
1
=
_
20.7588 1 0 0
_
J = [j
1
j
2
j
3
] : Est ce que
1
F = JC?
_
74.736 3.6702 0.0 0.0702
_
?
=
_
j
1
j
2
j
3
0
_
Ce qui est impossible. Une ligne supplmentaire est ajoute J
J =
_
j
1
j
2
j
3
j
4
j
5
j
6
_
: Est ce que
1
F
2
= J
1
CA+J
2
C?
Cette matrice J satisfait la contrainte dinvariance :
J =
_
a b 3.86 (0.0702b 0.0049)
3.6a 269.049 3.67b +13.47 140.10 (0.0702b 0.0049)
_
o a, b sont des rels quelconques. En posant a = b = 1, J devient
J =
_
1 1 0.29
265.45 17.14 10.52
_
La matrice de dcouplage est construite suivant lalgorithme 4.46 :

1
= [20.7588 1 0 0]

2
=
1
AJ
1
C
2
=
_
73.736 4.67 0.29 0.07
_
Le systme dcoupl
est donn par

_
x
= A
+B
u +Jy
y
= C
= y
avec
A
=
_
0 1
0 0
_
B
=
_
20.76 1.0 0.0
73.736 4.67 0.29
_
J =
_
1 1 0.29
265.45 17.1402 10.52
_
C
=
_
1 0
_
=
_
20.758 1 0
_
Dcomposition dun modle non linaire
Considrons le systme suivant
_
_
x
1
= x
2
x
3
+u
1
+
x
2
= x
2
x
3
x
4
2
+u
1
x
3
= x
4
2
x
4
x
5
+x
6
2
x
4
= x
1
x
4
x
5
+x
2
x
3
u
2
x
5
= x
4
+x
3
u
3
x
6
= x
2
x
3
+x
5
u
2
_
_
y
1
= x
2
y
2
= x
3
y
3
= x
5
(4.67)
o reprsente la perturbation, et reprsente la dfaillance dtecter.
En premier lieu, le critre de dcouplage (4.26) est vri
df
d
=
_
1 0 0 0 0 0
_
T
(4.68)
Cela veut dire que les tats x
2
, , x
6
sont structurellement dcoupls de la d-
faillance. La fonction vectorielle
0
(x) est la fonction qui transpose le vecteur dtat
initial vers une forme structurellement dcouple de la perturbation et qui satisfait la
condition (4.24)
0
(x) =
_
_
0 1 0 0 0 0
0 0 1 0 0 0
0 0 0 1 0 0
0 0 0 0 1 0
0 0 0 0 0 1
_
_
x =
_
x
2
x
3
x
4
x
5
x
6
_
T
(4.69)
Par analogie, les tats dcoupls de la dfaillance sont regroups dans le vecteur
0
(x) (4.32)
0
(x) =
_
_
1 0 0 0 0 0
0 0 1 0 0 0
0 0 0 1 0 0
0 0 0 0 1 0
0 0 0 0 0 1
_
_
x =
_
x
1
x
3
x
4
x
5
x
6
_
T
(4.70)
Si la relation
0

0
est satisfaite, alors le sous-modle
est coupl .
La dtermination de la partie invariante de
0
, note
, est ralise en utilisant le

thorme 4.2
La premire itration donne
1
=
0
m(
0
h)
= [x
2
x
3
x
4
x
5
x
6
]
T
m
_
[x
2
x
3
x
4
x
5
x
6
]
T
_
1
= [x
2
x
3
x
5
x
6
]
T
Puisque
1

0
, une seconde itration est ncessaire
2
=
1
m(
1
h)
=
_
x
2
x
3
x
5
x
6
_
T
m
_
_
x
2
x
3
x
5
x
6
_
T
_
2
=
_
x
2
+x
3
+
1
2
x
5
2
x
6
_
T
On remarque que
2

1
, une troisime itration est ncessaire
3
=
2
m(
2
h)
=
_
x
2
x
3
x
5
x
6
_
T
m
_
_
x
2
x
3
x
5
x
6
_
T
_
3
=
_
x
2
+x
3
+
1
2
x
5
2
x
6
_
T
Puisque
2

3
, alors la fonction
=
3
=
_
x
2
+x
3
+
1
2
x
5
2
x
6
_
T
La dernire tape du processus de dcomposition consiste vrier la relation
M() h
avec
, en passant par les itrations de lalgorithme 4 :

1. A la premire tape, lalgorithme itratif est initialis avec une fonction qui sa-
tisfait la contrainte de mesurabilit :
1
=
h =
_
x
2
+x
3
+
1
2
x
5
2
_
2. La relation M() h est vrie
h
1
=
_
x
2
x
3
x
5
_
T
M(
1
)
La condition nest pas vrie puisque
M(
1
) =
_
x
2
x
3
x
5
x
3
x
2
6
_
T
3. La fonction
2
est choisie telle que
2
=
_
x6
_
pour satisfaire la relation
et h
1
2
M(
1
)
4. La condition M() h est vrie une seconde fois
h
1
2
=
_
x
2
x
3
x
5
x
6
_
T
M(
2
)
Cette fois-ci la condition est remplie puisque
M(
2
) =
_
x
2
x
3
x
5
_
T
5. La fonction de dcomposition est donne par la relation
=
1
2
=
_
x
2
+x
3
+
1
2
x
5
2
x
6
_
T
Finalement, la condition de couplage est vrie
0
= x
6

puisque
0
, alors le sous-modle
est coupl lentre . La fonction de dcou-

plage est donne par
=
_
_
x
2
+x
3
+
1
2
x
5
2
x
6
_
_
(4.71)
Le sous-modle dcoupl
est obtenu en appliquant la fonction sur le systme

:
= (x) x
=
d
dx
x
Le sous-modle
est donn par
_
x
1
= x
2
+ x
3
+x
5
x
5
= x
2
2
+y
1
y
2
+u
1
+y
3
y
2
u
3
x
2
= x
6
= y
1
y
2
+y
3
u
2
(4.72)
avec y
= x
1
et
y
= c(y) = h = y
1
+y
2
+
1
2
y
3
2
4.3.5 Aspects calculatoires
Objectif
Cette section est consacre aux aspects calculatoires de lalgorithme 5. Elle est com-
pose de deux parties indpendantes :
1. la premire partie dtaille le calcul des lments de lalgbre des fonctions. Tous
les oprateurs et oprations sont revus en dtail et des ides nouvelles sont pr-
sentes, en particulier pour le calcul de loprateur m [BCC06b],
2. la seconde partie est consacre lextension de ltape dinitialisation de la m-
thode de dcomposition. Des ides pour optimiser le choix de lensemble des
fonctions candidates
0
sont proposes. Les optimisations sont rendues possibles
grce lutilisation des techniques dlimination de variables [BCCJ06, BCC06a].
Ces deux points permettent dtendre la mthodologie de dcomposition, et de pro-
poser des solutions aux cas qui ntaient pas ligibles la dcomposition en utilisant
lapproche originelle propose dans [Zhi97]. Par ailleurs, les oprateurs de lalgbre
des fonctions tant relativement nouveaux et peu connus, aucune tude de leur uti-
lisation concrte nexiste. Les mthodes de calcul proposes ici permettent dutiliser
les oprateurs de lalgbre des fonctions sans rentrer dans les dtails thoriques et de
construire des algorithmes de calcul faciles implmenter en langage informatique,
en utilisant par exemple un logiciel de calcul symbolique tel que Maxima, avec lequel
les calculs de ce mmoire ont t eectus.
Calcul des oprateurs de lalgbre des fonctions
Les mthodes de calcul des oprateurs de lalgbre des fonctions sont donnes dans
cette section. Les ides de base sont inspires de [ZS93]. En outre, des propositions sont
faites pour le calcul des dirents oprateurs, notamment une mthode alternative
propose pour le calcul de loprateur m.
a. Relations dordre et
Soit les fonctions indpendantes : X S et : X T. La fonction est infrieure
ou gale la fonction : si la relation suivante est satisfaite
rang
_
d
dx
_
= rang
_
_
d
dx
d
dx
_
_
(4.73)
o
d
dx
,
d
dx
sont les Jacobiennes des fonctions vectorielles et , et rang reprsente le
rang gnrique.
Illustration Soit les fonctions vectorielles (x) = [x
1
x
2
| x
3
]
T
et (x) = [x
1
x
2
x
3
] avec x =
[x
1
| x
2
| x
3
]
T
. On constate que puisque
rang
__
x
2
x
1
0
0 0 1
__
= rang
_
_
_
_
x
2
x
1
0
0 0 1
x
2
x
3
x
1
x
3
x
1
x
2
_
_
_
_
= 2 (4.74)
Considrons prsent la fonction
(x) = [x
1
x
2
+x
3
| x
1
x
2
]
T
. A partir de la relation qui
suit
rang
__
x
2
x
1
0
0 0 1
__
= rang
_
_
_
_
x
2
x
1
0
0 0 1
x
2
x
1
1
x
2
x
1
0
_
_
_
_
= rang
__
x
2
x
1
1
x
2
x
1
0
__
= 2
il apparat que
.
b. Lopration
et sont deux fonctions vectorielles telles que : X S et : X T. Si et sont
indpendantes alors le rsultat de lopration est donn par
=
_
_
(4.75)
Si et sont dpendantes i.e.
rang
_
d
dx
_
+rang
_
d
dx
_
rang
_
_
d
dx
d
dx
_
_
(4.76)
alors le rsultat est constitu des composantes de et de qui sont indpendantes
(toutes les lignes redondantes sont limines).
c. Lopration
Soit une fonction g : X ST telle que g = . Toutes les composantes de g, notes
g
i
, satisfont les relations
rang
_
_
d
dx
dg
i
dx
_
_
= rang
_
d
dx
_
et rang
_
_
d
dx
dg
i
dx
_
_
= rang
_
d
dx
_
(4.77)
o les
d
dx
reprsentent des Jacobiennes. Des quations direntielles partielles sont
dduites de ces galits, pour le calcul de chaque composante g
i
de g :
_
_
N
_
d
dx
_
=
_
dg
i
dx
_
N
_
d
dx
_
=
_
dg
i
dx
_
(4.78)
o N et N
sont des matrices non nulles. La fonction g = est alors donne par
g = g
1
g
i
Illustration Soit les fonctions = [x
1
x
2
|x
3
]
T
et = [x
1
|x
2
]
T
. Le rsultat est donn
par
= = [x
1
x
2
|x
3
]
T
puisque
, et [x
1
|x
2
]
T
[x
1
x
2
] (4.79)
Le calcul de passe par la rsolution des quations suivantes
_
_
N
_
x
2
x
1
0
0 0 1
_
=
_
g
1
x
1
g
1
x
2
g
1
x
3
_
N
_
1 0 0
0 1 0
_
=
_
g
1
x
1
g
1
x
2
g
1
x
3
_
(4.80)
et le rsultat est donn par
dg
1
dx
= [x
2
| x
1
| 0] g = = [x
1
x
2
] (4.81)
Nous pouvons vrier lexactitude de ce rsultat en utilisant la relation (4.78)
rang
_
_
x
2
x
1
0
0 0 1
x
2
x
1
0
_
_
= rang
_
_
1 0 0
0 1 0
x
2
x
1
0
_
_
= 2 (4.82)
d. Calcul de loprateur maximal M
Considrons (x) = [
1
(x) | |
l
(x)]
T
et f (x, u) deux fonctions vectorielles o les
i
(x) sont des fonctions scalaires. M() est dtermin par la relation
M() = M(
1
) M(
i
) M(
l
)
Pour calculer les dirents M(
i
), la dnition (3.34) est utilise pour obtenir la
relation suivante
d
i
dx
f (x, u) = (
1
(x), ,
p
(x), u) (4.83)
Les fonctions scalaires
1
(x), ,
p
(x) avec p l sont dtermines en utilisant
lquation (4.83).
Supposons que =

j
(x)b
j
(u) o les b
j
sont des fonctions linaires. La relation
(4.83) devient
d
i
dx
f (x, u) =
j
(x)b
j
(u) (4.84)
Pour des fonctions b
j
indpendantes, la fonction vectorielle (x) =
1
(x)
p
(x)
permet dexprimer lexpression
d
i
dx
f (x, u) i.e

d
i
dx
f (x, u) (4.85)
A partir des relations (4.85) et (4.85), est la plus grande fonction qui forme une
paire algbrique gauche avec et par consquent
M(
i
) = (4.86)
Si les dirents b
j
sont dpendants alors les fonctions
j
qui correspondent aux b
j
dpendants, ne participent pas au calcul de la fonction .
Remarque 4.3.4 Si la fonction de lquation (4.83) a une forme plus gnrale, les dif-
frentes fonctions
i
de la relation (4.84) doivent remplir une condition supplmentaire
[ZS93]. Sil existe r valeurs dentre u = w
1
, u = w
2
,. . ., u = w
r
telles que
i
(f (x, w
1
))
i
(f (x, w
2
))
i
(f (x, w
r
))
i
(4.87)
pour chaque i = 1..p, alors
M(
i
) =
1
(x)
p
(x) (4.88)
e. Calcul de loprateur minimal m
Le calcul de m() pour une fonction vectorielle (x) donne, se fait en utilisant la
dnition (3.33) :
((x), u)
dm()(x)
dx
f (x, u) (4.89)
o est une fonction dterminer. En utilisant la relation (4.73), la relation (4.89)
devient
rang
_
_
d
dx
dm
i
()
dx
df
dx
+f
T
_
d
dx
_
dm
i
()
dx
__
T
_
_
= rang
_
d
dx
_
(4.90)
o les m
i
() sont les composantes ligne de la fonction vectorielle m()(x). Par analogie
avec (4.73), des quation direntielles partielles sont dduites de la relation (4.90), et
la dtermination de m() passe par leur rsolution.
Cet ensemble dquations peut se rvler dicile rsoudre dans le cas gnral.
Dun autre cot, une solution particulire serait satisfaisante pour calculer m, et lhy-
pothse
d
dx
_
dm
i
()(x)
dx
_
= 0 (4.91)
est faite pour obtenir une solution simple (si cette solution simple existe). Lquation
rsoudre scrit maintenant sous la forme
dm
i
()
dx
df
dx
= N
d
dx
(4.92)
pour une matrice N non nulle dterminer. La relation (4.92) reprsente un ensemble
dquations linaires en
m
i
()
x
i
f. Calcul alternatif de loprateur m
Le cas o la relation (4.92) ne possde pas de solution est dlicat, puisque le calcul
de loprateur m passe alors par la rsolution de lquation (4.90). Pour remdier
cette situation, une solution alternative est propose.
Daprs les proprits de loprateur m, pour deux fonctions quelconques et
de D
X
la relation suivante est vrie

m() m(
) (4.93)
Ce qui veut dire que pour deux fonctions quivalentes
17
et
, les rsultats m() et

m(
) sont galement quivalents. En utilisant cette proprit, le calcul de loprateur

m pour un argument qui impose des calculs complexes, peut tre substitu par le
calcul de m pour un autre argument
eq
quivalent au premier. La complexit des
quations (4.90) est alors vite.
Le choix de la fonction de substitution
eq
doit tre ralis avec soin. Le critre de
choix prendre en compte est de faciliter la rsolution des quations (4.92) ou (4.90).
A cet eet, la connaissance de la fonction f ou de sa structure permettent de faciliter
ce choix.
Lide propose ici est inspire des mthodes de rsolution des quations diren-
tielles. La fonction de substitution
eq
est dtermine non pas sur D
X
mais sur D
f (X)
18
.
Par exemple, si la fonction f a la forme
f
i
(x, u) = a
(i,1)
(x)b
(i,1)
(u) + +a
(i,w)
(x)b
(i,w)
(u) (4.94)
o les fonctions f
i
(x, u) sont les composantes lignes f (x, u), alors la fonction de substi-
tution
eq
est donne par
eq
= a
(1,1)
(x) a
(i,v)
(x) (4.95)
o les direntes fonctions a
(1,1)
(x), , a
(i,v)
(x) sont indpendantes et la relation
a
(i,j)
(x) est satisfaite pour tous les i = 1..n et j = 1..v .
Remarque 4.3.5 Si aucune fonction quivalente ne peut tre trouve (ou napporte pas
la simplication de calculs escompte) et dans le cadre de la dcomposition avec critre de
dcouplage,
eq
peut tre choisie telle que
eq

17
dans le sens de la relation dordre sur D
X
18
D
f (X)
est ensemble des fonctions sur lensemble (resp. lespace vectoriel) image de (resp. espace) X
par la fonction f
puisque cela implique que
m(
eq
) m()
La fonction
eq
ainsi choisie doit, si possible, vrier la relation
eq
h cste
sous peine dchouer la vrication de la mesurabilit du sous-modle obtenu.
Cette substitution ne perturbe pas le droulement de lalgorithme de dcomposition 5 et
permet en particulier de mener terme la procdure itrative du thorme 4.2.
Illustration Soit la fonction f suivante
f (x, u) = [x
2
x
3
+u | x
2
+x
2
x
3
| x
1
]
T
, x = [x
1
| x
2
| x
3
]
T
(4.96)
Posons (x) = I
3x3
x = [x
1
| x
2
| x
3
]
T
. Pour calculer M((x)), les relations (4.83) et (4.88)
sont utilises :
M()(x) = [x
2
x
3
| x
2
| x
1
]
T
(4.97)
Posons (x) = I
3x3
x. La dtermination de m((x)) en utilisant la relation (4.92) ne per-
met pas dobtenir une solution. Prenons la fonction
eq
(x) = [x
2
x
3
| x
1
| x
2
]
T
La fonction
eq
vrie la relation
eq
et m(
eq
) est donne par
m(
eq
)(x) = [x
3
| x
1
+x
2
| x
1
]
T
(4.98)
Ce rsultat peut tre subsitu m() puisque m() m(
eq
).
Extension de lalgorithme de dcomposition par lutilisation des techniques dli-
mination de variables
Si lemploi de lalgorithme 5 ne permet pas de dterminer un sous-modle dcou-
pl, il est possible que cest la consquence de la taille insusante de lensemble des
fonctions candidates la dcomposition reprsent par la fonction
0
. Dans cette sec-
tion une transformation pralable du modle est propose, an que lensemble de fonc-
tions candidates soit le plus important possible. Cette transformation est obtenue en
utilisant des techniques dlimination de variables. La transformation prsente dans
cette section permet de traiter le cas o les entres dcoupler sont injectes linaire-
ment. Elle est obtenue en utilisant lalgorithme dlimination de Gauss. Le traitement
du cas o linjection est non linaire, par exemple une injection multiplicative den-
tres, reste une perspective en cours de dveloppement.
Lavantage de cette approche est la facilit dutilisation : des algorithmes ecaces
et rapides existent, et peuvent tre implments sur la plupart des logiciels de calcul
symbolique tels que Maple, MuPad, ou Maxima.
Dtermination de la transformation pralable pour une injection linaire dentres
dcoupler
Si la fonction
0
obtenue par le biais de la relation (4.25) ne satisfait pas lun des
critres de dcomposition, et si la relation (4.99)
rang
_
f (x, u, , )
_
< n (4.99)
o n reprsente la dimension de f , est vrie, alors une transformation pralable du
modle dcomposer est susceptible damliorer (ou de faciliter) la dcomposition.
Cette transformation est obtenue en liminant les variables dcoupler du modle
dcomposer.
Lordre dlimination est donn par la squence suivante
1
> >
k1
> x
1
> > x
n
> u
1
> > u
l
>
1
> >
k2
(4.100)
les variables les plus gauche sont liminer en priorit. Puisque lobjectif de la d-
composition est dobtenir un sous-modle dcoupl de et coupl , les entres
sont liminer en priorit et les entres ne doivent pas tre limines. Si lentre
dcoupler intervient sous forme linaire (injection linaire), le modle apparat sous la
forme suivante
_
x = f (x, u, ) +E
y = h(x)
(4.101)
o E est une matrice linaire. La relation (4.24) stipule que lensemble des fonctions de
dcomposition possibles
0
serait plus grand si linuence de sur le modle venait
diminuer. La transformation T permet de rduire cette inuence. Puisque linjection
est linaire, la transformation T est une matrice qui transforme la matrice dinjection
de la perturbation E.
TE =

E =
_
D
0
_
(4.102)
o D est une matrice diagonale. Le modle (4.101) est transform en consquence
f (x, u) +K +E
T
_

f
1
( x, u, ) +D
f
2
( x, u, )
(4.103)
Il nest pas ncessaire de dterminer le rsultat de la transformation des quations
dtat (

f
1
,

f
2
). En ralit, seules les quations qui liminent le signal sont utiles.
Puisque rang[E] = rang[D] = r, la transformation T gnre (n r) tats dcoupls for-
mellement par rapport linuence des entres . La matrice de transformation T est
dtermine partir de E par limination gaussienne.
Le calcul de la matrice T nest pas toujours vident. En appliquant lalgorithme
dlimination gaussienne sur E, une matrice

E est obtenue. Si E nest pas carre mais
rectangulaire, alors T peut pas tre obtenue par la relation
T =

EE
1
(4.104)
La solution vient de lutilisation de la pseudo inverse de E
E
+
=
_
E
T
E
_
1
E
T
(4.105)
avec la contrainte que E soit de rang plein colonne. La matrice de transformation T est
alors donne par
T =

EE
+
(4.106)
Lobjectif vis par la dtermination de T est lobtention de nouvelles fonctions can-
didates an daugmenter la fonction dinitialisation
0
ce qui amliore les perfor-
mances de lalgorithme de dcomposition.
T =
_
_
t
1,1
. . . . . . t
1,n
t
r,1
. . . . . . t
r,n
t
r+1,1
. . . . . . t
r+1,n
t
n,1
. . . . . . t
n,n
_
0
_
_
(4.107)
o t
j,k
sont les composantes de T. Les lments de
0
sont les combinaisons des tats
du modle qui liminent le signal de perturbation.
Exemple de dcomposition pour une injection linaire de dfaillances
Considrons le systme suivant :
_
_
x
1
= x
2
x
3
+u
1
+
x
2
= x
4
2
+ +
x
3
= x
4
x
5
+
x
4
= x
1
x
4
x
5
+x
2
x
3
u
2
x
5
= x
4
+x
3
u
3
_
_
y
1
= x
1
y
2
= x
4
y
3
= x
5
(4.108)
o reprsente la perturbation et reprsente la dfaillance dtecter. La fonction
dinitialisation
0
est dtermine en utilisant la relation 5
0
(x) = [x
4
| x
5
]
T
(4.109)
La fonction
0
(x) slectionne les tats qui ne sont pas inuencs par la perturba-
tion . Par analogie, les tats qui ne sont pas inuencs par la dfaillance forment la
fonction
0
(x) (4.32) :
0
= [x
1
x
3
x
4
x
5
]
T
(4.110)
Ltape suivante consiste dterminer
qui est la partie de

0
qui satisfait
m(
h)

Le thorme 4.2 est utilis pour dterminer
.
La premire itration donne
1
=
0
m(
0
h)
= [x
4
x
5
]
T
m
_
[x
1
|x
4
x
5
]
T
_
= [x
4
] (4.111)
Puisque
1

0
, alors une seconde itration est ncessaire
2
=
1
m(
1
h)
= [x
4
] m
_
[x
1
x
4
x
5
]
T
_
= [x
4
] (4.112)
Puisque
1

2
, alors
= [x
4
].
Le critre de couplage nest pas satisfait, puisque
0

. Cela implique que le

sous-modle dcoupl gnr partir de
ne sera pas coupl la dfaillance.

