Or Antes Molina

Anne 2005
N d'ordre : 796
THSE
Prpare au
Laboratoire d'Analyse et d'Architecture des Systmes du CNRS
En vue de l'obtention du titre de
Docteur de l'Institut National des Sciences Appliques de Toulouse
Spcialit
Systmes Automatiques
Par
Antonio ORANTES MOLINA
METHODOLOGIE POUR LE PLACEMENT DES

CAPTEURS A BASE DE METHODES DE
CLASSIFICATION EN VUE DU DIAGNOSTIC
Rapporteurs :
Joseba QUEVEDO
Gilles TRYSTRAM
Directeur de thse :
Marie-Vronique LE LANN
Examinateurs :
Gilbert CASAMATTA
Christophe GOURDON
Cyrille LEMOINE
Invit(s) :
Joseph AGUILAR-MARTIN
Rapport LAAS N
Table des matires
Introduction Gnrale......................................................................................................... 1
1. Diagnostic de procds chimiques .................................................................................. 5
1.1 Introduction ............................................................................................................................................... 5
1.2 Dtection de dfauts et diagnostic.............................................................................................................. 7
1.3 Classification des mthodes de diagnostic................................................................................................ 11
1.3.1 Diagnostic Quantitatif ........................................................................................................................13
1.3.2 Diagnostic Qualitatif ..........................................................................................................................17
1.4 Mthodes de classification ....................................................................................................................... 21
1.4.1 Algorithmes par hirarchisation .........................................................................................................21
1.4.2 Algorithmes par partitionnement ........................................................................................................24
1.4.3 Algorithmes issus de la thorie des graphes........................................................................................26
1.4.4 Algorithme de rsolution mixte Mixture-Resolving ......................................................................27
1.4.5 Classification par le plus proche voisin ..............................................................................................27
1.4.6 Classification Floue............................................................................................................................28
1.5 La mthode LAMDA ............................................................................................................................... 29
1.5.1 Les caractristiques de LAMDA ........................................................................................................30
1.5.2 Description de la mthodologie LAMDA ...........................................................................................31
1.5.3 Les Concepts de LAMDA ..................................................................................................................33
1.5.4 Lalgorithme de la classification ........................................................................................................35
ii
Table de matires
1.5.5 Loutil SALSA................................................................................................................................... 39

1.6 Conclusions ..............................................................................................................................................40
2. Modlisation et simulation de procds chimiques ..................................................... 43

2.1 Introduction ..............................................................................................................................................43
2.2 Concepts et caractristiques du simulateur HYSYS ..................................................................................46
2.2.1 Concepts de base du simulateur HYSYS............................................................................................ 46
2.2.2 Caractristiques principales de HYSYS ............................................................................................. 49
2.3 Programmation de HYSYS .......................................................................................................................50
2.4 Modle de lunit de production du propylne glycol ...............................................................................53
2.5 Le nouveau racteur OPR (Open Plate Reactor).......................................................................................59
2.6 Conclusions ..............................................................................................................................................61
3. Dveloppement de la mthodologie daide au placement de capteurs en vue du

diagnostic ........................................................................................................................... 63
3.1 Introduction ..............................................................................................................................................63
3.2 Mthodes de slection de capteurs ............................................................................................................64
3.3 Mthodes de slection partir du rsultat de la classification de donnes .................................................65
3.3.1 LEntropie.......................................................................................................................................... 66
3.3.2 Le gain de linformation..................................................................................................................... 68
3.3.3 Critres de slection des capteurs....................................................................................................... 69
3.4 Description de la mthodologie daide au placement de capteurs en vue du diagnostic.............................77
3.4.1 Paramtres du classificateur ............................................................................................................... 78
3.4.2 Placement de capteurs ........................................................................................................................ 80
3.4.3 Modle de comportement................................................................................................................... 81
3.4.4 Diagnostic en ligne ............................................................................................................................ 82
3.5 Conclusions ..............................................................................................................................................84
4. Placement de capteurs et diagnostic de procds chimiques ...................................... 87

4.1 Introduction ..............................................................................................................................................87
4.2 Application de la mthodologie partir de lutilisation du simulateur industriel HYSYS .........................89
Table de matires
iii
4.2.1 Dtection des dfauts en utilisant tous les descripteurs : application au modle de production de
propylne glycol .............................................................................................................................91
4.2.2 Slection des capteurs : application au modle de la production de propylne glycol .........................94
4.2.3 Obtention du modle du comportement ..............................................................................................99
4.2.4 Reconnaissances de dfauts inconnus...............................................................................................103
4.2.5 Utilisation des autres critres............................................................................................................115
4.3 Application de la mthodologie sur le nouveau procd OPR .................................................................116
4.3.1 Raction destrification ..................................................................................................................119
4.3.1.1 Slection des descripteurs : Application la raction destrification........................................121
4.3.1.2 Conception du modle de comportement pour la raction destrification .................................124
4.3.1.3 Reconnaissances de dfauts inconnus : Application la raction destrification ......................126
4.3.2 Raction du thiosulfate.....................................................................................................................129
4.3.2.1 Slection des descripteurs : Application la raction du thiosulfate mise en uvre dans le
racteur Open Plate Reactor ............................................................................................................130
4.3.2.2 Conception du modle de comportement : Application la raction du thiosulfate mise en oeuvre
dans le racteur Open Plate Reactor ................................................................................................132
4.3.2.3 Reconnaissances de dfauts inconnus : Application la raction du thiosulfate ........................135
4.4 Conclusions ............................................................................................................................................138
5. Conclusions et perspectives......................................................................................... 139