Une solution peut tre obtenue en utilisant la transformation du modle propose
prcdemment. La mthode de Gauss est utilise pour liminer la perturbation dun
maximum dquations.
Le systme devient
_
x
1
= x
1
= ( x
1
x
2
)( x
1
x
2
x
3
) +u
1
+
x
2
= x
1
x
2
= ( x
1
x
2
)( x
1
x
2
x
3
) x
2
4
+u
1
x
3
= x
2
x
3
= x
4
( x
4
x
5
) +
x
4
= x
4
= x
1
x
4
x
5
+( x
1
x
2
)( x
1
x
2
x
3
)u
2
x
5
= x
5
= x
4
+( x
1
x
2
x
3
)u
3
_
_
y
1
= x
1
y
2
= x
4
y
3
= x
5
(4.113)
La fonction
0
est donne par
0
= [ x
2
x
3
x
4
x
5
]
T
(4.114)
Par analogie, les tats qui ne sont pas inuencs par la dfaillance forment
0
(x)
0
= [ x
1
x
4
x
5
]
T
(4.115)
Nous constatons que
0

0
.
A prsent la fonction
est recherche. La premire itration du thorme 4.2

donne
1
=
0
m(
0
h)
= [ x
2
x
3
x
4
x
5
]
T
m
_
[ x
1
x
2
x
3
x
4
x
5
]
T
_
= [ x
2
x
3
x
4
]
T
(4.116)
Puisque
1

0
, une seconde itration est ncessaire
2
=
1
m(
1
h)
= [ x
2
x
3
x
4
]
T
(4.117)
Puisque
1

2
, alors
= [ x
2
x
3
x
4
]
T
. Par ailleurs,
0

, ce qui implique que le

sous-modle gnr pourra ventuellement tre sensible la dfaillance.
Ltape suivante est la dtermination du modle
en slectionnant les fonctions

qui satisfont la contrainte M() (h) en utilisant lalgorithme 4
1. La premire itration initialise lalgorithme avec une fonction qui satisfait la
contrainte de mesurabilit :
1
=
h = [ x
4
]
2. La condition M() (h) est vrie une premire fois pour
1
:
h
1
= [ x
1
| x
4
| x
5
]
T
M(
1
)
La condition nest pas satisfaite puisque
M(
1
) = [ x
1
x
4
x
5
| x
2
x
3
| x
1
x
3
| x
1
x
2
| x
2
1
| x
2
2
]
T
3. Une seconde itration est initie, en choisissant la fonction
2
= [ x
2
| x
3
]
T
qui satisfait
et h
1
2
M(
1
)
4. La condition M() (h) est vrie une seconde fois
h
1
2
= [ x
1
| x
2
| x
3
| x
4
| x
5
]
T
M(
2
)
Il apparat que la condition est satisfaite pour cette fonction puisque
M(
2
) =
_
x
2
x
3
| x
1
x
3
| x
1
x
2
| x
2
1
| x
2
2
| x
2
4
| x
4
x
5
_
T
5. La fonction de dcomposition est donne par
=
1
2
= [ x
2
| x
3
| x
4
]
T
Puisque
0
= x
4
cste
0
, alors le systme
est sensible la dfaillance.

La description de
est donne par

_
_
x
1
=

x
2
= (y
1
x
1
)(y
1
x
1
x
2
) y
2
2
+u
1
x
2
=

x
3
= y
2
( y
2
y
3
)
x
3
=

x
4
= y
1
y
2
y
3
+(y
1
x
1
)(y
1
x
1
x
2
)u
2
(4.118)
avec y
= x
3
et c( y) = y
2
4.4. Dcomposition des modles comportementaux vnementiels 103
4.3.6 Conclusion
Le principe de la dcomposition de modles temporels avec des critres de cou-
plage et de dcouplage a t prsente et illustre par des exemples. La mthode de
dcouplage prsente dans [Shu91, ZS93] a t tout dabord dveloppe et discute.
Des solutions ont ensuite t proposes pour amliorer lalgorithme de dcomposi-
tion :
une approche alternative de calcul pour certains oprateurs de lalgbre des fonc-
tions est propose, ainsi que le dtail du calcul des autres oprateurs,
une optimisation de ltape dinitialisation est suggre. La recherche du plus
grand ensemble de fonctions candidates est ralise en minimisant au pralable
linuence formelle de lentre dcoupler grce lutilisation de techniques
dlimination de variables. Le cas de linjection linaire des entres est trait en
utilisant llimination Gaussienne. Le cas non linaire est une perspective en d-
veloppement.
Le rsultat de la dcomposition se prsente sous la forme de sous-modles dcou-
pls qui sont par la suite utiliss pour la gnration de rsidus structurs (voir chapitre
2).
4.4 Dcomposition des modles comportementaux v-
nementiels
4.4.1 Introduction et objectifs
Cette section est consacre la dcomposition des modles vnementiels. La m-
thodologie dcrite pour le cas gnral est reformule en utilisant les outils de lalgbre
des paires. Les critres et les contraintes de la dcomposition sont traduits pour cor-
respondre aux modles reprsents par des machines squentielles. La rcriture des
contraintes de dcomposition permet de montrer les analogies entre des notions lies
aux modles temporels et celles lies aux modles vnementiels, notamment en ce qui
concerne le critre dexistence du sous-modle. Lalgorithme gnral de dcomposition
est ensuite formul et un exemple didactique est prsent pour lillustration.
Considrons la machine squentielle dcrite par le quintuplet (S, I, O, , ), o S, I
et O sont respectivement les ensembles nis dtats, dentres et de sorties et o et
sont respectivement lapplication de transition dtat et lapplication de sortie dcrites
par
: SI S et : S O (4.119)
Lensemble dentres est compos de deux sous-ensembles :
sous-ensemble dvnements connus not I
c
sous-ensemble dvnements inconnus I
nc
= I
, o I
est lensemble dvne-

ments reprsentants des dfaillances et I
est lensemble dvnements reprsen-

tants des perturbations.
Pour un sous-ensemble dentres I
donn, la dcomposition de la machine squen-

tielle donne deux machines squentielles partielles
et
est la machine squentielle partielle dcouple du sous-ensemble dentres I
et couple au sous-ensemble I
. La dimension de la machine dcouple doit tre

maximale.

est la machine squentielle partielle couple au sous-ensemble dentres I
.
Cest le modle complmentaire .
Pour obtenir une machine squentielle partielle dcouple partir de , un parti-
tionnement de lensemble dtats est fait, suivant une partition note
. La manipula-
tion de partitions densembles nis est plus simple dun point de vue calculatoire que
la manipulation de partitions densembles innis, et cest pour cette raison que nous
nexprimerons plus le problme de dcomposition laide de fonctions, mais directe-
ment en termes de partitions.
Considrons la machine squentielle partielle
(S
, I
, O
) obtenue en parti-
tionnant lensemble dtats S de la machine squentielle , alors les ensembles du
quintuplet qui dcrivent
sont donns par :

S
: une partition de S,
I
=
I
: une partition de I,
O
=
O
: une partition de O,
o
I
et
O
sont respectivement les partitions de I et de O qui sont associes
. Les
applications
et
sont respectivement les restrictions de et de :
et
O
(4.120)
Le problme de dcomposition consiste dterminer la partition
de lensemble
dtats S qui satisfait les critres de dcomposition. La machine squentielle partielle
complmentaire
est dtermine partir de la partition
qui satisfait
= S (4.121)
Les deux machines squentielles partielles permettent de restituer lvolution du
modle complet .
4.4.2 Mthodologie de dcomposition dun modle vnementiel
Lensemble des critres et des contraintes de dcomposition est repris dans cette
section en utilisant les outils de lalgbre des paires. La possibilit de manipuler di-
rectement les partitions permet de saranchir de certaines tapes qui sont ncessaires
pour la dcomposition des modles temporels.
Critres de dcomposition
Le critre de dcomposition est double :
le couplage par rapport un sous-ensemble dvnements I
,
le dcouplage par rapport un sous-ensemble dvnements I

Le problme est formul de sorte obtenir la plus grande machine squentielle par-
tielle dcouple de I
en gardant le couplage I
. Un partitionnement de lensemble
dentres est fait en fonction du critre de dcomposition. Cette partition est la plus
ne partition possible pour satisfaire la condition de dimension.
Critre de dcouplage
Le critre de dcouplage dni prcdemment pour le cas gnral, est repris en
termes dalgbre des paires.
Soit un vnement a I. La partition
I
dcouple du sous-ensemble I
= {a} est
dnie suivant la procdure suivante :
Un vnement virtuel i
0
est dni tel que :
s S : (s, i
0
) = s (4.122)
Cet lment reprsente llment neutre de lapplication . i
0
est ajout lensemble
dentres I de la machine squentielle . La partition triviale Cde I, qui est la partition
la plus ne possible de I, est par dnition dcouple par rapport i
0
.
La plus ne partition de lensemble dentres dcouple par rapport I
est la par-
tition qui regroupe dans un seul bloc les vnements i
0
et a. Cette partition est note
I
0
(4.123).
I
0
= {i
0
, a, i
1
, , i
l
} (4.123)
o les dirents i
j
reprsentent les vnements dentre. La partition
I
0
entrane une
partition de lensemble dtats note
0
. La partition
0
est dnie comme la plus ne

partition de lensemble dtats dcouple de I
. Cette partition est obtenue en utilisant

loprateur m de lalgbre des paires :
= m
IS
(
I
0
) (4.124)
Considrons
une machine squentielle partielle extraite de (S, I, O, , ).
est
dcouple de I
si son ensemble dtats S
peut tre exprim en utilisant seulement des

lments de la partition
0
. Ce qui scrit en termes dalgbre des paires :
(4.125)
o
est la partition de dcomposition de S. La relation (4.125) exprime le critre que

doit satisfaire la partition
pour obtenir un sous-modle dcoupl de I
.
Critre de couplage
Le critre de couplage est dni de la mme manire que pour le cas des modles
temporels (4.32). Soit un vnement b I tel que b I
. Un critre est donn pour

vrier quune machine squentielle partielle dcouple dun sous-ensemble dentres
I
reste couple lvnement b.

La partition
I
dcouple de lvnement b est dnie par la relation

I
= {i
0
, b, i
1
, , i
l
}
et la partition dtat correspondante est donne par

0
= m
IS
(
I
0
) (4.126)
La machine squentielle partielle
, obtenue par dcomposition de par rapport

une partition
, est couple b si la relation suivante est satisfaite

0
(4.127)
o
0
est dtermine par la relation (4.126)

Les contraintes de dcomposition
Les contraintes de dcomposition pour le cas gnral sont transposes dans le cadre
des machines squentielles. Rappelons quun modle
dcrit une partie dun autre

modle si les conditions suivantes sont respectes :
Lensemble dtats de
est un sous-ensemble (ou une partition) des tats de :

S
S ou S
= (S) o est une partition de S. La restriction de lapplication dtat

lensemble S
doit exister.
Les sorties de
et de sont cohrentes entre elles : Pour les tats similaires des

deux modles, les sorties doivent tre similaires galement. Lensemble de sorties
O
doit tre un sous-ensemble ou une partition de O et la fonction de sortie
doit tre une restriction de sur un sous-ensemble de Y
.
Les contraintes dinvariance et de mesurabilit sont satisfaites si
est une image

homomorphe de (voir annexe A et [HS66]). Dans la suite de cette section, la proprit
de substitution dcrite dans le chapitre prcdent la section 3.3.2 est utilise pour
dmontrer lhomomorphisme de machines squentielles.
a. Contrainte dexistence et proprit de substitution
Considrons la machine dtat
E
: (S, I, ) extraite de la machine squentielle d-
nie par (S, I, O, , ). Soit une partition de S qui possde la proprit de substitution
par rapport . La proprit de substitution implique que chaque bloc de a pour
image selon un autre bloc de .
, i I : (, i) (4.128)
Lquation (4.128) implique quil existe une restriction de sur note
telle que :
: I

() (4.129)
La relation suivante permet de dterminer la partition de lensemble dentres I qui
est associe :
I
= M
IS
() (4.130)
tous les lments de
I
qui sont dans le mme bloc que llment neutre i
0
de I sont
galement neutres par rapport lapplication
:
B
I
(i
0
) , s
(s
, ) = s
La machine dtat
E
dnie par le triplet (S
, I
) o S
= et I
=
I
est une image
homomorphe de la machine squentielle suivant la dnition donne dans lannexe
A. Par ailleurs,
est dcouple de toutes les entres B
I
(i
0
).
La condition dexistence dune machine squentielle partielle peut tre formule
par rapport sa partition de dnition . En gnralisant cette notion pour les ma-
chines de Moore, une partition qui possde la proprit de substitution dnit une
machine squentielle partielle de (S, I, O, , ) ralisable. Cette machine squentielle
partielle est dcrite par le quintuplet
(, M
IS
(), O
)
o
est une restriction de sur et O
et
sont quelconques. La contrainte dexis-

tence dune machine squentielle partielle dtermine par est alors formule en
termes dalgbre des paires par
(, )
(4.131)
La relation (4.131) est satisfaite si :
M() (4.132)
m() (4.133)
Si les relations (4.132) et (4.133) sont satisfaites, alors la partition permet de
dterminer une machine squentielle partielle de .
Illustration Considrons la machine squentielle dcrite par la table (4.1)
a b o
1 2 3 N
2 1 3 O
3 3 2 O
Tab. 4.1 Table de transition dtats de
et la gure 4.3.
Fig. 4.3 Graphe reprsentant la machine squentielle
La partition = {1, 2, 3} satisfait la contrainte dexistence puisque
m
_
{1, 2, 3}
_
= {1, 2, 3}
et que la proprit m() (4.133) est satisfaite. possde alors la proprit de sub-
stitution et (, ) forme une paire algbrique. La machine
obtenue par le biais de est

reprsente par la gure 4.4. Le symbole X dsigne ici une sortie O ou N, ce qui implique
que cette machine squentielle partielle ne satisfait pas la contrainte de mesurabilit traite
par la suite dans ce chapitre.
Fig. 4.4 Graphe reprsentant la machine squentielle partielle
Notons au passage que la partition
= {1, 3, 2} ne satisfait pas la contrainte dexistence

puisque
m
_
{1, 3, 2}
_
= {1, 2, 3}
et que m(
. Cela implique que la partition
ne possde pas la proprit de substi-

tution. La gure 4.5 illustre le rsultat de la dcomposition. Il apparat clairement que le
modle vnementiel
nest pas une machine squentielle dterministe et de ce fait ne peut

pas reprsenter une machine squentielle partielle de .
Fig. 4.5 Graphe reprsentant
Contrainte dexistence tendue et injection de sorties pour une machine squen-

tielle
Dans la section prcdente, une analogie a t montre entre la contrainte dexis-
tence formule dans le cas gnral (et dans le cas temporel) et la proprit de substi-
tution des partitions pour le cas vnementiel. Cette analogie permet de gnraliser
la formulation de la contrainte dexistence en utilisant la notion de paire algbrique.
Nous avons dni par ailleurs un critre dexistence tendu pour le cas gnral, en
utilisant une injection de sortie. Linjection de sorties est une dmarche relativement
courante dans le cadre des modle temporels [DI01], mais demeure inexploite dans
le cadre des machines squentielles.
Nous prsenterons dans cette section un critre dexistence tendu bas sur cette
notion dinjection de sorties pour une machine squentielle. Rappelons que le critre
dexistence tendu tabli pour les modles temporels sexprime algbriquement par
(h, ) est une paire algbrique
ce qui est vri si
(h) M() et m(h)
o m, M et sont des oprateurs de lalgbre des fonctions, est la fonction de dcom-
position et h est la fonction de sortie du modle temporel dcomposer. En utilisant
une approche analogique, un critre dexistence tendu est propos pour la dcompo-
sition de machines squentielles.
Soit une partition qui ne possde pas la proprit de substitution vis--vis dune
machine squentielle (S, I, O, , ). Elle dnit une partie de qui ne peut tre ralise
sous la forme dune machine squentielle partielle. La partition nest pas assez ne.
En anant laide dune injection de sorties, il est possible de satisfaire la proprit
de substitution, puisque par dnition la partition minimale C possde la proprit
de substitution.
Considrons
, la partition de lensemble dtats S induite par la fonction de sortie

. Cette partition regroupe tous les tats qui gnrent une sortie similaire et se calcule
en utilisant loprateur M :
= M
SO
(C) (4.134)
o C est la partition minimale triviale de lensemble O. Considrons la partition
.

qui reprsente la partition de lensemble dtats en fonction de et an par une
injection de sorties. Si (.
) alors il est possible que la partition .
possde la
proprit de substitution.
Par analogie au cas gnral, le critre dexistence tendu est formul par la relation
suivante
(.
, ) forme une paire algbrique (4.135)

Cette condition est satisfaite si les deux relations suivantes sont vraies
19
M() (.
) (4.136)
m(.
) (4.137)
Si le critre (4.135) est satisfait, alors une dcomposition de suivant est possible
laide dune injection de sorties. Nous obtenons alors la machine squentielle partielle
. Linjection de sorties est ralise en augmentant lensemble dentres de
avec
lensemble de sortie de . Le nouvel ensemble dentres I
est donn par

I
= M
IS
() O
o reprsente le produit cartsien des ensembles I et O.
Pour rsumer, si une partition satisfait le critre dexistence tendu vis--vis dune
machine squentielle alors elle permet de dterminer une machine squentielle par-
tielle
dcrite par le quintuplet

(S
, I
, O
)
o S
= , I
= M
IS
() O,
: S
(s, (i, o)) (s o, i)

o O
et
restent dnir .
Rigoureusement parlant,
nest pas une partie de , mais une machine squen-

tielle qui estime lvolution de la partie de qui est dtermine par .
Remarque 4.4.1 Une consquence de lutilisation du critre tendu est une augmentation
consquente du nombre dentres ce qui peut poser un problme pour des systmes avec
ensemble de sorties de cardinalit importante. Ce problme est strictement calculatoire et la
solution peut tre optimise en fonction du cas trait, en utilisant uniquement une partition
particulire de lensemble O au lieu de la partition minimale C.
19
Suivant les proprits de lalgbre des paires, et pour des modles de type machines squentielles,
si lune de ces conditions est satisfaite, alors lautre condition est satisfaite galement.
Illustration Considrons la machine squentielle de lexemple prcdent, et la partition
= {1, 3, 2}. En utilisant la contrainte dexistence tendue, nous allons dterminer la ma-
chine squentielle partielle
. La partition de S induite par est donne par
= {2, 3, 1}
la contrainte dexistence est satisfaite puisque
.
= C
et
m(C) = C
La machine squentielle partielle
est montre par la gure 4.6. Lensemble dentres est

donn par
I
= {(a, O), (a, N), (b, O), (b, N)}

Fig. 4.6 Graphe reprsentant la machine squentielle partielle
Contrainte de cohrence des sorties : la proprit de mesurabilit

La contrainte de mesurabilit est dmontre dans le cas gnral par lexistence
dune restriction de la fonction de sortie sur les sous-ensembles dtats et de sorties
obtenus par la dcomposition. Nous avons vu dans la section prcdente qui traitait
de la contrainte dexistence, que lexistence dune restriction peut tre dmontre en
utilisant la proprit de substitution.
Par analogie, si la partition de dcomposition possde la proprit de substitution
par rapport lapplication alors la restriction de sur la partition existe et le critre
de mesurabilit est satisfait. Ce qui scrit mathmatiquement par
(, )
(4.138)
ce qui signie que (, ) est une paire algbrique par rapport . Cette proprit est
satisfaite si la relation
M
SO
(C) (4.139)
est vrie. Si la relation (4.139) est satisfaite alors la machine squentielle partielle
obtenue par est cohrente avec toutes les sorties de ce qui rduit considrablement
les possibilits de succs de la dcomposition.
Si une restriction de sur au moins une partition non triviale de O existe, alors
la contrainte de mesurabilit est satisfaite. Cette contrainte est susante pour vrier
que la machine squentielle partielle est cohrente en sorties avec le modle complet.
En utilisant une formulation algbrique, cette contrainte scrit par
M
SO
(C) + T (4.140)
o T et C sont respectivement les partitions triviales maximale et minimale de O. La
partition de lensemble dtats induite par lensemble de sorties doit avoir une inter-
section nulle avec .
Illustration Considrons la machine squentielle (gure 4.7) dcrite par la table 4.2 :
a b o
1 2 3 O
2 1 3 O
3 3 2 N
Tab. 4.2 table de transition dtat de la machine squentielle
Fig. 4.7 Graphe illustrant la machine squentielle
Dterminons en premier lieu la partition
= M
SO
(C) = {1, 2, 3}
La partition = {1, 2, 3} satisfait la contrainte de mesurabilit puisque
+ = T
Il savre que
, ce qui implique que possde la proprit de substitution par

rapport . Les sorties du sous-modle obtenu sont donc cohrentes avec toutes les sorties
de .
La partition
= {1, 3, 2} par contre ne satisfait pas la contrainte de mesurabilit puisque
= {1, 2, 3} = T
Les sorties de la machine squentielle partielle obtenue par la partition de dcomposition
ne pourront pas tre compares au modle complet.

Implmentation de lalgorithme de dcomposition gnralis en utilisant les op-
rateurs de lalgbre des paires
Lintgralit des critres et des contraintes de dcomposition ont t traduits dans le
formalisme de lalgbre des paires tout en tenant compte des spcicits des machines
squentielles. Ces critres et ces contraintes nous permettent de raliser lalgorithme
2, qui, rappelons le, comporte les phases suivantes :
1. une phase dinitialisation : lensemble des solutions candidates est dtermin
partir du critre de la dcomposition,
2. une phase itrative de recherche de solutions qui rpondent aux contraintes de
la dcomposition :
une solution qui satisfait la contrainte de mesurabilit est choisie,
une procdure itrative est initie pour retrouver la partition qui satisfait la
contrainte dexistence,
si aucune partition ne satisfait la contrainte dexistence, une autre solution me-
surable est slectionne et la phase itrative recommence.
Alissu de litration, un sous-modle dcoupl est obtenu. Ce sous-modle satis-
fait le critre de dcouplage et les deux contraintes de dcomposition. La dimen-
sion du sous-modle est la plus grande possible, puisque lalgorithme eectue
une limination partir dun ensemble de solutions.
3. une phase de vrication de couplage : Le sous-modle dcoupl obtenu est
confront au critre de couplage. Si ce critre nest pas satisfait, les sorties du
sous-modle ne seront pas sensibles lvnement dtecter.
Lalgorithme de dcomposition propos dans cette section prend en considrations
les spcicits des machines squentielles. Comme il a t mentionn prcdemment,
les modles comportementaux dcrits sous la forme
: x
+
= f (x, w)
garantissent la monotonicit des oprateurs algbriques m et M
20
.
La monotonicit implique que si m() alors la relation M() est vrie,
puisque M(m()) M() et que M(m()). En outre, si m(.
) , alors en suivant
la mme dmarche (.
) M() est satisfaite. Cette proprit permet de simplier

lalgorithme de dcomposition en recherchant uniquement les solutions qui satisfont
m() ou m(.
)
20
voir les proprits des oprateurs de lalgbre des paires au chapitre 3
au lieu de la double contrainte qui simpose dans le cas gnral. Lalgorithme comporte
alors une seule itration qui dtermine la partition avec proprit de substitution sui-
vant le thorme 4.2. En outre puisque la seconde itration est inutile, la phase de
vrication comporte un test supplmentaire, celui de la mesurabilit.
La structure de lalgorithme simple est donne par le pseudo code 7.
Entres : (S, I, O, , )
Sorties : (partition de dcomposition)
dbut
= m
IS
(
) o
est la partition qui dcouple le sous-ensemble I
;

0
= m
IS
(
) o
= M
SO
(C) ;
0
=
0
;
tant que
i

i1
faire
i+1
= m(
i
) +
i
;
n
=
i
;
si = T alors
retourner Dcomposition impossible
n
si +
= T alors
retourner Critre de mesurabilit non rempli par
sinon
retourner Critre de mesurabilit rempli par
n
si
0
alors
sinon
n
n
Algorithme 7 : Algorithme de dcomposition simple en termes dalgbre des paires
La structure de lalgorithme tendu est donne par le pseudo code 8.
Le rsultat de lalgorithme de dcomposition est une partition qui permet dob-
tenir une machine squentielle partielle dcouple dun sous-ensemble dentres I
et
couple un sous-ensemble dentres I
.
Illustration de la dcomposition dun modle vnementiel
Considrons le modle vnementiel dcrit par la gure 4.8 et la table 4.3
Entres : (S, I, O, , )
Sorties : (partition de dcomposition)
dbut
= m
IS
(
) o
;

0
= m
IS
(
) o
= M
SO
(C) ;
0
=
0
;
tant que
i

i1
faire
i+1
= m(
i
.
) +
i
;
n
=
i
;
si = T alors
retourner Dcomposition impossible
n
si +
= T alors
retourner Critre de mesurabilit non rempli par
sinon
retourner Critre de mesurabilit rempli par
n
si
0
alors
sinon
n
n
Algorithme 8 : Algorithme de dcomposition tendu en termes dalgbre des paires
Fig. 4.8 Reprsentation graphique de modle
a b c d f
1
f
2
o
1 3 - 4 2 4 - O
2 1 5 4 - - - Q
3 - 4 - 5 - 5 N
4 5 1 - 2 - - O
5 4 3 - - - N
Tab. 4.3 Table de transitions de la machine
est un modle 5 tats, 4 vnements connus et deux vnements inconnus f
1
et
f
2
. Nous allons illustrer la mthode de dcomposition un critre de dcouplage par
rapport I
= {f
2
} et nous vrierons le couplage par rapport I
= {f
1
} .
La premire tape consiste calculer lensemble des solutions candidates la d-
composition qui satisfont le critre de dcouplage reprsent par la partition
0
.
La partition de lensemble dentres I qui dcouple I
est donne par
= {i
0
, f
2
, a, b, c, d, f
1
}
La partition de lensemble dtats correspondante est donne par
= m
IS
(
) = {3, 5, 1, 2, 4}
A prsent, la plus grande partition satisfait la contrainte dexistence
0
=
0
1
=
0
+m(
0
) = {1, 2, 4, 3, 5} =
1
Puisque
0
=
1
alors = {1, 4, 2, 3, 5}.
La phase de vrication consiste tester la mesurabilit et le couplage par rapport
I
.
La partition de S induite par la sortie est donne par la relation
= {1, 4, 2, 3, 5}
La contrainte de mesurabilit est vrie par puisque
+
T
La vrication du critre de couplage consiste dterminer la partition dentres
qui dcouple I
= {i
0
, f
1
, a, b, c, d, f
2
}

0
= m
IS
(
) = {1, 4, 2, 3, 5}
Le critre de couplage par rapport I
est vri puisque

0

Finalement, la machine squentielle partielle
f
1
obtenue par la partition de d-
composition est donne par la table 4.4
a b c d f
1
o
1
= 1 3 - 4 2 4 O
2
= 2 1 3 4 2 - Q
3
= 3, 5 - 4 - - - N
4
= 4 3 1 - 2 - O
Tab. 4.4 Table de transitions de la machine squentielle partielle
f
1
La gure 4.9 montre le graphe reprsentant le sous-modle dcoupl par rapport
f
2
.
Fig. 4.9 Graphe dtat de la machine squentielle partielle
f
1
A prsent nous allons tenter de rsoudre le problme inverse en posant I
= {f
1
} et
I
= {f
2
} et en recherchant la partition de dcomposition qui permet le dcouplage de
I
et le couplage I
:
La premire tape consiste calculer lensemble des solutions candidates repr-
sent par la partition
.
La partition de lensemble dentres I qui dcouple de I
est donne par
= {i
0
, f
1
, a, b, c, d, f
2
}
= m
IS
(
) = {1, 4, 2, 3, 5}
A prsent, la plus grande partition qui satisfait la contrainte dexistence va main-
tenant tre calcule (boucle tant que de lalgorithme 8)
0
=
1
=
0
+m(
0
) = {2, 3, 5, 1, 4} +{3, 5, 1, 2, 4} = {1, 4, 2, 3, 5}
Puisque
1

0
une seconde itration est ncessaire
2
=
1
+m(
1
) = {2, 3, 5, 1, 4} +{3, 5, 1, 2, 4} = {1, 4, 2, 3, 5} =
1
Puisque
2
=
1
alors
= {1, 4, 2, 3, 5}.
La phase de vrication consiste tester la mesurabilit et le couplage par rapport
I
. Rappelons que
est la partition de S induite par la sortie :
= {1, 4, 2, 3, 5}
La contrainte de mesurabilit est vrie par
puisque
T
La vrication du critre de couplage consiste dterminer la partition dentres
qui dcouple I
= {i
0
, f
2
, a, b, c, d, f
1
}
= m
IS
(
) = {3, 5, 1, 2, 4}
Le critre de couplage par rapport I
nest pas vri puisque
Finalement, la machine squentielle partielle

f
2
obtenue par la partition de d-
composition
est donne par la table 4.5

a b c d f
2
o
1
= 1, 4 3 - - 2 - O
2
= 2 1 3 1 - - Q
3
= 3, 5 - 1 - - - N
Tab. 4.5 Table de transitions
f
2
La gure 4.10 montre le graphe de
f
2
. La machine squentielle partielle dcouple
de f
1
existe mais malheureusement elle est galement dcouple de f
2
. Elle ne peut
donc pas servir dtecter lvnement f
1
.
Fig. 4.10 Graphe dtat de la machine squentielle partielle
f
2
4.4.3 Conclusion
La dcomposition des systmes reprsents par des machines squentielles a t
aborde dans cette section. La mthodologie de dcomposition prsente pour le cas
gnral a t reprise et formule en utilisant les outils de lalgbre des paires.
La mthodologie en elle-mme nest pas nouvelle, puisque le principe de dcom-
position de machines squentielles qui utilise la proprit de substitution a dja t
prsent dans louvrage [HS66]. Par contre, lobjectif poursuivi, cest--dire lobtention
de machines squentielles dcouples, et les critres de dcomposition sont nouveaux
dans le cadre vnementiel. En outre, une extension de la mthode de dcomposition
classique a t propose, base sur le principe de linjection de sorties qui est re-
lativement connu dans le domaine des modles temporels, mais qui est nouveau dans
le domaine des modles vnementiels. Par ailleurs, une analogie entre la proprit
de substitution des machines squentielles et la proprit dinvariance des fonctions
temporelles a t mise en vidence.
Un dernier point mrite par ailleurs dtre soulign : la mthodologie de dcompo-
sition est strictement identique au cas temporel, y compris dans ses aspects mathma-
tiques, puisque lalgbre des paires et lalgbre des fonctions sont similaires sauf en ce
qui concerne les aspects calculatoires des dirents oprateurs.
4.5 Conclusion gnrale
Dans ce chapitre, les contributions majeures de cette thse ont t prsentes
1. Une mthodologie gnrale de dcomposition avec critres de couplage et de d-
couplage par rapport aux entres a t prsente. Les ides classiques de d-
composition dautomates formules dans [HS66] et son extension aux modles
temporels prsente dans [Shu91, ZS93] et complte dans [Zhi01, SZ05, Zhi06,
ZM04] ont t utilises pour gnraliser la mthodologie de dcomposition aux
modles comportementaux analytiques. La mthodologie a t formule avec un
haut degr dabstraction en utilisant des notions de la thorie des ensembles,
pour proposer des quivalents aux conditions de dcomposition existantes. Les
conditions de dcomposition proposes sappliquent tout les types de modles
comportementaux dterministes.
2. La mthodologie de dcomposition propose dans [Shu91],...,[Zhi06], a t tu-
die et des amliorations sur divers aspects, en particulier calculatoires, ont t
proposs. Ces amliorations ont pour vocation de complter les travaux dj exis-
tants :
Le premier aspect dvelopp est le calcul des dirents oprateurs de lalgbre
des fonctions qui nest pas abord dans la littrature. En outre, une ide nou-
velle a t propose pour le calcul de loprateur men utilisant la notion dqui-
valence de fonctions.
Le deuxime aspect dvelopp est une proposition qui concerne la premire
tape de lalgorithme de dcomposition. Cette proposition a pour objectif lop-
timisation, en terme de dimension, de lensemble des solutions candidates
4.5. Conclusion gnrale 121
la dcomposition. Des techniques dlimination de variables sont utilises
cet eet. Le cas de linjection linaire de dfaillances a t trait en utilisant
lalgorithme dlimination de Gauss. Linjection non linaire polynomiale reste
pour linstant une perspective en phase de ralisation. Les ides utilises pro-
viennent des techniques dlimination de variables par bases de Groebner.
3. La partie thorique de la dcomposition des machines squentielles [HS66] pro-
pose une approche de dcomposition avec des critres de dcouplage. Cette ap-
proche vient complter lautre contribution de cette thse qui est une nouvelle
approche de dtection de dfauts par gnration dindicateurs de dfaillances.
Lalgorithme de dcomposition a t crit de manire reprendre les tapes de
la dcomposition de modles temporels. Cette approche a permis dtendre des
mthodes connues dans le domaine des modles temporels celui des modles
vnementiels. Par exemple, linjection de sorties du modle dcomposer pour
relcher la contrainte dexistence est une notion qui existe dans la littrature
[Isi95, DI01], mais qui nest pas utilise dans le cadre des machines squen-
tielles. Ce point a t discut et une proposition concrte a t faite pour utiliser
linjection de sorties dans les machines squentielles pour le relchement de la
contrainte dexistence.
Chapitre 5
Illustration sur le systme trois cuves
5.1 Introduction
Cette partie est ddie ltude dun exemple illustratif. Le processus prsent -
gure (5.1) est dcrit en utilisant deux reprsentations de niveau dabstraction dirent :
Une reprsentation continue par un modle non linaire
Une reprsentation vnementielle par automate tat ni
Il sagit dun systme trois cuves classique [KSGF99, DJDZ99, JPS03], reprsent
par la gure (5.1)
Fig. 5.1 Reprsentation du processus trois cuves
Le systme est constitu de cuves relies par des conduites. Les cuves 1 et 2 sont
alimentes par deux arrives de liquide et le dbit est contrl par les vannes v
1
et
v
2
. Les conduites reliant les cuves sont munies de vannes commandes v
13
et v
32
. La
vanne v
20
sert vacuer le liquide. Les cuves 1 et 3 sont munies de capteurs de niveau.
Le diagramme fonctionnel du processus est prsent par la gure (5.2).
123
124 Chapitre 5. Illustration sur le systme trois cuves
Fig. 5.2 Diagramme fonctionnel du processus 3 cuves
5.2 Modlisation temporelle
Le thorme de conservation des masses permet dcrire
(Masse du liquide dans la cuve) = (Somme des masses de liquide entrant) - (Somme
des masses de liquide sortant)
cest--dire
LS =
i
Ve
i
j
Vs
j
o L est le niveau du liquide, S la surface de la cuve, Ve et Vs sont les volumes entrants
et sortants, et la masse volumique du liquide. La variation du volume du liquide dans
une cuve est donne par
dL
dt
S =
i
dVe
i
dt

j
dVs
j
dt
Notons que
dV
dt
= q reprsente un dbit,
S
dL
dt
=
q
e
q
s
Cette relation permet dobtenir les relations (5.1) qui dcrivent les changes de li-
quide entre les trois cuves
_
_
S
dL
1
dt
= q
1
q
13
S
dL
2
dt
= q
2
+q
32
q
20
S
dL
3
dt
= q
13
q
32
(5.1)
5.2. Modlisation temporelle 125
o L
i
reprsente le niveau de la cuve i, S la surface dune cuve et q
i
et q
ij
reprsentent
les ux du liquide dalimentation travers les vannes i ou ij respectivement. La valeur
des dbits est calcule en utilisant le thorme de Bernoulli. Le dbit q
i
est donn par
q
i
=
1
S
Kv
i
o K reprsente le gain de la vanne en [
l
s
] et v
i
la tension de commande des vannes. Le
dbit q
ij
est donn par
q
ij
=
S
p
S
Kv
ij
_
2g(L
i
L
j
) avec L
i
> L
j
et
q
ij
=
S
p
S
Kv
ij
_
2g(L
j
L
i
) avec L
i
< L
j
o S
p
reprsente la section de la conduite, g lacclration gravitationnelle terrestre et
v
ij
reprsente la commande des vannes (discrte ou continue). Le modle dtat de bon
fonctionnement scrit dans lespace dtat sous la forme
_
_
x
1
=
1
S
Kv
1
Kv
13
S
p
S
sign(x
1
x
3
)
2g
_
|x
1
x
3
|
x
2
=
1
S
Kv
2
+Kv
32
S
p
S
sign(x
3
x
2
)
2g
_
|x
3
x
2
| Kv
20
S
p
S
2g
x
2
x
3
= Kv
13
S
p
S
sign(x
1
x
3
)
2g
_
|x
1
x
3
|
Kv
32
)
S
p
S
sign(x
3
x
2
)
2g
_
|x
3
x
2
|
_
y =
_
1 0 0
0 1 0
_
x (5.2)
Les variables dtat x
1
, x
2
et x
3
correspondent aux niveaux L
1
, L
2
et L
3
respective-
ment. Les niveaux des cuves 1 et 2 sont mesurs.
Les dfauts considrs dans le processus sont des fuites dans les cuves, notes f
i
,
et des bouchages, partiels ou totaux, des conduites c
ij
, que lon note b
ij
. Le vecteur des
dfaillances est donn par
=
_
f
1
f
2
f
3
b
13
b
32
b
20
_
T
o f
1
, f
2
et f
3
sont des fuites dans les cuves 1, 2 et 3 respectivement, et b
13
, b
32
et
b
20
sont des bouchages dans les conduites c
13
, c
32
et c
20
. Linuence des fuites sur le
modle est reprsente par un dbit sortant q
f
i
tel que
q
f
i
=
f
i
S
_
2g
_
L
i
o S est la surface de la cuve i qui fuit et L
i
le niveau du liquide dans cette cuve.
Lencrassement dune conduite c
ij
est reprsent par la diminution de la surface du
tube S
p
= S
p
(1 b
ij
) avec b
ij
[0, 1] ; si la conduite est totalement bouche alors b
ij
= 1
et si elle est encrasse 0 < b
ij
< 1. Lexpression du ux dans la conduite qui relie les
cuves i et j devient
q
ij
= (1 b
ij
)
S
p
S
sign(L
i
L
j
)
_
2g
_
|L
i
L
j
|
Le modle dtat de fonctionnement dfaillant est donn par les quations
_
_
x
1
=
1
S
Kv
1
Kv
13
(1 b
13
)
S
p
S
sign(x
1
x
3
)
2g
_
|x
1
x
3
|
f
1
S
2g
x
1
x
2
=
1
S
Kv
2
+(1 b
32
)Kv
32
S
p
S
sign(x
3
x
2
)
2g
_
|x
3
x
2
|

f
2
S
2g
x
2
Kv
20
(1 b
20
)
S
p
S
2g
x
2
x
3
= Kv
13
(1 b
13
)
S
p
S
sign(x
1
x
3
)
2g
_
|x
1
x
3
|
(1 b
32
)Kv
32
S
p
S
sign(x
3
x
2
)
2g
_
|x
3
x
2
|
f
3
S
2g
x
3
_
y =
_
1 0 0
0 1 0
_
x (5.3)
Bien entendu, dans le cas non dfaillant (f
i
= 0 et b
ij
= 0) nous retrouvons le modle
de fonctionnement normal (5.2).
5.2.3 Dcomposition en sous-modles dcoupls
Conformment la mthodologie prsente au chapitre prcdent, nous allons
construire un banc de sous-systmes dcoupls des sous-ensembles de pannes qui per-
mettra de calculer des rsidus robustes. Lobjectif est de synthtiser six sous-modles
dcoupls respectivement de f
1
, f
2
, f
3
, b
13
, b
32
, b
20
. Ces sous-modles sont nots res-
pectivement :
f
1
,
f
2
,
f
3
,
b
13
,
b
32
,
b
20
Chaque sous-modle
def
i
devra tre dcoupl de la dfaillance def
i
et pourra tre
coupl aux autres dfaillances selon le tableau 5.1.
f
1
f
2
f
3
b
13
b
32
b
20
f
1
0 X X X X X
f
2
X 0 X X X X
f
3
X X 0 X X X
b
13
X X X 0 X X
b
32
X X X X 0 X
b
20
X X X X X 0
Tab. 5.1 Table reprsentant les couplages des sous-modles
o les 0 signient un dcouplage et les X signient indiremment un couplage
ou un dcouplage. Il est ncessaire que la matrice de signature eectivement obtenue
partir des sous-modles soit de rang plein structurellement pour pouvoir localiser
toutes les dfaillances.
Analyse de robustesse et de sensibilit
Nous allons dterminer ici les fonctions qui dcouplent formellement les di-
rentes dfaillances selon la relation
d
0
dx
f (x, u, , ) = 0 (5.4)
o est le vecteur de dfaillances dcoupler et f la fonction dtat. Pour des raisons
de clart nous allons dtailler la recherche de la fonction de dcomposition qui permet
dobtenir le sous-modle dcoupl de b
13
et donner les rsultats pour les autres sous-
modles. En appliquant directement la relation (5.4) qui permet de slectionner les
tats formellement dcoupls de b
13
, nous obtenons
0
b
13
=
_
x
2
_
(5.5)
Pour augmenter la dimension de la fonction
0
b
13
, llimination de variables est utili-
se pour dterminer les combinaisons des fonctions dtat qui liminent formellement
la dfaillance b
13
. Nous obtenons alors
0
b
13
=
_
x
2
x
1
+x
3
_
(5.6)
Pour vrier que les sous-modles sont coupls aux dfaillances dtecter, la condi-
tion (5.7) est ncessaire
d
def
dx
f (x, u, , ) 0 (5.7)
o
def
est la fonction de dcomposition qui permet dobtenir le sous-modle
def
. En
appliquant (5.7), les vecteurs de couplage
def
sont dtermins
0
b
13
=
_
x
1
x
3
_
(5.8)
Le sous-modle
b
13
est coupl la dfaillance b
13
si
b
13

0
b
13
.
5.2.4 Synthse de sous-modles dcoupls
Nous allons dterminer prsent les fonctions
def
qui vrient les proprits din-
variance selon le thorme 4.2 en utilisant litration
i+1
=
i
m(
i
h)
avec
0
=
0
b
13
et
b
13
=
k
tel que
k
=
k+1
.
Appliqu notre cas, la premire itration de lalgorithme nous donne
1
=
_
x
2
x
1
+x
3
_
m
__
x
2
x
1
+x
3
_
_
x
1
x
2
__
=
_
x
2
x
1
+x
3
_
m
_
_
_
_
x
1
x
2
x
3
_
_
_
_
=
_
x
2
x
1
+x
3
_
_
x
1
x
2
x
3
_
_
=
_
x
2
x
1
+x
3
_
Nous obtenons
1
=
0
alors
b
13
=
_
x
2
x
1
+x
3
_
En rptant ces tapes pour le reste des dfaillances, nous obtenons les fonctions
suivantes
f
1
:
f
1
=
_
x
2
x
3
_

f
2
:
f
2
=
_
x
1
x
3
_
f
3
:
f
3
=
_
_

b
13
:
b
13
=
_
x
2
x
1
+x
3
_
b
32
:
b
32
=
_
x
1
x
2
+x
3
_

b
20
:
b
20
=
_
x
1
x
3
_
Notons que cinq fonctions sont obtenues au total, puisquil nexiste pas de fonction
qui dcouple de f
3
. Par ailleurs, deux des fonctions obtenues
f
2
et
b
20
sont identiques
ce qui implique que
f
2
est identique
b
20
. Par consquent, quatre sous-modles
peuvent tre obtenus dans le meilleurs des cas.
Lobtention de chaque modle se fait en utilisant lalgorithme 5 qui permet de
construire la fonction de dcomposition nale. Nous dtaillons le cas de
b
13
et don-
nons les rsultats pour les trois sous-modles restants.
a. Synthse de
b
13
Les tapes pour obtenir la fonction de dcomposition sont nu-
mres ci-dessous
1. Slectionner une fonction
1
qui satisfait le critre de mesurabilit :
1
=
b
13
h = [x
2
]
2. Vrier le critre dinvariance pour
1
:
1
h =
_
x
1
x
2
_
?
M([x
2
]) =
_
sign(x
1
x
3
)
_
|x
1
x
3
|
_
|x
2
|
_
Le critre nest pas vri.
3. Une deuxime composante
2
est choisie telle que
2

1
h M(
1
).
2
est donne par
2
= [x
1
+x
3
]
4. Le critre dinvariance est vri pour
1
2
puisque la relation
1
h =
_
_
x
1
x
2
x
1
+x
3
_
_
?
M([x
1
+x
3
]) =
_
sign(x
3
x
2
)
_
|x
3
x
2
|
_
est vrie.
5. La fonction de dcomposition est donne par
=
1
2
=
_
x
2
x
1
+x
3
_
Le sous-modle
b
13
est donn par les relations
b
13
_
_
z
1
=
1
S
Kv
2
+Kv
32
S
p
S
sign(z
2
y
1
y
2
)
2g
_
|z
2
y
1
y
2
|
Kv
20
S
p
S
2g
_
|y
2
|
z
2
=
1
S
Kv
1
Kv
32
S
p
S
sign(z
2
y
1
y
2
)
2g
_
|z
2
y
1
y
2
|
_
y
b
13
= z
1
b. Synthse de
f
1
Le sous-modle
f
1
f
1
_
_
z
1
=
1
S
Kv
2
+Kv
32
S
p
S
sign(z
2
y
2
)
2g
_
|z
2
y
2
| Kv
20
S
p
S
2g
_
|y
2
|
z
2
= Kv
12
S
p
S
sign(y
1
z
2
)
2g
_
|y
1
z
2
|
Kv
32
)
S
p
S
sign(z
2
y
2
)
2g
_
|z
2
y
2
|
_
y
f
1
= z
1
c. Synthse de
f
2
,b
20
Puisque les sous-modles
f
2
et
b
20
sont identiques, ils seront
remplacs par un seul sous-modle
f
2
,b
20
qui est donn par les relations
f
2
,b
20
_
_
z
1
=
1
S
Kv
1
Kv
13
S
p
S
sign(y
1
z
2
)
2g
_
|y
1
z
2
|
z
2
= Kv
12
S
p
S
sign(y
1
z
2
)
2g
_
|y
1
z
2
|
Kv
32
)
S
p
S
sign(z
2
y
2
)
2g
_
|z
2
y
2
|
_
y
f
2
,b
20
= z
1
d. Synthse de
b
32
Le sous-modle
b
32
b
32
_
_
z
1
=
1
S
Kv
1
Kv
13
S
p
S
sign(y
1
z
2
y
2
)
2g
_
|y
1
z
2
y
2
|
z
2
=
1
S
Kv
2
+Kv
13
S
p
S
sign(y
1
z
2
y
2
)
2g
_
|y
1
z
2
y
2
| Kv
20
S
p
S
2g
_
|y
2
|
_
y
b
32
= z
1
La matrice nale des couplages est donne par la table (5.2)
f
1
f
2
f
3
b
13
b
32
b
20
f
1
0 1 1 1 1 1
f
2
,b
20
1 0 1 1 1 0
b
13
1 1 1 0 1 1
b
32
1 1 1 1 0 1
Tab. 5.2 Matrice de couplage du systme trois cuves
Remarque 5.2.1 Il nexiste pas de sous-modle dcoupl de la dfaillance f
3
selon la table
(5.2). Si f
3
se produit, alors les sorties de tous les sous-modles vont ragir.
Par ailleurs, les sous-modles dcoupls des dfaillances f
2
et b
20
sont identiques, et les
dfaillances ne sont donc pas discernables a priori. Puisque f
2
est une fuite dans la deuxime
cuve, elle ne dpend pas des commandes de vanne. Par contre la dfaillance de la conduite
b
20
dpend directement de ltat de la vanne v
20
: Si la vanne est ferme, alors b
20
nest
pas dtectable puisquil ny a pas de ux de liquide. Nous pourrons discerner f
2
de b
20
si la
vanne v
20
est ferme.
5.2.5 Gnration de rsidus
Un banc de gnrateurs de rsidus est construit partir des sous-modles :
f
1
,
f
2
,b
20
,
b
13
,
b
32
Pour obtenir la convergence en prsence de conditions initiales inconnues, nous
avons choisi des gnrateurs de rsidus base dobservateurs dUtkin [Utk81]. Ces
observateurs sont une variante des observateurs discontinus construits selon la tho-
rie des modes glissants. Ce choix est fait par rapport aux quations qui rgissent le
fonctionnement des sous-modles, et qui font intervenir des non linarits non di-
rentiables (fonctions signe ). La structure dun observateur dUtkin est donne par
lquation 5.9
_

x
1
=

f
1
( x
1
, x
2
) +LMsign(r)
y =

x
2
=

f
2
( x
1
, x
2
) Msign(r)
_
y =

h(x)
r = y y
(5.9)
o L et M sont des coecients de rglage. Les expressions des quatre gnrateurs de
rsidus sont donns par les quations suivantes :
Le gnrateur du rsidu robuste f
1
est donn par :
f
1
_
_
z
1
=
1
S
Kv
2
+Kv
32
S
p
S
sign(z
2
y
2
)
2g
_
|z
2
y
2
|
Kv
20
S
p
S
2g
_
|y
2
| M
1
sign(r
f
1
)
z
2
= Kv
12
S
p
S
sign(y
1
z
2
)
2g
_
|y
1
z
2
|
Kv
32
S
p
S
sign(z
2
y
2
)
2g
_
|z
2
y
2
| +L
1
M
1
sign(r
f
1
)
r
f
1
= z
1
y
2
Le gnrateur du rsidu robuste f
2
et b
20
est donn par :
f
2
,b
20
_
_
z
1
=
1
S
Kv
1
Kv
13
S
p
S
sign(y
1
z
2
)
2g
_
|y
1
z
2
| M
2
sign(r
f
2
)
z
2
= Kv
12
S
p
S
sign(y
1
z
2
)
2g
_
|y
1
z
2
|
Kv
32
)
S
p
S
sign(z
2
y
2
)
2g
_
|z
2
y
2
| +L
2
M
2
sign(r
f
2
)
r
f
2
,b
20
= z
1
y
1
Le gnrateur du rsidu robuste b
13
est donn par :
b
13
_
_
z
1
=
1
S
Kv
2
+Kv
32
S
p
S
sign(z
2
y
1
y
2
)
2g
_
|z
2
y
1
y
2
|
Kv
20
S
p
S
2g
_
|y
2
| M
3
sign(r
b
13
)
z
2
=
1
S
Kv
1
Kv
32
S
p
S
sign(z
2
y
1
y
2
)
2g
_
|z
2
y
1
y
2
| +L
3
M
3
sign(r
b
13
)
r
b
13
= z
1
y
2
Le gnrateur du rsidu robuste b
32
est donn par :
b
32
_
_
z
1
=
1
S
Kv
1
Kv
13
S
p
S
sign(y
1
z
2
y
2
)
2g
_
|y
1
z
2
y
2
| M
4
sign(r
b
32
)
z
2
=
1
S
Kv
2
+Kv
13
S
p
S
sign(y
1
z
2
y
2
)
2g
_
|y
1
z
2
y
2
|
Kv
20
S
p
S
2g
_
|y
2
| +L
4
M
4
sign(r
b
32
)
r
b
32
= z
1
y
1
5.2.6 Simulation
Les simulations sont ralises avec le logiciel Matlab/Simulink avec les paramtres
suivants :
K = 1[
l
s
]
S = 0.52 = [m
2
]
S
p
= 0.052 =

10
[m
2
]
g = 9.81[
m
s
2
]
Les coecients de rglage des gnrateurs de rsidus sont donns par
L
i
= 0.7 et M
i
= 0.3 i = 1..4
La gure 5.3 reprsente le schma de simulation.
Les gures ci-dessous illustrent le comportement des gnrateurs de rsidus pour
dirents scnarios avec des sorties bruites par un bruit blanc damplitude 0.15. La
simulation dure 300 secondes avec un pas dchantillonnage de 0, 5 seconde.
En fonctionnement normal (gure 5.4) ;
0 50 100 150 200 250 300
0
1
2
3
4
5
6
7
8
9
t
y
(
t)
Evolution des tats

Niveau de la 1re cuve
Niveau de la 2nde cuve
Niveau de la 3me cuve
0 50 100 150 200 250 300
1
0.8
0.6
0.4
0.2
0
0.2
0.4
0.6
0.8
1
t
(
t)
Dfaillance
0 50 100 150 200 250 300
0.25
0.2
0.15
0.1
0.05
0
0.05
0.1
0.15
0.2
0.25
t
r
f2
(
t)
Rsidu robuste f
2
0 50 100 150 200 250 300
0.25
0.2
0.15
0.1
0.05
0
0.05
0.1
0.15
0.2
0.25
t
r
f2
(
t)
Rsidu robuste f
2
0 50 100 150 200 250 300
0.4
0.3
0.2
0.1
0
0.1
0.2
0.3
t
r
b
1
3
(
t)
Rsidu robuste b
13
0 50 100 150 200 250 300
0.25
0.2
0.15
0.1
0.05
0
0.05
0.1
0.15
0.2
0.25
t
r
b
3
2
(
t)
Rsidu robuste b
32
Fig. 5.4 Rsidus dans le cas normal
Pour une dfaillance permanente b
13
(gure 5.5) ;
C
o
n
s
t
a
n
t
e
s

d
u

M
o
d
e

g
l
i
s
s
a
n
t
L
g
e
n
d
e

s
o
r
t
i
e
s

:
j
a
u
n
e

c
u
v
e

1
m
a
u
v
e

c
u
v
e

2
b
l
e
u

c
u
v
e

3
M
o
d
l
e

S
i
m
u
l
i
n
k
/
S
t
a
t
e
f
l
o
w

d
u

s
y
s
t
m
e

t
r
o
i
s

c
u
v
e
s
+

M
o
d
u
l
e
s

d
t
e
c
t
e
u
r
s

b
a
s
e

d
e

m
o
d
l
e

t
e
m
p
o
r
e
l

e
t

b
a
s
e

d
e

m
o
d
l
e

n
e
m
e
n
t
i
e
l
I
n
d
i
c
a
t
e
u
r
s

d
e

d
f
a
u
t
s
f
v
e
c
t
e
u
r

d
e
f
a
i
l
l
a
n
c
e
u
v
e
c
t
e
u
r

c
o
m
m
a
n
d
e
s
Y
v
e
c
t
e
u
r

S
o
r
t
i
e
s
c
o
n
t
in
u
p
u
ls
e
f
e
r
m
e
v
a
n
n
e

V
_
{
3
2
}
c
o
n
t
in
u
p
u
ls
e
f
e
r
m
e
v
a
n
n
e

V
_
2
0
c
o
n
t
in
u
p
u
ls
e
f
e
r
m
e
v
a
n
n
e

V
_
2
c
o
n
t
in
u
p
u
ls
e
f
e
r
m
e
v
a
n
n
e

V
_
1
3
c
o
n
t
in
u
p
u
ls
e
f
e
r
m
e
v
a
n
n
e

V
_
1
s
e
q

in
d

1
s
e
q

v
a
lid
s
e
q

in
d

2
s
e
q

in
d

v
a
l
1
s
e
q

in
d

v
a
l
2
v
a
l
i
d
a
t
i
o
n

i
n
d
i
c
a
t
e
u
r
s
s
o
r
t
i
e
s
M
S
P
2
s
o
r
t
i
e
s
M
S
P
1
v
a
l
i
d
_
i
n
d
s
e
q
u
e
n
c
e

v
a
l
i
d
a
t
i
o
n
M
S
m
e
s
s
e
q

e
t
a
t

e
v
e

m
e
s
u
r
e
M
S
e
s
t
s
e
q

e
t
a
t

e
v
e

e
s
t
i
m
e
M
S
P
f
2
s
e
q

M
S
P

2
M
S
P
f
1
s
e
q

M
S
P

1
s
c
o
p
e

i
n
d
i
c
a
t
e
u
r
s

v
a
l
i
d
e
s
r
b
1
3
r
e
s
i
d
u

r
o
b
u
s
t
e

a

b
_
1
3
r
b
3
2
r
e
s
i
d
u

r
o
b
u
s
t
e

a

b
3
2
r
f
2
r
e
s
i
d
u

r
o
b
.

a

f
_
2
,
b
_
2
0
r
f
1
r
e
s
i
d
u

r
o
b
.

a

f
_
1
r
M
S
2
_
v
a
l
i
n
d
i
c
a
t
e
u
r

2

v
a
l
i
d
e
r
M
S
2
i
n
d
i
c
a
t
e
u
r

2

b
r
u
t
r
M
S
1
_
v
a
l
i
n
d
i
c
a
t
e
u
r

1

v
a
l
i
d
e

r
M
S
1
i
n
d
i
c
a
t
e
r

1

b
r
u
t
b
r
u
it

b
la
n
c
g
e
n
e
r
a
t
e
u
r
b
r
u
i
t

c
a
p
t
e
u
r
s
s
e
q

in
d

1
s
e
q

M
S
P
1
s
e
q

M
S
P
2
s
e
q

in
d

2
in
d
ic
_
1
_
f
ilt
r
in
d
ic
_
2
_
f
ilt
r
v
a
lid
_
in
d
ic
f
i
l
t
r
a
g
e

e
t

c
a
l
c
u
l
v
a
l
i
d
i
t
e
e
v
e
n
e
m
e
n
t
s

d
e
n
t
r
e
e
e
v
e
_
v
a
n
n
e
e
v
e

v
a
n
n
e
s
e
v
e
_
n
i
v
e
a
u
e
v
e

d
i
r

f
l
u
x
e
r
r
e
u
r

e
s
t
i
m
a
t
i
o
n
v
a
le
u
r
n
u
l
c
o
e
f
f

M
v
a
le
u
r
n
u
l
c
o
e
f
f

L0
.
2
a
m
p
l
i
t
u
d
e

b
r
u
i
t
t
T
e
m
p
s
S
c
o
p
e

m
e
s
u
r
e
s

d
i
s
c
r
e
t
i
s
e
e
s
S
c
o
p
e

i
n
d
i
c
a
t
e
u
r
s

b
r
u
t
s
S
c
o
p
e

b
r
u
i
t
S
c
o
p
e
c
o
m
m
a
n
d
e
s
R
e
s
i
d
u
s
c
a
s

t
e
m
p
o
r
e
l
t
h
r
e
e
_
t
a
n
k
_
s
f
c
n
P
r
o
c
e
s
s

R
e
e
l
N
i
v
e
a
u
x

c
u
v
e
s
N
i
v
e
a
u
x
C
3

v
e
r
s

C
1
C
1

v
e
r
s

C
3
C
2

v
e
r
s

C
3
C
3

v
e
r
s

C
2
V
1
3

f
e
r
V
1
3

o
u
v
V
3
2

f
e
r
V
3
2

o
u
v
C
1
3

n
e
g
lig
C
3
2

n
e
g
lig
s
1
s
2
s
3
s
4
s
5
s
6
s
7
s
8
s
9
s
1
0
s
1
1
s
1
2
s
1
3
s
1
4
s
1
5
s
1
6
M
e
s
u
r
e
s

d
i
s
c
r
e
t
i
s
e
e
s
M
S
P

d
e
c
o
u
p
l
e
e

M
S
_
f
2
M
S
P

d
e
c
o
u
p
l
e
e

M
S
_
f
1
0
L
e

n
i
v
e
a
u

C
3

n
e
s
t

p
a
s

m
e
s
u
r
I
n
i
t
i
a
l
i
s
a
t
i
o
n
g
e
n
b
3
2
_
s
f
c
n
G
e
n

r
e
s

4
g
e
n
b
1
3
_
s
f
c
n
G
e
n

r
e
s

3
g
e
n
f
2
b
2
0
_
s
f
c
n
G
e
n

r
e
s

2
g
e
n
f
1
_
s
f
c
n
G
e
n

r
e
s

1
M
e
s
u
r
e
s
S
M
_
2
r
2
G
e
n

i
n
d
i
c
a
t
e
u
r

2
M
e
s
u
r
e
s
S
M
_
1
r
1
G
e
n

I
n
d
i
c
a
t
e
u
r

1
K
*
u
K
*
u
K
*
u
K
*
u
e
n
t
r
e
e

M
S
P
1
e
n
t
r
e
e

M
S
P
2
s
e
q

e
t
a
t

e
s
t
E
s
t
i
m
a
t
e
u
r

s
e
q

e
t
a
t

e
v
e
g
e
n
1
_
s
f
c
n
E
s
t
i
m
a
t
e
u
r

M
o
d
e

F
N
e
n

V
_
1
3
e
n

V
_
3
2
d
e
f

e
v
e
d
e
f

t
e
m
p
D
f
a
illa
n
c
e
s
f
lu
x
1
3
f
lu
x
3
2
C
3

v
e
r
s

C
1
C
1

v
e
r
s

C
3
C
3

v
e
r
s

C
2
C
2

v
e
r
s

C
3
V
1
3

f
e
r
v
1
3

o
u
v
V
3
2

f
e
r
v
3
2

o
u
v
C
1
3
n
e
g
C
3
2

n
e
g
D
i
s
c
r
e
t
i
s
a
t
i
o
n

m
e
s
u
r
e
s

c
o
n
t
i
n
u
e
s
L
_
1
,
L
_
2
,
L
_
3
V
_
1
3
V
_
3
2
d
ir

f
lu
x
o
u
v
/
f
e
r
m

v
a
n
n
e
d
ir

f
lu
x

c
o
n
t
o
u
v
/
f
e
r
m

c
o
n
t
D
i
s
c
r
e
t
i
s
a
t
i
o
n

d
e
s

e
n
t
r
e
e
s
/
s
o
r
t
i
e
s
C
l
o
c
k
e
n
.

c
o
m
m
a
n
d
e
e
n
.

m
e
s
u
r
e
s
c
a
p
t
.

f
lu
x

C
_
1
3
c
a
p
t
.

f
lu
x

C
_
3
2
C
a
p
t
e
u
r
s

f
l
u
x
f
l
u
x
3
2
C
a
p
t
e
u
r

C
3
2
f
l
u
x
1
3
C
a
p
t
e
u
r

C
1
3
A
d
d
5
c
o
m
m
a
n
d
e
c
o
m
m
a
n
d
e
c
3
c
3
c
2
c
2
r
f
1r
f
1
r
f
2
b
2
0
r
f
2
b
2
0
r
b
1
3r
b
1
3
r
b
3
2
c
1
c
1
y
Fig. 5.3 Schma de simulation Simulink
0 50 100 150 200 250 300
0
5
10
15
20
25
30
35
40
45
50
t
y
(
t)
Evolution des tats

0 50 100 150 200 250 300
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
t
(
t)
Dfaillance
0 50 100 150 200 250 300
50
0
50
100
150
200
250
t
r
f1
(
t)
Rsidu robuste f
1
0 50 100 150 200 250 300
250
200
150
100
50
0
50
t
r
f2
(
t)
Rsidu robuste f
2
0 50 100 150 200 250 300
0.4
0.3
0.2
0.1
0
0.1
0.2
0.3
t
r
b
1
3
(
t)
Rsidu robuste b
13
0 50 100 150 200 250 300
20
15
10
5
0
5
t
r
b
3
2
(
t)
Rsidu robuste b
32
Fig. 5.5 Rsidus dans le cas dune dfaillance b
13
permanente
Pour une dfaillance intermittente b
13
(gure 5.6) ;
0 50 100 150 200 250 300
0
2
4
6
8
10
12
14
t
y
(
t)
Evolution des tats

0 50 100 150 200 250 300
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
t
(
t)
Dfaillance
0 50 100 150 200 250 300
0.5
0
0.5
1
1.5
2
2.5
3
3.5
t
r
f1
(
t)
Rsidu robuste f
1
0 50 100 150 200 250 300
7
6
5
4
3
2
1
0
1
t
r
f2
(
t)
Rsidu robuste f
2
0 50 100 150 200 250 300
0.4
0.3
0.2
0.1
0
0.1
0.2
0.3
t
r
b
1
3
(
t)
Rsidu robuste b
13
0 50 100 150 200 250 300
6
5
4
3
2
1
0
1
t
r
b
3
2
(
t)
Rsidu robuste b
32
Fig. 5.6 Rsidus dans le cas dune dfaillance b
13
temporaire
Les autres simulations sont regroupes en annexe C.
Nous remarquons que dans chaque cas, les rsidus sensibles une dfaillance r-
agissent ds que la dfaillance en question est dirente de zro, et cela pour les deux
cas de gure, pour des dfaillances permanentes et pour des dfaillances temporaires.
5.3. Modlisation vnementielle 135
5.3 Modlisation vnementielle
5.3.1 Description du modle vnementiel de bon fonctionnement
Pour illustrer lapproche de dcomposition dans le cadre vnementiel propose
dans le chapitre prcdent, nous allons reprsenter lvolution des directions des d-
bits dans les conduites du processus 3 cuves par une machine squentielle pour
dtecter et localiser les dfaillances des deux vannes V
13
et V
32
. Deux capteurs sont
placs sur les conduites entre les cuves 1 et 3 et les cuves 2 et 3. Ces capteurs in-
diquent la direction du ux dans la conduite, par exemple le capteur plac dans c
13
peut indiquer que le ux circule de la cuve 1 vers la cuve 3, ou de la cuve 3 vers la cuve
1, ou quil ny a pas de ux, cest dire quil ny a pas de mouvement de liquide. Si le
dbit dans une conduite est nul, alors la vanne correspondante est considre comme
ferme. Si le dbit nest pas nul, la vanne est considre comme ouverte.
La reprsentation choisie dcrit les quatre principaux modes de fonctionnement du
systme en fonction de la direction des ux dans les conduites deau :
Etat 1 : La direction du ux va de la cuve 1 la cuve 3 et de la cuve 3 vers la cuve
2 : 1 3 et 3 2
2 : 1 3 et 3 2
3 : 1 3 et 3 2
3 : 1 3 et 3 2
En incorporant ltat des vannes V
13
et V
32
poses sur les conduites qui relient les
cuves 1 et 3 et les cuves 3 et 2, deux tats supplmentaires sont ajouts :
Un tat not | qui reprsente labsence de ux entre les cuves cause de la
fermeture de la vanne correspondante.
Un tat not X qui reprsente le rgime transitoire dans les instants qui suivent
louverture de la vanne correspondante.
Ce qui nous donne au total un systme 16 tats :
Etat 5 : 1 3 et 2 | 3
Etat 6 : 1 3 et 2 | 3
Etat 7 : 3 2 et 1 | 3
Etat 8 : 3 2 et 1 | 3
Etat 9 : 1 | 3 et 2 | 3
Etat 10 : 1 3 et 2 X3
Etat 11 : 1 3 et 2 X3
Etat 12 : 3 2 et 1 X3
Etat 13 : 3 2 et 1 X3
Etat 14 : 1 X3 et 2 | 3
Etat 15 : 1 | 3 et 2 X3
Etat 16 : 1 X3 et 2 X3
Les tats 1, , 9 sont des tats stables. Les tats 10, , 16 sont des tats transitoires
de courte dure (tats instables).
Le fonctionnement de la machine est dcrit par la table de transitions (5.10) et la
gure (5.7).
a b c d e f g h
1 2 3 7 5
2 1 4 7 6
3 4 1 8 5
4 3 2 8 6
5 6 9 10
6 5 9 11
7 8 12 9
8 7 13 9
9 14 15
10 11 3 1 15 5
11 10 4 2 15 6
12 2 1 13 7 14
13 4 3 12 8 14
14 6 5 9 16
15 8 7 16 9
16 11 10 13 12 15 14
(5.10)
O les tirets reprsentent la persistance de ltat prsent. Les actions consid-
res sont les suivantes :
a : L
1
< L
3
Le niveau de la cuve centrale devient suprieur celui de la premire
cuve.
b : L
1
> L
3
Le niveau de la cuve centrale devient infrieur celui de la premire
cuve.
c : L
2
> L
3
Le niveau de la cuve centrale devient infrieur celui de la dernire
cuve.
d : L
2
< L
3
Le niveau de la cuve centrale devient suprieur celui de la dernire
cuve.
e : V
13
= 0 La premire vanne V
13
est ferme.
f : V
13
= 1 La premire vanne est ouverte.
g : V
32
= 0 La seconde vanne V
32
est ferme.
h : V
32
= 1 La seconde vanne est ouverte.
La correspondance entre les sorties de et les mesures des capteurs installs sur le
processus est donne par la table (5.3). V
13
et V
32
reprsentent les vannes et C
1
, C
2
, C
3
reprsentent les cuves.
Fig. 5.7 Reprsentation du modle de fonctionnement normal du processus 3 cuves
Etats Sorties
1 V
13
et V
32
ouvertes, ux de C
1
vers C
3
et de C
3
vers C
2
2 V
13
et V
32
ouvertes, ux de C
3
vers C
1
et de C
3
vers C
2
3 V
13
et V
32
ouvertes, ux de C
1
vers C
3
et de C
2
vers C
3
4 V
13
et V
32
ouvertes, le ux de C
3
vers C
1
et C
2
vers C
3
5 V
32
ferme V
13
ouverte, ux de C
1
vers C
3
6 V
32
ferme V
13
ouverte, ux de C
3
vers C
1
7 V
13
ferme, V
32
ouverte, ux de C
3
vers C
2
8 V
13
ferme, V
32
ouverte, ux C
2
vers C
3
9 V
13
et V
32
fermes
10 V
13
et V
32
ouvertes, ux inconnu entre C
2
et C
3
, ux de C
1
vers C
3
11 V
13
et V
32
2
et C
3
, ux de C
3
vers C
1
12 V
13
et V
32
1
et C
3
, ux de C
3
vers C
2
13 V
13
et V
32
1
et C
3
, ux C
2
vers C
3
14 V
13
ouverte, V
32
ferme, ux inconnu entre C
1
et C
3
15 V
32
ouverte, V
13
ferme, ux inconnu entre C
2
et C
3
16 V
13
et V
32
ouvertes, ux inconnu entre toutes les cuves
Tab. 5.3 Correspondance entre les tats du modle et les sorties capteurs
5.3.2 Description du modle de fonctionnement dfaillant
Nous considrons deux dfaillances f
V
13
et f
V
32
qui correspondent un dysfonction-
nement des vannes V
13
et V
32
. Ces dysfonctionnements correspondent des fermetures
ou des ouvertures intempestives. Si une dfaillance est amene se produire sur la
vanne, nous en verrions linuence en analysant la trajectoire que prend le modle
en rponse une sollicitation de commande. Nous ajoutons un vnement f qui re-
prsente la dfaillance dune vanne. Cet vnement est plac en parallle toutes les
transitions qui concernent la vanne (gure 5.8(b)).
Remarque 5.3.1 Une autre manire possible de reprsenter le fonctionnement dune vanne
serait de reprsenter la dfaillance par un tat dfaillant non mesur (gure 5.9(b)).
Ltat vanne bloque ouverte possde la mme sortie que ltat vanne ouverte ; par cons-
quent, ces deux tats peuvent tre distingus si laction fermeture de vanne est demande.
Notons cependant que la description par transitions est plus adapte pour les dfauts du type
ouverture ou fermeture intempestives de la vanne et que la description par tat est plus
adapte pour dcrire un blocage de vanne. En rgle gnrale les deux descriptions ne sont pas
quivalentes mais complmentaires.
En ajoutant le modle de fonctionnement dfaillant des vannes au modle de bon fonc-
tionnement du processus reprsent gure 5.7, nous obtenons une machine squen-
tielle de 16 tats et de 10 entres (gure 5.10) :
La table 5.3.2 illustre lvolution du modle de fonctionnement dfaillant.
Nous proposons de construire un rseau de machines squentielles partielles qui
dcrivent le fonctionnement du systme en tant chacune dcouples de chaque d-
(a) Fonctionnement normal (b) Fonctionnement dfaillant
Fig. 5.8 Modle vnementiel dune vanne (approche transitions)
(a) Fonctionnement normal (b) fonctionnement dfaillant
Fig. 5.9 Modle vnementiel dune vanne (approche tat)
Fig. 5.10 Reprsentation du modle de fonctionnement dfaillant du processus 3
cuves
a b c d e f g h f
V
13
f
V
32
1 2 - 3 - 7 - 5 - 7 5
2 - 1 4 - 7 - 6 - 7 6
3 4 - - 1 8 - 5 - 8 5
4 - 3 - 2 8 - 6 - 8 6
5 6 - - - 9 - - 10 9 10
6 - 5 - - 9 - - 11 9 11
7 - - 8 - - 12 9 - 12 9
8 - - - 7 - 13 9 - 13 9
9 - - - - - 14 - 15 14 15
10 - 11 3 1 15 - 5 - 15 5
11 10 - 4 2 15 - 6 - 15 6
12 2 1 13 - 7 - 14 - 7 14
13 4 3 - 12 8 - 14 - 8 14
14 6 5 - - 9 - - 16 9 16
15 - - 8 7 - 16 9 - 16 9
16 11 10 13 12 15 - 14 - 15 14
Tab. 5.4 Table de transitions du modle vnementiel de fonctionnement dfaillant
du systme 3 cuves
faillance. Un ensemble de k machines squentielles partielles est obtenu pour k d-
faillances.
5.3.3 Dcomposition du modle vnementiel
Nous allons dterminer deux machines squentielles partielles, la premire
V
13
dcouple de la dfaillance f
V
13
et la seconde
V
32
dcouple de la dfaillance f
V
32
.
Les chemins gnrs par
V
13
sont robustes la dfaillance f
V
13
. Les chemins gnrs
par
V
32
sont robustes la dfaillance f
V
32
. En comparant les sorties mesures sur le
processus et les sorties simules des deux machines squentielles partielles, nous ob-
tenons une indication sur ltat du systme et en analysant les chemins de
V
13
et de
V
32
, nous pouvons dduire loccurrence ou labsence des dfaillances f
V
13
et f
V
32
.
Dtermination de partitions dcouples
Pour dterminer la partition de lensemble dtats dcouple de f
V
13
et f
V
32
, nous
allons dnir une transition i
0
qui reprsente llment neutre tel que s S : (s, i
0
) =
s. Lvnement i
0
ninduit pas de modication de la trajectoire de fonctionnement.
Maintenant nous allons crer une partition de lensemble dentres qui regroupe i
0
et
les vnements dcoupler.
I
f
V
13
= {a, b, c, d, e, f , g, h, i
0
, f
V
13
, f
V
32
} (5.11)
I
f
V
32
= {a, b, c, d, e, f , g, h, i
0
, f
V
32
, f
V
13
} (5.12)
Ces partitions nous permettent dobtenir la partition de lensemble dtats S par
f
V
13
= m
IS
(
I
f
V
13
) = {1, 2, 7, 12, 3, 4, 8, 13, 5, 6, 9, 14, 10, 11, 15, 16} (5.13)
f
V
32
= m
IS
(
I
f
V
32
) = {1, 3, 5, 10, 2, 4, 6, 11, 7, 8, 9, 15, 12, 13, 14, 16} (5.14)
Les partitions de lensemble dtats
f
V
13
et
f
V
32
, sous rserve quelles possdent
la proprit de substitution par rapport au modle initial, dnissent deux machines
squentielles partielles,
1
et
2
, dont les trajectoires de fonctionnement sont robustes
aux inuences de f
V
13
et f
V
32
respectivement. Rappelons quune partition possde la
proprit de substitution si elle remplit la condition suivante
(, )
qui est satisfaite si les relations

m()
ou
M()
sont satisfaites. Ici les oprateurs M et m font rfrence M
SS
et m
SS
.
m(
f
V
13
) = {1, 2, 7, 12, 3, 4, 8, 13, 5, 6, 9, 14, 10, 11, 15, 16} =
f
V
13
(5.15)
m(
f
V
32
) = {1, 3, 5, 10, 2, 4, 6, 11, 7, 8, 9, 15, 12, 13, 14, 16} =
f
V
32
(5.16)
M(
f
V
13
) = {1, 2, 7, 12, 3, 4, 8, 13, 5, 6, 9, 14, 10, 11, 15, 16} =
f
V
13
(5.17)
M(
f
V
32
) = {1, 3, 5, 10, 2, 4, 6, 11, 7, 8, 9, 15, 12, 13, 14, 16} =
f
V
32
(5.18)
et par consquent
(
f
V
13
,
f
V
13
)
et (
f
V
32
,
f
V
32
)
Nous remarquons que les deux partitions

f
V
13
et
f
V
32
possdent la proprit de
substitution. Elles sont aptes gnrer des machines squentielles.
Nous allons vrier maintenant que la partition
f
V
13
ne dcouple pas de la d-
faillance f
V
32
et que
f
V
32
ne dcouple pas de f
V
13
. Cette proprit est vrie en calcu-
lant la partition de lensemble dentres induite par
f 1
et
f 2
avec la relation suivante
M
IS
(
f
V
13
) = {c, d, g, h, i, a, b, e, f , f
V
13
, f
V
32
, }
Nous constatons que
f
V
13
ne dcouple pas de f
V
32
. Par analogie, puisque
M
IS
(
f
V
32
) = {c, d, g, h, i, c, d, g, h, f
V
32
, f
V
13
, }
alors la partition
f
V
32
ne dcouple pas de f
V
13
.
Les deux partitions
f
V
13
et
f
V
32
possdent les proprits de couplage et de dcou-
plage souhaites. Par ailleurs, nous remarquons que
f
V
13
.
f
V
32
= {1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16} = C
Cela indique que
f
V
13
et
f
V
32
sont des partitions complmentaires, cest--dire
quelles permettent de reconstituer la partition initiale.
5.3.4 Gnration dindicateurs de dfaillances
Dans la section prcdente nous avons dtermin les partitions
f
V
13
et
f
V
32
qui
possdent les proprits de couplage et de dcouplage souhaites. Nous allons pr-
sent utiliser ces partitions pour la synthse de machines squentielles partielles qui
ralisent une partie du fonctionnement du modle initial. Les deux machines par-
tielles, notes
f
V
13
et
f
V
32
, sont synthtises partir du modle du systme complet
et des partitions
f
V
13
et
f
V
32
.
Rappelons quune partition de lespace dtat dnit une machine squentielle par-
tielle en regroupant les tats contenus dans un bloc de la partition en un macro-tat.
Les machines obtenues
f
V
13
et
f
V
32
sont dcrites par la table 5.3.4 et la gure (5.11).
a b c d e f g h
1 2 - - - - - 3 -
2 - 1 - - - - 3 -
3 - - - - - - - 4
4 2 1 - - - - 3 -
a b c d e f g h
1 - - 2 - - - - -
2 - - - 1 - - 3 -
3 - - - - - - - 4
4 - - 2 1 - - 3 -
Tab. 5.5 Table de transitions de
f
V
32
et de
f
V
13
(a)
f
V
13
(b)
f
V
32
Fig. 5.11 Reprsentation graphique de la machine squentielle partielle
f
V
13
et de
f
V
32
La table de correspondance entre les tats des machines squentielles partielles
f
V
13
et
f
V
32
et les partitions de lensemble dtats de la machine squentielle est
donne (table 5.6)
f
V
13
f
V
32
Etat Bloc Etat Bloc
1
1, 2, 7, 12 1 1, 3, 5, 10
2
3, 4, 8, 13 2 2, 4, 6, 11
3
5, 6, 9, 14 3 7, 8, 9, 15
4
10, 11, 15, 16 4
12, 13, 14, 16

Tab. 5.6 Correspondance des tats et des partitions
Les deux machines squentielles ainsi dnies possdent les proprits de couplage
et de dcouplage hrites des partitions
f
V
13
et
f
V
32
. Ceci garantit que les chemins
quelles gnrent sont sensibles par rapport aux vnements auxquels elles sont cou-
ples, et robustes par rapport aux vnements desquels elles sont dcouples.
Une squence indicatrice de dfaillances est construite partir du sous-modle
f
V
13
. La sortie de (lorsquelle est disponible) est compare la sortie de
f
V
13
et une
squence r
1
est gnre comme suit
r
1
=
_
_
1 si o
f
V
13
0 si o
f
V
13
o o
est la sortie mesure et o
f
V
13
correspond un bloc de la partition
f
V
13
. Lindica-
teur de dfaillance r
2
est calcul de manire analogique.
Pour pouvoir comparer les sorties produites avec les sorties mesures, la table sui-
vante est utilise
f
V
13
f
V
32
E Sortie E Sortie
1 V
32
ouverte, ux de C
3
vers C
2
1 V
13
ouverte, ux de C
1
vers C
3
2 V
32
ouverte, ux de C
2
vers C
3
2 V
13
ouverte, ux de C
3
vers C
1
3 V
32
ferme 3 Vanne 1 ferme
4 Rgime transitoire dans c
32
4 Rgime transitoire dans c
13
Tab. 5.7 Tableau de correspondance entre les tats des machines squentielles par-
tielles et les sorties mesures
5.3.5 Simulations
Cette section est divise en deux parties :
Le module de surveillance compos des deux machines squentielles partielles
f
V
13
et
f
V
32
est utilis pour surveiller le modle vnementiel du systme trois
cuves (gure 5.10, page 140). Les vnements dentre sont gnrs articiel-
lement. Toutes les simulations et les calculs ont t raliss laide du logiciel
Maxima qui est un solveur symbolique. Lobjectif de cette simulation est de vri-
er que les indicateurs de dfaillances gnrs partir de
f
V
13
et de
f
V
32
pos-
sdent les proprits dsires de robustesse et de sensibilit.
Le module de surveillance valid dans la premire partie est utilis pour sur-
veiller le modle temporel du systme 3 cuves dcrit la page 126. Les sor-
ties continues du modle temporel sont discrtises et compares aux sorties des
machines squentielles partielles . Les machines squentielles partielles sont ex-
cites par des vnements obtenus par discrtisation des entres et des sorties
continues. Toute la simulation est ralise laide du module Stateflow du lo-
giciel Matlab/Simulink. Lobjectif est de valider lapproche de dtection et de
localisation de dfaillances sur un modle proche du systme rel.
Dtection de dfaillances sur le modle vnementiel
Considrons la squence dentre arbitraire suivante :
[1, 3, 2, 9, 4, 5, 3, 6, 2, 7, 1, 8, 4, 10, 2, 5, 7, 8, 4, 6, 2, 1, 3, 2, 4]
o les entres sont reprsentes par leurs numros respectifs
_
a = 1, b = 2, c = 3, d = 4, e = 5, f = 6, g = 7, h = 8, f
V
13
= 9, f
V
32
= 10
_
Les dfaillances apparaissent aux instants 4 et 14 (gure (5.12))
La rponse du systme et des machines partielles
f
V
13
et
f
V
32
est donne par
1
2
3
4
5
6
7
8
9
10
0 5 10 15 20 25
E
v
e
n
e
m
e
n
t
Iteration
(a) Squence dvnements
0
0.2
0.4
0.6
0.8
1
0 5 10 15 20 25
E
v
e
n
e
m
e
n
t
Iteration
(b) Dfaillance vanne 1
0
0.2
0.4
0.6
0.8
1
0 5 10 15 20 25
E
v
e
n
e
m
e
n
t
Iteration
(c) Dfaillance vanne 2
Fig. 5.12 Squences dvnements et dfaillances
: [1, 2, 4, 3, 8, 7, 7, 8, 13, 3, 5, 6, 11, 2, 6, 5, 9, 9, 15, 7, 12, 1, 2, 4, 3, 1]
f
V
13
:
_
1, 2, 7, 12, 1, 2, 7, 12, 3, 4, 8, 13, 3, 4, 8, 13, 3, 4, 8, 13, 1, 2, 7, 12, 1, 2, 7, 12, 3, 4, 8, 13,
3, 4, 8, 13, 3, 4, 8, 13, 5, 6, 9, 14, 5, 6, 9, 14, 10, 11, 15, 16, 1, 2, 7, 12, 1, 2, 7, 12,
1, 2, 7, 12, 1, 2, 7, 12, 5, 6, 9, 14, 10, 11, 15, 16, 1, 2, 7, 12, 1, 2, 7, 12, 1, 2, 7, 12,
1, 2, 7, 12, 3, 4, 8, 13, 3, 4, 8, 13
_
f
V
32
:
_
1, 3, 5, 10, 2, 4, 6, 11, 2, 4, 6, 11, 1, 3, 5, 10, 1, 3, 5, 10, 1, 3, 5, 10, 7, 8, 9, 15, 7, 8, 9, 15,
12, 13, 14, 16, 1, 3, 5, 10, 1, 3, 5, 10, 2, 4, 6, 11, 2, 4, 6, 11, 2, 4, 6, 11, 2, 4, 6, 11,
1, 3, 5, 10, 7, 8, 9, 15, 7, 8, 9, 15, 7, 8, 9, 15, 7, 8, 9, 15, 12, 13, 14, 16, 1, 3, 5, 10,
2, 4, 6, 11, 2, 4, 6, 11, 1, 3, 5, 10
_
Puisque les deux partitions
f
V
13
et
f
V
32
permettent de recomposer la partition
initiale, la combinaison des sorties des deux machines partielles nous permet destimer
ltat de , en calculant lintersection des blocs de partitions reprsents par les sorties
de
f
V
13
et de
f
V
32
s
= s
f
V
13
s
f
V
32
: [1, 2, 4, 3, 3, 1, 7, 8, 13, 3, 5, 6, 11, 2, 2, 1, 7, 9, 15, 7, 12, 1, 2, 4, 3]
La gure (5.13) illustre les quatre squences de sorties
Les squences indicatrices de dfauts sont donnes par la gure (5.14 )
Dtection de dfaillances sur le modle temporel
Cette partie est consacre la validation de la mthode de dtection sur le modle
temporel qui dcrit le systme trois cuves. Pour les besoins de la simulation deux
nouvelles dfaillances sont incorpores dans le modle de fonctionnement dfaillant
dcrit par lquation (5.3) :
def
V
13
est une dfaillance qui reprsente un dfaut de la vanne V
13
.
def
V
32
est une dfaillance qui reprsente un dfaut de la vanne V
32
.
Ces dfaillances reprsentent louverture ou la fermeture intempestive des vannes cor-
respondantes, par exemple, pour la vanne V
13
, lvolution de la dfaillance est donne
par :
def
V
13
=
_
1 si v
13
= 0
v
13
si v
13
0
(5.19)
Le modle de fonctionnement dfaillant devient
0
2
4
6
8
10
12
14
16
0 5 10 15 20 25
E
t
a
t
Iteration
(a) Rponse du systme
1
1.5
2
2.5
3
3.5
4
0 5 10 15 20 25
E
t
a
t
Iterations
(b) Rponse de
f
V
13
1
1.5
2
2.5
3
3.5
4
0 5 10 15 20 25
E
t
a
t
iterations
(c) Rponse de
f
V
32
Fig. 5.13 Graphes reprsentant les rponses du systme complet et des machines
partielles
1
et
2
0
2
4
6
8
10
12
14
16
0 5 10 15 20 25
E
t
a
t
Iteration
Mesure
Estimation
(a) Mesures et estimations de sorties
0
0.2
0.4
0.6
0.8
1
0 5 10 15 20 25
i
n
d
i
c
a
t
e
u
r
Iteration
ind
1
ind
2
(b) Indicateurs de dfaillances
Fig. 5.14 Graphe reprsentant lvolution des indicateurs de dfaillances en fonction
de lvolution de
_
_
x
1
=
1
S
Kv
1
K(v
13
def
V
13
)(1 b
13
)
S
p
S
sign(x
1
x
3
)
2g
_
|x
1
x
3
|
f
1
S
2g
x
1
x
2
=
1
S
Kv
2
+(1 b
32
)K(v
32
def
V
32
)
S
p
S
sign(x
3
x
2
)
2g
_
|x
3
x
2
|

f
2
S
2g
x
2
Kv
20
(1 b
20
)
S
p
S
2g
x
2
x
3
= K(v
13
def
V
13
)(1 b
13
)
S
p
S
sign(x
1
x
3
)
2g
_
|x
1
x
3
|
(1 b
32
)K(v
32
def
V
32
)
S
p
S
sign(x
3
x
2
)
2g
_
|x
3
x
2
|
f
3
S
2g
x
3
Deux capteurs mesurant les dbits q
13
et q
32
sont ajouts
_
_
y
1
= q
13
= K(v
13
def
V
13
)(1 b
13
)
S
p
S
sign(x
1
x
3
)
2g
_
|x
1
x
3
|
y
2
= q
32
= K(v
32
def
V
32
)(1 b
32
)
S
p
S
sign(x
3
x
2
)
2g
_
|x
3
x
2
|
(5.20)
Les valeurs de ces deux capteurs sont discrtises, par exemple pour y
1
:
si y
1
< 0 alors la direction du ux va de la cuve centrale C
3
vers la premire cuve
C
1
.
si y
1
> 0 alors la direction du ux va de la premire cuve C
1
vers la cuve centrale
C
3
.
si y
1
= 0 alors la vanne V
13
est ferme.
si y
1
0 alors la vanne V
13
est ouverte.
et la mme chose pour y
2
. Pendant les premiers instants de louverture dune vanne,
le systme est considr dans un tat transitoire non mesur. Ltat transitoire dbute
au moment o une sortie passe de y = 0 y 0 et se poursuit tant que la vanne nest
pas compltement ouverte. Nayant pas accs une maquette relle, nous consid-
rons que cette tape transitoire dure une seconde ; ce qui correspond deux priodes
dchantillonnage durant lesquelles les mesures et les indicateurs de dfaillances sont
considrs comme non valides.
Suivant la modlisation vnementielle propose dans la section prcdente, seize
tats sont dnis suivant la table de correspondance 5.3. Les tats de 1 9 sont consi-
drs comme valides, ce qui signie que la gnration dindicateurs de dfaillances ne
se fait que lorsque le systme est dans lun des neuf premiers tats.
La simulation seectue en utilisant le logiciel Matlab/Simulink comme pour la
simulation du modle temporel pur, en incorporant des blocs Stateflow pour repr-
senter les machines squentielles partielles dcouples et les modules de gnration
dindicateurs de dfaillances.
Les gures 5.15(a) et 5.15(b) montrent les blocs Stateflow qui reprsentent les
machines squentielles partielles obtenues prcdemment (voir la table 5.3.4).
Les simulations sont eectues sur 300 secondes avec un pas dchantillonnage de
0.5 seconde (gure 5.16 et 5.17(a) ). Une dfaillance de la vanne V
13
est introduite
t = 100s et une dfaillance de la vanne V
32
est introduite t = 150s (gure 5.17(b)).
(a) Bloc reprsentant
V
13
(b) Bloc reprsentant
V
32
Fig. 5.15 Blocs reprsentant les machines squentielles partielles
V
13
et
V
32
0 50 100 150 200 250 300
0
10
20
30
40
50
60
70
80
t
y
(
t
)
Sorties mesures

Niveau de C
1
Niveau de C
2
Niveau de C
3
Fig. 5.16 volution des niveaux de liquide dans les trois cuves
0 100 200 300
0
0.5
1
1.5
2
commande de la vanne V
1
0 100 200 300
0
0.5
1
2
0 100 200 300
0
0.5
1
13
0 100 200 300
0
0.5
1
32
0 100 200 300
0
0.5
1
20
(a) Commande des vannes
0 50 100 150 200 250 300
1
0.8
0.6
0.4
0.2
0
0.2
0.4
0.6
0.8
1
t
(
t
)
Dfaillance
(b) Dfaillances
Fig. 5.17 Entres et dfaillances du modle continu
0 50 100 150 200 250 300
0
0.5
1
1.5
2
2.5
3
3.5
4
t
Sortie des capteurs de dbit

dbit dans c
13
dbit dans c
32
Fig. 5.18 volution des dbits de liquide dans les conduites c
13
et c
32
Les sorties des capteurs de dbits sont donnes gure 5.18.
Les vnements obtenus par discrtisation des sorties sont donns gure 5.19(a) et
gure 5.19(b).
0 100 200 300
0
0.2
0.4
0.6
0.8
1
t
a

0 100 200 300
0
0.2
0.4
0.6
0.8
1
t
b
0 100 200 300
0
0.2
0.4
0.6
0.8
1
t
c
0 100 200 300
0
0.2
0.4
0.6
0.8
1
t
d
(a) vnements a,b,c,d
0 100 200 300
0
0.2
0.4
0.6
0.8
1
t
e

0 100 200 300
0
0.2
0.4
0.6
0.8
1
t
f
0 100 200 300
0
0.2
0.4
0.6
0.8
1
t
g
0 100 200 300
0
0.2
0.4
0.6
0.8
1
t
h
(b) vnements e,f,g,h
Fig. 5.19 vnements dentre du modle vnementiel
La discrtisation des sorties permet dobtenir lvolution discrte du systme (-
gure 5.20(a)). Lvolution du modle vnementiel de bon fonctionnement est donn
gure 5.20(b). Nous remarquons bien que les deux graphiques ne sont plus similaires
aux instants t = 100[s] et t = 150[s], ce qui correspond aux instants dapparition des
dfaillances f
V
13
et f
V
32
.
0 50 100 150 200 250 300
0
2
4
6
8
10
12
14
16
t
s
Mesures discrtises du systme
(a) tat discrtis du systme
0 50 100 150 200 250 300
0
2
4
6
8
10
12
14
16
t
s
Sorties du modle vnementiel
(b) tats estims par le modle vnementiel
Fig. 5.20 volution discrtise du systme et du modle
Les sorties des machines squentielles partielles
V
13
et
V
32
sont montres gure
5.21(a) et 5.21(b).
0 50 100 150 200 250 300
0
0.5
1
1.5
2
2.5
3
3.5
4
t
v
o
l
u
t
i
o
n

d
e

1
Machine squentielle partielle dcouple de f
1
(a) volution de la machine squentielle par-
tielle
V
13
0 50 100 150 200 250 300
0
0.5
1
1.5
2
2.5
3
3.5
4
t
v
o
l
u
t
i
o
n

d
e

2
Machine squentielle partielle dcouple de f
2
(b) volution de la machine squentielle par-
tielle
V
32
Fig. 5.21 volution des machines squentielles partielles dcouples
Les indicateurs de dfaillances sont obtenus en comparant lvolution discrtise
du systme avec les tats des machines squentielles partielles et en appliquant un
ltre pour liminer les divergences qui durent moins de deux priodes dchantillon-
nage (gure 5.22(a) et 5.22(b)). Ces indicateurs sont valides pour les tats 1 9 du sys-
tme, ce qui correspond la valeur 1 de la squence de validation (gure 5.22(c)).
Nous remarquons que lindicateur robuste f
V
13
ragit seulement f
V
32
et que lin-
dicateur robuste f
V
32
ragit seulement f
V
13
. La raction se fait avec un petit retard
(1s) d au traitement. Le module de dtection conu dans la section prcdente est
donc valid.
Remarque 5.3.2 A titre indicatif, les rsidus continus sont donns gure 5.23.
0 50 100 150 200 250 300
0
0.2
0.4
0.6
0.8
1
1.2
t
r
f
1
(
t
)
indicateur robuste f
1
(a) indicateur de dfaillance robuste f
V
13
0 50 100 150 200 250 300
0
0.2
0.4
0.6
0.8
1
1.2
t
r
f
2
(
t
)
indicateur robuste f
2
(b) indicateur de dfaillance robuste f
V
32
0 50 100 150 200 250 300
0
0.2
0.4
0.6
0.8
1
1.2
t
v
a
l
i
d
a
t
i
o
n

d
e
s

i
n
d
i
c
a
t
e
u
r
s
)
Squence de validation
(c) indicateur de validit de dtection
Fig. 5.22 volution des indicateurs de dfaillances
0 100 200 300
10
0
10
20
30
rsidu robuste f
1
0 100 200 300
10
0
10
20
rsidu robuste f
2
et b
20
0 100 200 300
10
0
10
20
rsidu robuste b
13
0 100 200 300
10
0
10
20
rsidu robuste b
32
Fig. 5.23 Rsidus continus
Les deux dfaillances actionneurs sont bien dtectes. Les rsidus ne sont pas conus pour
dtecter les deux dfaillances f
V
13
et f
V
32
, ce qui explique que f
V
13
et f
V
32
soient interprtes
comme des dfaillances dans les conduites c
13
et c
32
. Remarquons que f
V
13
est interprte
galement comme une fuite dans C
1
, ce qui explique la robustesse du premier rsidu par
rapport f
V
13
.
5.4 Conclusion
Tout au long de ce chapitre, lexemple classique du processus trois cuves a t
trait :
Sous la forme temporelle : le modle est trait avec toutes ses non linarits non
direntiables (fonction sign ).
Sous la forme vnementielle : Lapproche de dtection et de localisation dv-
nements inconnus propose au chapitre 2 a t illustre, dans les cas de mesures
disponibles en continu ou par intermittence. Lapproche est identique au cas tem-
porel, seuls les dtails de calcul dirent. Lapproche propose a t valide sur
un modle vnementiel pur, et sur un modle temporel discrtis.
Dans les deux cas, lutilisation du dcouplage comme critre de dcomposition a per-
mis de raliser des systmes de dtection et de localisation de dfaillances. Cette im-
plmentation a t possible grce lutilisation conjointe doutils algbriques pour le
calcul des indicateurs de dfaillances, savoir lalgbre des paires et lalgbre des fonc-
tions.
Chapitre 6
Conclusion gnrale
6.1 Contribution
Cette thse sinscrit dans la continuit des travaux de lquipe SFSD
21
du LAGIS
22
sur la dtection et la localisation des dfauts en utilisant des modles comportemen-
taux. Le point de dpart a t de rechercher une mthode ecace pour la dtection
et la localisation de dfaillances pour les systmes dcrits par un modle dvolution
non linaire. La mthode choisie est base sur la synthse dun banc de ltres robustes
[DI01, HKE99b, JPS03]. Il est apparu que le traitement spar des problmes de d-
couplage et de convergence permet de simplier le traitement de modles complexes.
La problmatique a t formule pour pouvoir rsoudre le problme de dcomposition
indpendamment, puisque des solutions ecaces, permettant de rsoudre le problme
de convergence, existent dans la littrature [MH88].
Lalgorithme de dcomposition a t ralis en utilisant des outils algbriques pour
pouvoir traiter nimporte quel type de non-linarits prsentes dans le modle, no-
tamment les non-linarits non direntiables quil nest pas possible de traiter avec
les outils de la gomtrie direntielle. En tudiant les outils de lalgbre des fonc-
tions, des algorithmes de calcul doprateurs ont t dvelopps. Par ailleurs, il est
apparu comme naturel dtendre lapproche de dcomposition pour la localisation de
dfaillances dautres types de modles comportementaux. Une tude de lalgbre des
paires a t entreprise pour adapter la mthode dveloppe pour les systmes dy-
namique temporelle, au cadre des systmes dynamique vnementielle reprsents
par des automates tats nis. Une synthse des mthodes de surveillance existantes
pour les systmes vnementiels a t ralise, ce qui a permis de souligner des paral-
lles entre les mthodes de surveillance pour les deux types de systmes ( temporels
et vnementiels). En utilisant les points communs entre les deux types dapproche,
une mthode de localisation de dfauts reprsents par des vnements inconnus a
t propose. Cette mthode est obtenue par extension de la mthode dcrite pour les
systmes temporels. Lutilisation des oprateurs de lalgbre des paires a permis de jus-
tier lapproche de manire thorique, et de la raliser sous forme algorithmique facile
21
Sret de fonctionnement des systmes dynamiques
22
Laboratoire dautomatique, gnie informatique et signal de Lille
155
156 Chapitre 6. Conclusion gnrale
implmenter. Lutilisation dun banc de machines squentielles partielles dcouples
pour la gnration dindicateurs de dfaillances structurs, est notre connaissance,
une nouveaut. Lexemple qui est trait dans le chapitre illustratif a t choisi pour
montrer lecacit des deux approches, temporelle et vnementielle, appliques au
mme systme reprsent de deux manires direntes.
Finalement, la contribution de ce travail est rsume en cinq points principaux :
Simplier la formulation du problme de gnration de rsidus structurs pour
la localisation de dfauts. Les contraintes sont divises en deux groupes spa-
rs pour crer deux problmes indpendants : La robustesse des rsidus et leurs
convergences.
Prsenter et dtailler les notions inhrentes lalgbre des paires qui, pour rap-
pel, a t dveloppe pour la synthse de circuits intgrs. Cette tude permet
daborder, par la suite, les oprateurs de lalgbre des fonctions sous un autre
angle et de proposer des mthodes de calcul et dimplmentation originales.
Prsenter loutil algbre des fonctions , qui est lextension de lalgbre des
paires aux ensembles innis, et lutiliser pour raliser la dcomposition pour les
systmes dynamique temporelle. Les proprits intrinsques des oprateurs de
lalgbre des fonctions permettent dobtenir des rsultats dans des situations o
dautres techniques mathmatiques sont mises en chec. Par ailleurs, des paral-
lles sont tracs pour rattacher les notions algbriques aux notions gomtriques
dans le cadre des systmes continus.
Proposer des solutions pour amliorer lalgorithme de dcomposition utilis pour
la synthse de sous-systmes dcoupls. Ltude de lapproche existante [Zhi97]
a permis de cerner les amliorations possibles, et une extension a t ralise, en
utilisant des outils dlimination de variables pour relaxer les contraintes dap-
plication de la dcomposition.
tendre la mthodologie de dcomposition avec critres de robustesse aux mo-
dles vnementiels. Il est possible ds lors de formuler une approche de d-
tection et de localisation dvnements inconnus par dcomposition du modle
vnementiel pour la gnration dindicateurs de dfaillances structurs. Ces no-
tions sont une extension directe de lapproche de surveillance propose pour les
systmes dynamique temporelle. Le cadre thorique a t pos pour la ralisa-
tion dun banc de machines squentielles partielles pour la gnration dindica-
teurs de dfaillances.
6.2 Perspectives
De nombreuses perspectives sont apparues tout au long de ce travail, certaines
comme des ides abstraites, dautres comme des notions concrtes, dont le dvelop-
pement a commenc et est actuellement en cours. Les plus signicatives sont cites
ci-dessous
Implmenter de manire plus ecace les techniques dlimination de variables
dans ltape initiale de lalgorithme de dcomposition. Actuellement, seule lin-
jection linaire de dfaillances est considre.
6.2. Perspectives 157
Ajouter un degr dabstraction la mthode de dcomposition pour pouvoir trai-
ter simultanment des modles temporels et vnementiels. Lapplication vise est
le dcouplage de systmes reprsents par des modles hybrides.
Proposer une mthode de dtection et de localisation de dfaillances vnemen-
tielles en gnrant un indicateur de dfaillances directionnel. Lutilisation de lal-
gbre des paires permet de construire un squelette de la machine squentielle
qui permet de donner un sens lindicateur de dirences qui est actuellement
considr comme binaire.
Utiliser lalgorithme de dcomposition en dehors du thme de la surveillance.
Par exemple, la dcomposition canonique dun systme non linaire peut tre
ralise en utilisant lalgbre des fonctions, par analogie avec la dcomposition
canonique de systmes linaires propose dans [Kal62], o lauteur dnit quatre
sous-parties en fonction des proprits de commandabilit et dobservabilit.
Annexe A
Rappels sur les proprits des
machines squentielles
A.1 Introduction
Cette annexe rappelle des notions lies la dcomposition de machines squen-
tielles, et lutilisation de lalgbre des paires sur les machines squentielles. Nous y
aborderons les notions dquivalence de machines squentielles, de transformations
entre deux machines et de la construction dun rseau de machines. A chaque fois les
outils de lalgbre des paires sont utiliss
A.2 Rappels sur les machines squentielles
Nous utilisons dans ce qui suit les dnitions (2.9,2.10) pour les machines de Mealy,
de Moore et dtat. Les notions disomorphisme et dhomomorphisme sont abordes,
ainsi que des notions plus gnrales dquivalence entre machines.
La notion disomorphisme permet didentier deux machines squentielles qui ont
la mme dynamique, mais qui dirent par leurs ensembles dentres, dtats et de
sorties.
Dnition A.1 Soit deux machines squentielles du mme type dnies par
(S, I, O, , ) et
= (S
, I
, O
)
Les deux machines sont isomorphes si et seulement si il existe trois bijections
_
_
f
1
: S S
f
2
: I I
f
3
: O O
(A.1)
qui ralisent
f
1
[(s, x)] =
[f
1
(s), f
2
(x)]
f
1
[(s, x)] =
[f
1
(s), f
2
(x)]
159
160 Annexe A. Rappels sur les proprits des machines squentielles
Le triplet (f
1
, f
2
, f
3
) est appel isomorphisme entre les machines et
.
Si les applications f
1
, f
2
, f
3
ne sont pas des bijections mais des surjections, alors
est une
image homomorphe de . On se rfre alors au triplet (f
1
, f
2
, f
3
) en tant quhomomorphisme
de la machine M vers M
.
Nous pouvons considrer lisomorphisme comme une imitation de fonctionnement.
Ds lors, deux machines squentielles isomorphes sont interchangeables via une sub-
stitution de leurs ensembles de dnitions. Cette substitution (ou transformation qui-
valente) nentrane pas de perte dinformations (gure A.1).
Fig. A.1 Reprsentation schmatique des machines squentielles isomorphes
et
La notion dhomomorphisme quant elle est unilatrale. La machine peut simu-
ler le fonctionnement de son image homomorphe
, mais linverse nest pas possible.

On dit alors que est plus riche que
et peut en reproduire le fonctionnement. La

transformation de
entrane une perte dinformation (gure A.2).

Fig. A.2 Reprsentation schmatique et de son image homomorphe
Les notions disomorphisme et dhomomorphisme nous mnent directement la

notion dquivalence de machines squentielles. Deux machines squentielles sont
dites quivalentes si lune des deux conditions est remplie :
Toutes les squences dentres produisent des sorties identiques pour les deux
machines.
Pour tout tat de la premire machine, il existe un tat quivalent dans la se-
conde.
Dnition A.2 Soit deux machines
1
= (S
1
, I, O,
1
,
1
) et
2
= (S
2
, I, O,
2
,
2
) avec les
mmes ensembles dentres et de sorties. Les tats s
1
S
1
et s
2
S
2
sont dits quivalents si et
seulement si pour toute squence de commandes x
1
(s
1
, x) =

2
(s
2
, x)
A.2. Rappels sur les machines squentielles 161
Dnition A.3 Deux machines de mme type
1
et
2
sont quivalentes si et seulement si
tout tat s
1
S
1
possde un tat quivalent s
2
S
2
et rciproquement.
Illustration La gure A.3 illustre la relation dquivalence : Les machines
1
(Moore) et
2
(Mealy) sont quivalentes au sens de (A.3) et les deux sont quivalentes
au sens de
la dnition (A.2)
Fig. A.3 Schma reprsentant les machines quivalentes
1
,
2
et
Puisquil existe un certain nombre dquivalences pour une machine , dnissons

la plus petite machine quivalente (en nombre dtats) comme une rduction de .
Dnition A.4 Une machine squentielle (S, O, I, , ) est dite rduite si et seulement si
aucun de ses tats ne possde dtat quivalent autre que lui-mme :
s
1
S : s
1
s
2
s
1
= s
2
Le rsultat suivant [HS66] est important dans ce contexte, puisquil stipule que
pour toute machine il existe un homomorphisme qui permet de dterminer la ma-
chine rduite quivalente, et que cette machine est unique :
Thorme A.1 Considrons la machine squentielle (S, O, I, , ) et sa machine quiva-
lente rduite
. Pour toute autre machine

i
il existe un homomorphisme de
i

Corollaire A.1.1 Si deux machines rduites M et M
sont quivalentes, alors elles sont for-

cement isomorphes.
Illustration Dans lexemple prcdent, la machine
1
est la machine rduite quivalente
de
.
Ces notions sont susantes pour permettre dnir le cadre thorique de la m-
thode de dcomposition de machines squentielles prsente dans le chapitre 4.
Annexe B
Rappels sur la gomtrie direntielle
B.1 Introduction
Cette partie a pour objectif de rappeler les notions les plus courantes de la gom-
trie direntielle : le diomorphisme, lespace tangent, les champs de vecteurs. Des
outils classiques de lalgbre de Lie sont rappels galement notamment la drive et
le crochet de Lie.
B.2 Varit et diomorphisme
Rappelons dabord le thorme des fonctions implicites
Thorme B.1 dit des fonctions implicites : Soit une application k fois continment
direntiable, avec k 1, dun ouvert U T
n
vers T
np
avec 0 p < n, et supposons quil
existe au moins un x
0
U tel que (x
0
) = 0. Si en chaque point x U lapplication linaire
tangente D(x) est de rang plein n p, il existe un voisinage V = V
1
V
2
U de T
n
et une
application k fois continment direntiable de V
1
dans V
2
tels que les deux ensembles
{x V
1
V
2
|(x) = 0} et {(x
1
, x
2
) V
1
V
2
|x
2
= (x
1
)} sont gaux.
Autrement dit, la fonction vrie localement (x
1
, (x
1
)) = 0 et la variable dpen-
dante x
2
= (x
1
) est dcrite laide des p variables dpendantes localement x
1
.
Dnition B.1 Etant donn une application direntiable de T
n
dans T
np
avec 0 p <
n, on suppose quil existe au moins un x
0
solution de lquation implicite (x) = 0 et que
lapplication linaire tangente D(x) est de rang plein (n p) dans un voisinage V de x
0
.
On appelle varit direntiable de dimension p lensemble X dni par lquation implicite
(x) = 0
X = {x V|(x) = 0}
Cet ensemble nest pas vide du fait du thorme B.1. Si est de surcrot k fois diren-
tiable, alors X est une varit de classe C
k
, avec k = 0, ,
Le diomorphisme local permet de dcrire les varits de manire intrinsque,
cest--dire indpendamment de la base dans laquelle (X) = 0 est crite.
163
164 Annexe B. Rappels sur la gomtrie direntielle
Dnition B.2 Soit une application dun ouvert U T
n
de classe C
k
, avec k 1. On dit
que est un diomorphisme local de classe C
k
dans un voisinage U(x
0
) dun point x
0
de U
si est inversible de U(x
0
) dans un voisinage V((x
0
)) dun point (x
0
) de V et si
1
est
est aussi de classe C
k
.
Dnition B.3 On dit que est un homomorphisme local de classe C
k
si est de classe
C
k
, localement inversible et son inverse est continue.
Les diomorphismes locaux sont caractriss par les deux thormes suivants :
Thorme B.2 dit dinversion locale : est un diomorphisme local de classe C
k
avec
(k 1) au voisinage de x
0
si et seulement si son application linaire tangente D(x
0
) est
bijective
Thorme B.3 dit de rang constant : Soit une application de classe C
k
avec (k 1)
dune varit X de dimension n de classe C
k
dans une varit Y de dimension p de classe C
k
Si rang(D(x)) = q min(n, p) pour tout x dans un voisinage U du point x
0
X, alors :
1. y (U) Y,
1
({y}) est une sous-varit de X de dimension n q et de classe C
k
.
2. (U) est une sous-varit de Y de dimension q et de classe C
k
. En particulier
si n p, est injective de U sur Y si et seulement si rang(D(x)) = n pour tout
x U. En en dduit que est un homomorphisme de U sur (U).
si n p, est surjective de U sur V ouvert sur Y si et seulement si rang(D(x)) = p.
Linterprtation la plus simple du diomorphisme est gomtrique : les coordon-
nes curvilignes qui permettent dexprimer une varit X dans un sous-espace vecto-
riel de T
p
sont donnes par
y
1
= (x), , y
np
=
np
, y
np+1
=
1
(x), , y
n
=
p
(x)
o les dirents
i
sont choisies pour que lapplication
x (
1
(x), ,
np
,
1
(x), ,
p
(x))
forment un diomorphisme local. On dit alors quon a redress X puisque
X = {y | y
1
= y
2
= = y
np
= 0}
Dnition B.4 Lespace tangent X au point x X est lespace vectoriel
T
x
X = kerD(x)
Le br tangent TX est lensemble TX =
_
xX
T
x
X
Notons que puisque D(x) est de rang n p dans louvert V alors
dimT
x
X = dimkerD(x) = p, x V
B.3. Algbre de Lie 165
Dnition B.5 Un champ de vecteurs f sur X est une application qui fait correspondre
tout x X le vecteur f (x) T
x
X
Dnition B.6 Une courbe intgrale du champ de vecteurs f est une solution locale de
lquation direntielle x = f (x)
Les courbes intgrales de f existent et sont uniques si f est de classe C
k
(cest--
dire localement lipschitzienne). Rappelons quune fonction f : T
n
T
n
est localement
lipschitzienne si et seulement si
U T
n
, x
1
, x
2
U, K : ||f (x
1
) f (x
2
)|| K||x
1
x
2
||
Lquation direntielle x = f (x) avec f localement lipschitzienne admet au voisi-
nage de tout point x
0
une courbe intgrale passant par x
0
pour t = 0.
B.3 Algbre de Lie
Considrons maintenant un systme de coordonnes locales (x
1
, , x
n
). Les com-
posantes du champ de vecteurs f dans ces coordonnes sont notes [f
1
|f
2
| |f
n
]
T
. On
associe f une opration de drivation appele drive de Lie dans la direction f . On
note t X
t
(x) la courbe intgrale de f qui passe par x t = 0.
Dnition B.7 Soit h : T
n
T
n
une fonction de classe C
1
. On appelle drive de Lie de h
dans la direction f , note L
f
h, la drive de h le long de la courbe intgrale de f en t = 0
L
f
h(x) =
d
dt
h(X
t
(x))|
t=0
=
n
i=1
f
i
(x)
h
x
i
(x)
Cette formule identie un champ de vecteurs f loprateur direntiel linaire
L
f
=
n
i=1
f
i
(x)

x
i
Considrons prsent un champ de vecteurs f et une fonction h. Lopration L
f
peut tre itre : On dnit un oprateur direntiel linaire L
k
f
h pour tout k 0 tel
que
L
0
f
h = h et L
k
f
h = L
f
(L
k1
f
h) , k 1
En outre, si g
1
, , g
k
sont k champs de vecteurs sur X, la drive de Lie itre dordre
r
1
+ +r
k
est dnie par
L
g
1
r
1
L
g
1
r
1
h = L
g
1
r
1
(L
g
2
r
2
L
g
k
r
k
)
Un champ de vecteurs peut tre redress par un changement de coordonnes. Pour
le faire, nous dnissons deux notions, limage dun diomorphisme et lintgrale
premire dun champ de vecteurs.
Dnition B.8 Limage par le diomorphisme du champ f , not f est le champ de
vecteurs donn par
f =
_
L
f
1
(
1
(y)), , L
f
n
(
1
(y))
_
T
On dit que f est redresse par diomorphisme :
L
f
1
(
1
) = 1 (B.1)
L
f
i
(
1
) = 0 i = 2, , n (B.2)
On en dduit que la drive de Lie nest pas aecte par le changement de coordon-
nes puisque L
f
h(x) = L
f
(h
1
)(y).
Dnition B.9 Une intgrale premire de f est une fonction constante le long des courbes
intgrales de f , cest--dire qui vrie L
f
= 0.
Nous pouvons maintenant dnir la notion de crochet de Lie entre deux champs
de vecteurs distincts.
Dnition B.10 Le crochet de Lie entre deux champs de vecteurs f et g est le champ de
vecteurs not [f , g] dtermin par
L
[f ,g]
= L
f
L
g
L
g
L
f
Ce qui donne en coordonnes locales
[f , g] =
n
i=1
_
_
n
j=1
(f
j
g
i
x
j
g
j
f
i
x
j
)
_
_
Le crochet de Lie possde les proprits suivantes :
[f , g] = [g, f ] (antisymtrie).
[f , g] = [f , g] +(L
f
)g (L
g
)f , pour toute paire de fonction C
(, )
[f
1
, [f
2
, f
3
]] +[f
2
, [f
3
, f
1
]] +[f
3
, [f
1
, f
2
]] = 0 (identit de Jacobi)
Le crochet de Lie sinterprte comme suit : considrons le sous-espace vectoriel E(x)
de T
x
X engendr par f (x) et g(x) pour tout x dans un voisinage donn, le crochet [f , g]
indique si les courbes intgrales de f et g ont tendance rester tangentes E pour un
t susamment petit ([f , g] E) ou non ([f , g] E).
B.4 Distribution de champs de vecteurs et intgrabilit
Dnition B.11 Une distribution de champs de vecteurs D est une application qui fait
correspondre le sous-espace vectoriel D(x) T
x
X tout point x X
Considrons un ouvert V de X. La distribution D est rgulire et de rang k constant
dans V sil existe des champs de vecteurs rguliers g
1
, , g
k
tels que :
x V : rang(g
1
(x), , g
k
(x)) = k
B.5. quations aux drives partielles du premier ordre 167
D(x) dcrit un espace vectoriel {(g
1
(x), , g
k
(x)} pour tout x V. On crit aussi
D(x) = e.v. {g
1
(x), , g
k
(x)}
Notons quune distribution de champs de vecteurs ne dpend pas des coordonnes
choisies. Nous allons dnir maintenant une proprit essentielle des distributions :
Dnition B.12 La distribution D est dite involutive si et seulement si pour tout couple de
champs de vecteurs f et g de D on a [f , g] D
Une distribution involutive est donc caractrise par [D, D] D. Par ailleurs, si D
nest pas involutive, on dnit sa clture involutive par :
Dnition B.13 La clture involutive

D dune distribution D est la plus petite distribution
involutive contenant D.
Notons que

D peut tre construite partir des crochets itrs des champs g
1
, , g
k
.
Nous avons ni de dnir les outils de lalgbre de Lie. Nous pouvons prsent
nous poser la question suivante : Est ce que lon peut, pour une distribution donne,
trouver un diomorphisme qui la redresse ? Le thorme suivant, dit thorme de
Frobenius, donne la rponse :
Thorme B.4 Soit une distribution D rgulire de rang k constant. La distribution D peut
tre redresse par diomorphisme si et seulement si D est involutive. Dans ce cas, en tout
point x U ouvert dense sur X, il existe une sous-varit, appele varit intgrale, de di-
mension k, tangente en tout point D.
B.5 quations aux drives partielles du premier ordre
Formulons maintenant le problme de rsolution dun ensemble dquation di-
rentielles partielles du premier ordre dans un ouvert V de la varit X.
_
_
L
g1
y = 0
.
.
.
L
gk
y = 0
o y est la fonction inconnue et o {g
1
, , g
k
} sont des champs de vecteurs rguliers de
rang k pour tout x V.
Soit D(x) = e.v.{(g
1
(x), , g
k
(x)} , x V. Si y est une solution du systme alors et
L
g
y = 0 pour tout g

D , puisque L
[g
i
,g
j
]
= 0. Selon le thorme de Frobenius, pour peu
que D soit involutive, elle peut tre redresse dans V par un diomorphisme = (x)
et limage de D par dans (V) est donne par
D() = e.v.{ g
1
(), , g
k
()} = e.v.
_

1
, ,

k
_
Maintenant, posons z = y
1
. Dans ce cas
L
g
y = 0
z
1
= 0, ,
z
k
= 0
par consquent z ne dpend pas des dirents (V). La solution de lquation dif-
frentielle est donne par y = z , si nous connaissons z.
Nous avons montr que la rsolution dune quation direntielle du premier ordre
peut tre formule comme un redressement du champ de vecteurs correspondant. Par
contre, il est ais de voir que cette solution ne peut tre obtenue que sous lhypo-
thse de la connaissance pralable de la base
_

1
, ,

k
_
qui permet de redresser
{g
1
, , g
k
}.
Par ailleurs si D nest pas involutive, sa clture involutive

D peut toujours tre
redresse si elle est de rang constant dans V.
B.6 Formes direntielles et intgrabilit
Considrons la distribution TX qui tout point de la varit X fait correspondre
lespace tangent T
x
X. TX est involutive et possde une base locale
_

x
1
, ,

x
k
_
.
Lespace dual de T
x
X est not T
x
X et est appel espace cotangent la varit X au
point x et possde une base {dx
1
, , dx
k
} dnie par
<

x
i
, dx
i
>=
i,j
, i, j = 1, , n
o reprsente le symbole de Kronecker et <, > est le produit scalaire. Le br cotan-
gent not T
X est alors donn par T
X =
_
xX
T
x
X.
Soit une fonction : X T une fonction de classe C
. La direntielle de est
dnie par lexpression d =

n
i=1
x
i
dx
i
qui dnit galement lapplication linaire
qui lui est tangente. d(x) est alors un lment de T
x
X et si f (x) T
x
X, x, le produit
scalaire prcdent devient
< d, f >=
n
i,j=1
f
i
x
j
<

x
i
, dx
j
> =
n
i=1
f
i
x
i
= L
f
On dnit de la sorte la direntielle d de comme un objet abstrait sans rf-

rences par ses valeurs aux points x X
Dnition B.14 On appelle forme direntielle de degr 1, ou 1-forme, une application de
w : X T
x
X (B.3)
x w(x) =
n
i=1
w
i
dx
i
(B.4)
B.6. Formes direntielles et intgrabilit 169
w(x) est une combinaison linaire des covecteurs de la base locale de T
x
X coecients w
i
qui sont de classe C
sur X. Lensemble des sections C
de T
x est un espace vectoriel not
1
(X) .
Le produit scalaire dune 1-forme et dun champ de vecteurs f est donn par
< w, f >=
n
i=1
f
i
w
i
Remarque B.6.1 En toute rigueur, une 1-forme nest pas forcment une direntielle de
fonction. On dit quune 1-forme est exacte sil existe une fonction telle que w = d. Par
ailleurs, on dit quune 1-forme est ferme si dw = 0. Le lemme de Poincar nonce que toute
forme ferme sur un ouvert contractile est exacte.
Pour pouvoir dnir le critre dintgrabilit pour les 1-formes, nous allons dnir
la notion dimage rciproque.
Dnition B.15 Soit une 1-forme w sur la varit X de dimension n et un diomorphisme
local dune varit Y de dimension m dans X. Nous appelons image rciproque de w par
, note
w, la 1-forme sur Y dnie par

v TY : <
w, v >=< w, v >
On peut vrier que d
w =
dw .
Dnissons galement la varit intgrale.
Dnition B.16 Soit une famille de 1-formes {w
1
, , w
r
} indpendantes. La varit Y est
appele varit intgrale du systme direntiel
_
_
w
1
= 0
.
.
.
w
r
= 0
(B.5)
sil existe une application direntiable de Y dans X telle que
w
1
, ,
w
r
soient nulles.
Le systme (B.5) est appel systme de Pfa sil nest compos que de 1-formes. Par
ailleurs, le systme
_
_
w
1
= 0
dw
1
= 0
.
.
.
w
r
= 0
dw
r
= 0
(B.6)
est appel fermeture du systme (B.5). Si un systme de Pfa est quivalent algbri-
quement sa fermeture, alors il est ferm.
La condition ncessaire et susante dexistence dune solution est nonce par le
thorme dual du thorme de Frobenius
Thorme B.5 Un systme de Pfa de rang r est compltement intgrable dans un ouvert
U X si et seulement sil est ferm dans U.
B.7 Conclusion
Ce bref rappel de la gomtrie direntielle et de lalgbre de Lie permet de for-
muler et de rsoudre le problme de lexistence dun diomorphisme qui redresse
une distribution de vecteurs donne, ou dans le cas le plus gnral, une 1-forme di-
rentielle. Ce formalisme permet de dterminer la solution dun ensemble dquations
direntielles. Le but de ce rappel est de situer les outils de lalgbre des fonctions
prsents au chapitre 3.
Annexe C
Simulations
Introduction
Dans cette annexe, les rsultats des simulations du systme trois cuves sont don-
ns.
C.1 Fuite dans la 1
re
cuve f
1
Pour une dfaillance permanente (gure C.1).
0 50 100 150 200 250 300
0
1
2
3
4
5
6
7
8
9
t
y
(
t)
Evolution des tats

0 50 100 150 200 250 300
0
0.05
0.1
0.15
0.2
0.25
t
(
t)
Dfaillance
0 50 100 150 200 250 300
0.25
0.2
0.15
0.1
0.05
0
0.05
0.1
0.15
0.2
0.25
t
r
f1
(
t)
Rsidu robuste f
1
0 50 100 150 200 250 300
10
0
10
20
30
40
50
60
t
r
f2
(
t)
Rsidu robuste f
2
0 50 100 150 200 250 300
10
0
10
20
30
40
50
60
70
t
r
b
1
3
(
t)
Rsidu robuste b
13
0 50 100 150 200 250 300
10
0
10
20
30
40
50
60
70
80
t
r
b
3
2
(
t)
Rsidu robuste b
32
Fig. C.1 Rsidus dans le cas dune dfaillance f
1
permanente
Pour une dfaillance intermittente (gure C.2).
171
172 Annexe C. Simulations
0 50 100 150 200 250 300
0
1
2
3
4
5
6
7
8
9
t
y
(
t)
Evolution des tats

0 50 100 150 200 250 300
0
0.02
0.04
0.06
0.08
0.1
0.12
0.14
0.16
0.18
0.2
t
(
t)
Dfaillance
0 50 100 150 200 250 300
0.25
0.2
0.15
0.1
0.05
0
0.05
0.1
0.15
0.2
0.25
t
r
f1
(
t)
Rsidu robuste f
1
0 50 100 150 200 250 300
1
0
1
2
3
4
5
6
t
r
f2
(
t)
Rsidu robuste f
2
0 50 100 150 200 250 300
0.5
0
0.5
1
1.5
2
2.5
3
t
r
b
1
3
(
t)
Rsidu robuste b
13
0 50 100 150 200 250 300
1
0
1
2
3
4
5
6
t
r
b
3
2
(
t)
Rsidu robuste b
32
2
temporaire
C.2 Fuite dans la 2
e
cuve f
2
0 50 100 150 200 250 300
0
1
2
3
4
5
6
7
8
9
t
y
(
t)
Evolution des tats

0 50 100 150 200 250 300
0
0.05
0.1
0.15
0.2
0.25
t
(
t)
Dfaillance
0 50 100 150 200 250 300
5
0
5
10
15
20
25
30
35
40
t
r
f1
(
t)
Rsidu robuste f
1
0 50 100 150 200 250 300
0.25
0.2
0.15
0.1
0.05
0
0.05
0.1
0.15
0.2
0.25
t
r
f2
(
t)
Rsidu robuste f
2
0 50 100 150 200 250 300
10
0
10
20
30
40
50
60
t
r
b
1
3
(
t)
Rsidu robuste b
13
0 50 100 150 200 250 300
10
0
10
20
30
40
50
60
t
r
b
3
2
(
t)
Rsidu robuste b
32
2
permanente
C.3. Fuite dans la 3
e
cuve f
3
173
0 50 100 150 200 250 300
0
1
2
3
4
5
6
7
8
9
t
y
(
t)
Evolution des tats

0 50 100 150 200 250 300
0
0.02
0.04
0.06
0.08
0.1
0.12
0.14
0.16
0.18
0.2
t
(
t)
Dfaillance
0 50 100 150 200 250 300
0.5
0
0.5
1
1.5
2
2.5
3
t
r
f1
(
t)
Rsidu robuste f
1
0 50 100 150 200 250 300
0.25
0.2
0.15
0.1
0.05
0
0.05
0.1
0.15
0.2
0.25
t
r
f2
(
t)
Rsidu robuste f
2
0 50 100 150 200 250 300
0.5
0
0.5
1
1.5
2
2.5
3
t
r
b
1
3
(
t)
Rsidu robuste b
13
0 50 100 150 200 250 300
0.5
0
0.5
1
1.5
2
2.5
t
r
b
3
2
(
t)
Rsidu robuste b
32
2
temporaire
C.3 Fuite dans la 3
e
cuve f
3
0 50 100 150 200 250 300
0
1
2
3
4
5
6
7
8
9
t
y
(
t)
Evolution des tats

0 50 100 150 200 250 300
0
0.05
0.1
0.15
0.2
0.25
t
(
t)
Dfaillance
0 50 100 150 200 250 300
1
0
1
2
3
4
5
6
7
8
9
t
r
f1
(
t)
Rsidu robuste f
1
0 50 100 150 200 250 300
0.4
0.2
0
0.2
0.4
0.6
0.8
1
1.2
1.4
t
r
f2
(
t)
Rsidu robuste f
2
0 50 100 150 200 250 300
10
0
10
20
30
40
50
60
t
r
b
1
3
(
t)
Rsidu robuste b
13
0 50 100 150 200 250 300
10
0
10
20
30
40
50
60
t
r
b
3
2
(
t)
Rsidu robuste b
32
3
permanente
0 50 100 150 200 250 300
0
1
2
3
4
5
6
7
8
9
t
y
(
t)
Evolution des tats

0 50 100 150 200 250 300
0
0.02
0.04
0.06
0.08
0.1
0.12
0.14
0.16
0.18
0.2
t
(
t)
Dfaillance
0 50 100 150 200 250 300
0.3
0.2
0.1
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
t
r
f1
(
t)
Rsidu robuste f
1
0 50 100 150 200 250 300
0.3
0.2
0.1
0
0.1
0.2
0.3
0.4
t
r
f2
(
t)
Rsidu robuste f
2
0 50 100 150 200 250 300
0.5
0
0.5
1
1.5
2
2.5
t
r
b
1
3
(
t)
Rsidu robuste b
13
0 50 100 150 200 250 300
0.5
0
0.5
1
1.5
2
2.5
3
3.5
t
r
b
3
2
(
t)
Rsidu robuste b
32
3
temporaire
C.4 Fuite dans la 2
e
conduite b
32
0 50 100 150 200 250 300
0
2
4
6
8
10
12
14
t
y
(
t)
Evolution des tats

0 50 100 150 200 250 300
0
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0.4
t
(
t)
Dfaillance
0 50 100 150 200 250 300
1
0
1
2
3
4
5
6
t
r
f1
(
t)
Rsidu robuste f
1
0 50 100 150 200 250 300
4.5
4
3.5
3
2.5
2
1.5
1
0.5
0
0.5
t
r
f2
(
t)
Rsidu robuste f
2
0 50 100 150 200 250 300
0.4
0.3
0.2
0.1
0
0.1
0.2
0.3
t
r
b
1
3
(
t)
Rsidu robuste b
13
0 50 100 150 200 250 300
0.25
0.2
0.15
0.1
0.05
0
0.05
0.1
0.15
0.2
0.25
t
r
b
3
2
(
t)
Rsidu robuste b
32
Fig. C.7 Rsidus dans le cas dune dfaillance b
32
permanente
C.5. Fuite dans la conduite de sortie b
20
175
0 50 100 150 200 250 300
0
2
4
6
8
10
12
t
y
(
t)
Evolution des tats

0 50 100 150 200 250 300
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
t
(
t)
Dfaillance
0 50 100 150 200 250 300
1
0
1
2
3
4
5
6
t
r
f1
(
t)
Rsidu robuste f
1
0 50 100 150 200 250 300
2.5
2
1.5
1
0.5
0
0.5
t
r
f2
(
t)
Rsidu robuste f
2
0 50 100 150 200 250 300
1
0
1
2
3
4
5
t
r
b
1
3
(
t)
Rsidu robuste b
13
0 50 100 150 200 250 300
0.25
0.2
0.15
0.1
0.05
0
0.05
0.1
0.15
0.2
0.25
t
r
b
3
2
(
t)
Rsidu robuste b
32
32
temporaire
C.5 Fuite dans la conduite de sortie b
20
0 50 100 150 200 250 300
0
2
4
6
8
10
12
t
y
(
t)
Evolution des tats

0 50 100 150 200 250 300
0
0.05
0.1
0.15
0.2
0.25
t
(
t)
Dfaillance
0 50 100 150 200 250 300
12
10
8
6
4
2
0
2
t
r
f1
(
t)
Rsidu robuste f
1
0 50 100 150 200 250 300
0.25
0.2
0.15
0.1
0.05
0
0.05
0.1
0.15
0.2
0.25
t
r
f2
(
t)
Rsidu robuste f
2
0 50 100 150 200 250 300
35
30
25
20
15
10
5
0
5
t
r
b
1
3
(
t)
Rsidu robuste b
13
0 50 100 150 200 250 300
30
25
20
15
10
5
0
5
t
r
b
3
2
(
t)
Rsidu robuste b
32
20
permanente
0 50 100 150 200 250 300
0
2
4
6
8
10
12
t
y
(
t)
Evolution des tats

0 50 100 150 200 250 300
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
t
(
t)
Dfaillance
0 50 100 150 200 250 300
10
8
6
4
2
0
2
t
r
f1
(
t)
Rsidu robuste f
1
0 50 100 150 200 250 300
0.25
0.2
0.15
0.1
0.05
0
0.05
0.1
0.15
0.2
0.25
t
r
f2
(
t)
Rsidu robuste f
2
0 50 100 150 200 250 300
12
10
8
6
4
2
0
2
t
r
b
1
3
(
t)
Rsidu robuste b
13
0 50 100 150 200 250 300
7
6
5
4
3
2
1
0
1
t
r
b
3
2
(
t)
Rsidu robuste b
32
20
temporaire
Discussion
Les simulations donnent les rsultats escompts. La dfaillance f
3
fait ragir les
quatre rsidus. Les dfaillances f
2
et b
20
ne sont pas discernables, car elles font ragir
les mmes rsidus. Remarquons cependant que la forme des rsidus dire, car une
fuite entrane une baisse du niveau de la deuxime cuve, et un blocage entrane une
monte du niveau. Les dfaillances f
2
et b
20
qui sont a priori non-discernables, peuvent
tre discernes avec une analyse supplmentaire en fonction de ltat de la vanne de
sortie. Une remarque peut tre faite au sujet du 3
e
rsidu (robuste b
13
) lors de loccur-
rence dune dfaillance b
32
, o la raction du rsidu est noye dans le bruit. La faible
raction du rsidu est due laugmentation de la dimension du sous-systme robuste
b
32
en utilisant llimination de variables, ce qui a caus une baisse de la sensibilit
du gnrateur de rsidu.
Bibliographie
[BCC05] D. Berdjag, C. Christophe et V. Cocquempot : Formulation algbrique du
problme de gnration de rsidus pour la dtction et la localisation de
dfaillances. In Journees Doctorales et Nationales du GDR MACS JDMACS-
JNMACS, Lyon, FRANCE, Septembre 2005. GDR-MACS.
[BCC06a] D. Berdjag, C. Christophe et V. Cocquempot : An algebraic method for
nonlinear systemdecomposition. In 6th IFAC Symposium on Fault Detection
Supervision ans Safety for Technical Processes, SAFEPROCESS2006, Beijing,
P.R. CHINA, August 2006. IFAC.
[BCC06b] D. Berdjag, C. Christophe et V. Cocquempot : Nonlinear model decompo-
sition for fault detection and isolation system design. In 45th IEEE Confe-
rence on Decision and Control, San Diego CA, USA, December 2006. IEEE.
[BCCJ06] D. Berdjag, C. Christophe, V. Cocquempot et B. Jiang : Nonlinear mo-
del decomposition for robust fault detection and isolation using alge-
braic tools. International Journal of Innovative Computing, Information and
Control, 2(6):13371353, December 2006.
[BCD05] P. Bouyer, F. Chevalier et D. DSouza : Fault diagnosis using timed au-
tomata. In Proc. 8th International Conference on Foundations of Software
Science and Computer Structures (FoSSaSC05), pages 219233, 2005. SED
FDI temporis.
[Bea71] R.V. Beard : Failure accomodation in linear systems through self reorganisa-
tion. Thse de doctorat, Massachussets Institute of Technology, Cambridge,
MA, 1971.
[BKLS03] M. Blanke, M. Kinnaert, J. Lunze et M. Staroswiecki : Diagnosis and
Fault-Tolerant Control. Springer, 2003. Ch. 5.
[BN93] M. Basseville et I.V. Nikiforov : Detection of Abrupt Changes - Theory and
Application. Prentice-Hall, Inc., Englewood Clis, N.J., 1993.
[BSC04] J. Bin, M. Staroswiecki et V. Cocquempot : Fault diagnosis based on adap-
tive observer for a class of nonlinear systems with unknown parameters.
International Journal of Control, 77(4):415426, March 2004.
[CCJ04] C. Christophe, V. Cocquempot et B. Jiang : Link between high gain
observer-based residual and parity space one for fdi. Transactions of Ins-
titute of Measurements and Control, 26(4):325337, 2004.
177
178 Bibliographie
[Chr01] Cyrille Christophe : Surveillance des systmes non linaires : Application aux
machines lectriques. Thse de doctorat, Universit des Sciences et Techno-
logies de Lille, Lille, november 2001.
[Cla78] R.N. Clark : A simplied instrument detection scheme. IEEE Transactions
on Aerospace and Electronic Systems, 14:456465, 1978.
[Cla89] R.N. Clark : State estimation schemes for instrument fault detection. In
Fault Diagnosis in dynamic systems, 1989.
[CLO91] D. Cox, J. Little et D. OShea : Ideals, Varieties, and Algorithms. Springer
Verlag, 1991.
[CP99] J. Chen et R.J. Patton : Robust model-based fault diagnosis for dynamic sys-
tems. Kluwer academic publishers, 1999.
[CW84] E.Y. Chow et A.S. Willsky : Analytical redundancy and the design of ro-
bust failure detection systems. In IEEE Transactions on Automatic Control,
volume 29, pages 603614, 1984.
[DGH79] K.C. Dali, E.J. Gai et J.V. Harrison : Generalized likehood test for fdi in
redundancy sensor conguration. Journal of guidance and control, 2:917,
1979.
[DI00] C. DePersis et A. Isidori : A dierential geometric approach to nonlinear
fault detection and isolation. In Safeprocess2000 IFAC Symposium, pages
542547, Budapest , Hungary, 2000.
[DI01] C. DePersis et A. Isidori : A geometric approach to nonlinear fault detec-
tion and isolation. IEEE Transactions on Automatic Control, 46(6):853865,
June 2001.
[Dio91] S. Diop : Elimination in control theory. Mathematics of Control, Signals, and
Systems, 4:1732, 1991.
[DJDZ99] S.X. Ding, T. Jeinish, E.L. Ding et D. Zhou : Application of observer based
fdi schemes to the three tank system. In Proceedings of the 4th European
Control Conference, ECC99, Karlsruhe, Germany, 1999.
[FJ03] M. Fliess et C. Join : An algebraic approach to fault diagnosis for linear
systems. In Proc. CESA Conf., 2003.
[FJSR04] M. Fliess, C. Join et H. Sira-Ramrez : Robust residual generation for
linear fault diagnosis : an algebraic setting with examples. nternational
Journal of Control, 1977:1223 1242, 2004.
[FKKS02a] E. Fomina, A. Keevallik, M. Kruus et A. Sudnitson : A decomposition
procedure for register-transfer level power management. In International
Conference on Computer Systems and Technologies CompSysTech2002, 2002.
AP decomposition FSM.
[FKKS02b] E. Fomina, A. Keevallik, M. Kruus et A. Sudnitson : Web-based tools for
nite state machine decomposition with analysis of information ows. In
Proc. 8th International Baltic Electronics Conference BEC2002, pages 165
168, 2002.
179
[Fra1] P.M. Frank : Fault diagnosis in dynamic system via state estimation - a survey,
pages 3598. D. Reidel Press, 1.
[Fra90] P.M. Frank : Fault diagnosis in dynamic systems using analytical and
knowledge-based redundancy - a survey and some new results. Automa-
tica, 26:459474, 1990.
[FVZ99] V. F. Filaretov, M. K. Vukobratovic et A. N. Zhirabok : Observer-based
fault diagnosis in manipulation robots. In Elsevier Science Ltd., diteur :
Mechatronics, volume 9, pages 929939, 1999.
[FVZ03] V. F. Filaretov, M. K. Vukobratovic et A. N. Zhirabok : Parity relation
approach to fault diagnosis in manipulation robots. In Elsevier Science
Ltd., diteur : Mechatronics, volume 13, pages 141152, 2003.
[FW89] P.M. Frank et J. Wunnenberg : Fault diagnosis in dynamic systems : Theory
and application, chapitre Robust fault diagnosis using robust using unk-
nown input unknown schemes, pages 4798. Prentice-Hall, 1989.
[Ger98] Janos J. Gertler : Fault Detection and Diagnosis in Engineering Systems.
New York - Basel, 1998.
[Gha05] M. Ghazel : Surveillance des systmes vnements discrets laide des r-
seaux de Petri Temporels. Thse de doctorat, Ecole Centrale de Lille, 2005.
chap. 6.
[Had03] C.N. Hadjicostis : Encoded nite-state machines for non concurrent er-
ror detection and identication. In Proceedings of the 2003 International
Symposium on Circuits and Systems, ISCAS 03., 2003.
[HKE99a] H. Hammouri, M. Kinnaert et E.H. ElYaagoubi : New Directions in Nonli-
near Observer Design, chapitre Application of Nonlinear Observers to Fault
Detection and Isolation, pages 423443. Springer-Verlag, 1999.
[HKE99b] H. Hammouri, M. Kinnaert et E.H. ElYaagoubi : Observer based approach
to fault detection and isolation for nonlinear systems. IEEE Transactions of
Automatic Control, 44:18791884, 1999.
[HKE01] H. Hammouri, M. Kinnaert et E.H. ElYaagoubi : A geometric approach
to fault detection and isolation for bilinear systems. IEEE Transactions of
[HS66] J. Hartmanis et R. Stearns : The algebraic structure theory of sequential
machines. Prentice-Hall, New York, 1966.
[HV99] C.N. Hadjicostis et G.C. Verghese : Structured redundancy for fault tole-
rance in lti state-space models and petri nets. Kybernetika, 35:3955, 1999.
[HZKW03] S. Hashtrudi Zad, R.H. Kwong et W.M. Wonham : Fault diagnosis in
discrete-event systems : framework and model reduction. IEEE Transac-
tions on Automatic Control, 48(7):1199 1212, July 2003.
[IF91] R. Isermann et B. Freyermuth : Process fault diagnosis based on process
model knowledge - part 1 : Principles for fault diagnosis with parameter
estimation. Transactions of the ASME, 113:620626, 1991.
180 Bibliographie
[Ise84] R. Isermann : Process fault-detection based on modelling and estimation
methods - a survey. Automatica, 20:387404, 1984.
[Ise05] R. Isermann : Model-based lt detection and analysis - status and appli-
cation. Annual Reviews in Control, 29:7185, 2005.
[Isi95] A. Isidori : Nonlinear Control Systems 3rd ed. Springer-Verlag, Berlin, 1995.
[Jon73] H.L. Jones : Failure detection in linear systems. Thse de doctorat, Massa-
chussets Institute of Technology, Cambridge, MA, 1973.
[JPS03] C. Join, J.-C. Ponsart et D. Sauter : Nonlinear lters bank for fdi : an
alternative to the fundamental problemof residual generation. In Proc. 5th
IFAC symp. on Fault Detection Supervision and Safety for Technical Processes,
SAFEPROCESS2003, pages pp. 645650, Wahington D.C., 2003.
[Kal62] R.E. Kalman : Canonical structure of linear dynamical systems. Procee-
dings of the National Academy of Sciences, 48:596600, 1962.
[KSGF99] B Kppen-Seliger, E.A. Garcia et P.M. Frank : Fault detection : dierent
strategies for modelling applied to the three tank benchmark - a case study.
In Proceedings of the 4th European Control Conference, ECC99, Karlsruhe,
Germany, 1999.
[Loo01] T. Lootsma : Observer-based fault detection and isolation for nonlinear sys-
tems. Thse de doctorat, Aalborg university Denmark, 2001.
[LTS
+
01] S. Lafortune, D. Teneketzis, R. Sengupta, M. Sampath et K. Sinnamo-
hideen : Failure diagnosis of dynamic systems : An approach based on
discrete event systems. In Proceedings of the American Control Conference,
Arlington, VA, USA, june 2001.
[Lue66] D.G. Luenberger : Observing the state of a linear system. In IEEE Trans.
Mil. Electron., volume MIL-8, pages 7484, 1966.
[LW88] X. Lin et W. Wonham : On observability of discrete-event systems. Infor-
mation Sciences, 44:179198, 1988.
[LWC05] M.L. Leuschen, I.D. Walker et J.R. Cavallaro : Fault residual generation
via nonlinear analytical redundancy. IEEE Transactions on Control Systems
Technology, 13(3):452 458, May 2005.
[Mas86] M.A. Massoumnia : A geometric approach to the synthesis of failure de-
tection lters. In IEEE Transactions on automatic control, volume AC-31,
pages 839846. IEEE, September 1986.
[MCC
+
97] D. Maquin, V. Cocquempot, J.P. Cassar, M. Staroswiecki et J. Ragot :
Generation of analytical redundancy relations for fdi purposes. In IEEE
Int. Symposium on Diagnostics for Electrical Machines, Power Electronics and
Drives, SDEMPED97, pages 270276, Carry-le Rouet, France, September
1997.
[MH88] E.A. Misawa et J.K. Hedrick : Nonlinear observers - a state of the art sur-
vey. In Proceedings of the Symposium, ASME Winter Annual Meeting, pages
5969, Chicago, IL; USA, 27 Nov.-2 Dec. 1988 1988.
181
[Mir79] L.A. Mironovsky : Functional diagnosis of linear dynamic systems. Auto-
mation and remote control, 8:120128, 1979.
[MVW89] M.A. Massoumnia, G.C. Verghese et A.S. Willsky : Failure detection
and identication. IEEE Transactions on Automatic Control, 31(3):316321,
1989.
[Pat94] R.J. Patton : Robust model-based fault diagnosis : The state of the art.
In Proceedings IFAC Symposium SAFEPROCESS94, volume 1, pages 124,
Espoo, Finland, June 1994. IFAC.
[PC91] R.J. Patton et J. Chen : A re-examination of the relationship between pa-
rity space and observer-based approaches in fault diagnosis. European jour-
nal of diagnosis and safety in automation, 1:183200, 1991.
[Pet99] S. Pettersson : Analysis and Design of Hybrid Systems. Thse de doctorat,
Chalmers University of Technology, Gteborg, Sweden, 1999.
[PFC00] R. Patton, P.M. Frank et R.N. Clark : Issues of Fault Diagnosis for Dynamic
Systems. Springer, 2000.
[Rit50] J.F. Ritt : Dierential Algebra. American Mathmatical Society, 1950.
[SCV01] M. Staroswiecki et G. Comtet-Varga : Analytical redundancy relations for
fault detection and isolation in algebraic dynamic systems. Automatica,
37:687699, 2001.
[Shu91] A.Ye Shumsky : Fault isolation in nonlinear dynamic systems by functional
diagnosis. Automation and Remote Control, 12:148155, 1991.
[Shu94] A.Ye Shumsky : An approach to failure isolation in nonlinear uncertain
systems. In Proceedings of the American control conference, Baltimore, Ma-
ryland, June 1994.
[Shu97] A. Y. Shumsky : Robust residual generation for diagnosis of nonlinear sys-
tems : parity relation approach. In Preprints of the 3rd IFAC Symposium
on Fault Detection, Supervision and Safety for Technical Processes, SAFEPRO-
CESS 97, 1997.
[Shu99] A. Shumsky : Parity space approach to fault diagnosis in nonlinear systems.
In European Control Conference, 1999.
[Shu00] A.Ye Shumsky : Continuous-time parity relation method for fault diagno-
sis in non linear uncertain systems. In Preprints of the 4th IFAC Symposium
on Fault Detection, Supervision and Safety for Technical Processes SAFEPRO-
CESS2000, volume 2, pages 998113, Budapest, Hungary, June 2000.
[SSL
+
95] M. Sampath, R. Sengupta, S. Lafortune, K. Sinnamohideen et D. Tene-
ketzis : Diagnosability of discrete-event systems. IEEE Transactions on
[SSL
+
96] M. Sampath, R. Sengupta, S. Lafortune, K. Sinnamohideen et D. Teneket-
zis : Failure diagnosis using discrete-event models. IEEE Transactions on
control systems technology, 4:105124, 1996.
182 Bibliographie
[SZ05] A.Ye. Shumsky et A.N. Zhirabok : Nonlinear diagnostic lter design : Al-
gebraic and geometric points of view. In IFAC World Cong., Prague, July
2005.
[TU03] S. Takai et T. Ushio : Supervisory control of a class of concurrent discrete
event systems. In Proceedings of the 16th Workshop on circuits and systems,
pages 471476, 2003.
[UOO98] T. Ushio, I. Onishi et K. Okuda : Fault detection based on petri net models
with faulty behaviours. In International Conference on Systems, Man, and
Cybernetics, volume 1, pages 113118. IEEE, Oct 1998.
[Ush02] T. Ushio : Detection of human errors based on discrete event system
theory. In Proceedings of the 41st SICE Annual Conference, numro 1760-
1763, 2002. SED FDI Petri.
[Utk81] V.I. Utkin : Principles of identication using sliding regimes. Sov. Phys.
Dokl., 26(3):271272, 1981.
[UUTY03] Y. Ukawa, T. Ushio, S. Takai et S. Yamamoto : Fault diagnosis in a class of
concurrent discrete event systems. In Proceedings of the 42st SICE Annual
Conference, pages 23602363, 2003. SED FDI concurrent simultan.
[Zad99] S. Hashtrudi Zad : Fault diagnosis in discrete-event and hybrid systems. Thse
de doctorat, Univiversity of Toronto, 1999.
[Zhi96] A.N. Zhirabok : Fault diagnosis il linear dynamic systems via nonlinear
observer. In Proceedings of the 35th Conference on decidsion and control,
Kobe, JAPAN, 1996. IEEE.
[Zhi97] A.N. Zhirabok : Fault detection and isolation : linear and nonlinear sys-
tems. In Proceedings of the IFAC Symposium Safeprocess97, pages 903908,
Hull, 1997.
[Zhi01] A.N. Zhirabok : On canonical decomposition of nonlinear systems. In
M. Thoma, diteur : Lecture notes in control and Information Sciences, vo-
lume 259, pages 555564. Springer-Verlag, 2001.
[Zhi06] A.N. Zhirabok : Nonlinear dynamic systems : their canonical decom-
position based on invariant functions. Automation and Remote Control,
67(4):517528, 2006.
[ZKW99] S.H. Zad, R.H. Kwong et W.M. Wonham: Fault diagnosis in timed discrete-
event systems. In Proceedings of the IEEE Conference on Decision and
Control, volume 2, pages 17561761, 1999.
[ZM04] A.N. Zhirabok et A.M. Michtchenko : Global transformation of nonli-
near dynamic systems into controllability canonical forms. In MTNS2004,
2004.
[ZP93a] A.N. Zhirabok et O.V. Preobrazhenskaya : Instrument fault detection in
nonlinear dynamic systems. In Proceedings of the IEEE International Confe-
rence on Systems, Man and Cybernetics, volume 5, pages 114119, June 1993.
183
[ZP93b] A.N. Zhirabok et O.V. Preobrazhenskaya : Robust fault detection in tech-
nological equipment. In Japan IntI Electronics Manufacturing Technology
Symposium. IEEE, 1993.
[ZS87] A.N. Zhirabok et A.Ye. Shumsky : Functional diagnosis of continuous dy-
namic systems described by equations whose right-hand side is polyno-
mial. Automation and Remote Control, 8:154164, 1987.
[ZS93] A.N. Zhirabok et A.Ye. Shumsky : A new mathematical techniques for
nonlinear systems research. In Proceedings 12th World Congress IFAC, pages
485488, Sidney, 1993.
Mthodes algbriques pour la dcomposition de modles
comportementaux :
Application la dtection et la localisation de dfaillances.
Rsum
Cette thse traite de la dtection et de la localisation des dfaillances base de modles
comportementaux. L'approche suggre consiste extraire du modle comportemental un sous-
modle dcoupl par rapport aux perturbations et par rapport un sous-ensemble de dfaillances et
coupl par rapport au sous-ensemble complmentaire de dfaillances. A l'aide de ce sous modle,
des indicateurs de dfaillances structurs sont gnrs. Ces indicateurs possdent intrinsquement
des proprits de robustesse aux perturbations et certaines dfaillances et sont sensibles au reste
des dfaillances. Cette approche repose donc sur la dcomposition du modle comportemental du
sstme en sous-modles.
!ne mthodologie de dcomposition est prsente pour traiter les modles continus et les modles
"nementiels de la m#me manire. Cette mthodologie de dcomposition est formule en utilisant
des outils algbriques connus sous le nom d'algbre des paires et d'algbre des fonctions. Les deux
algbres sont prsentes et leurs oprateurs sont dtaills et illustrs. $l est montr que la procdure
de dcomposition dcrite pour les modles continus en utilisant l'algbre des fonctions est similaire
celle dcrite pour les modles "nementiels en utilisant l'algbre des paires. !ne procdure de
dcomposition gnrale est ensuite propose pour tous les modles comportementaux dterministes.
Les rsultats thoriques sont illustrs par la dcomposition des modles comportementaux %continu
et "nementiel& du sstme trois cu"es, et par la snthse d'un module de dtection et de
localisation de dfaillances pour chaque cas trait.
Mots cls : 'nration de rsidus robustes, dcomposition de modles, dtection et localisation de
dfaillances, sstmes non-linaires, sstmes "nementiels, mthodes algbriques, sstme trois
cu"es.
Behavioral models decomposition using algebraic methods :
Application on fault detection and isolation.
Abstract
(his thesis concerns fault detection and isolation using beha"ioral models. (he suggested approach
consists in the determination of a sub-sstem )hich is decoupled from the perturbation and from a
subset of faults and sensiti"e to the remaining faults. !sing this sub-sstem, structured fault
indicators are generated. (hese indicators are intrinsicall robust to the perturbations and to some
faults and sensiti"e to the remaining faults. (hus, this approach is based on the decomposition of the
beha"ioral model of the process to monitor into sub-sstems.
A decomposition methodolog is proposed to handle continuous and discrete models in a similar
)a. Algebraic tools, *no)n as pair algebra and algebra of functions, are used to formulate the
decomposition methodolog. +oth algebras are presented, and their operators detailed and
illustrated. $t is sho)n that the decomposition procedure for the continuous case based on algebra of
functions is similar to the discrete case based on pair algebra. ,inall, a decomposition methodolog
for all tpes of deterministic beha"ioral models is proposed.
(he theoretical results are illustrated b the decomposition of the beha"ioral models %continuous
and discrete& of the three tan* process, and the snthesis of fault detection and isolation module for
both cases.
e!"ords : -obust residual gnration, model decomposition, fault detection and isolation,
nonlinear sstems, discrete-e"ent sstems, algebraic methods, three-tan*s sstem.

2007 Berdjag PDF

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

2007 Berdjag PDF

Transféré par

Droits d'auteur :

Formats disponibles

Numro d'ordre : 4063

W et dont les sorties Y

peuvent tre expri-

et qui est iden-

nest pas nul,

. Ceci implique que possde

est de dimension strictement infrieure au modle alors le

et de sont gales, alors le

est obtenu par

est obtenu par dcomposition, il est possible de dterminer le sous-modle

de sorte que la connaissance de

(cas discrtis) peuvent tre linaires ou

(x(t), w(t)) = h(x(t), u, ) +h

: ensemble dvnements inconnus associs aux perturbations externes.

qui regroupe les dfaillances possibles

ajouts lensemble dtats de bon fonctionnement S

= {1, 3, 4, 2}, un ensemble dentres I

= {a, b, c, d} et un ensemble de sorties

est couple par rapport f

est dans ltat 134 et

) ne peut pas tre ralise par un sous-modle

qui est un sous-modle et

avec les sorties de (table 2.7).

234 234 234 234 1 234 234 1 234 1 234 234 1

ne sont plus cohrentes et permettent

Thse de Denis Berdjag, Lille 1, 2007

| A} est disjointe, si chaque paire densembles prise

(s) = {t|s t} (3.4)

(s) pour un lment s S

dcrit le partitionnement de S par (3.5).

forment les lments dun nouvel ensemble qui se substitue S et

o i I, est appele limage selon de .

est une restriction de .

est dcrite par la table (3.11).

: (S, +, .), o + et . sont les oprations daddition et de multiplication dnies

La paire algbrique est anti-symtrique. Si (,

, ) forment des paires alors

. Nous dnissons alors un membre de gauche et un membre de droite

qui forment une

) forme une paire alg-

) est une paire algbrique sur } (3.13)

3} par exemple, il nest pas possible de distinguer

3} permet de distinguer chaque lment.

une algbre des paires o et lapplication de transition

= {x L|(x m(x)} = {x L|(x M(x)}

appartiennent la mme partition si et seule-

W un sous-ensemble dentres non vide. Il existe une partie de qui est

et uniquement par elle. Cette partie de est un sous-modle, not

X est dtermin en considrant

sont des restrictions de F et H aux ensembles W

Selon cette formulation, pour un sous-ensemble dentres donn W

est inconnu. La relation qui permet dobtenir

partir de est note

. existe si le sous-modle est ralisable.

est utilis pour formuler le critre de

est le rsultat de la dcomposition.

W donn, la fonction telle que

est le complment du sous-modle

et est dcrit par le

sont des restrictions

passe par la dnition

, et la recherche de la fonction telle que

est limage de X par .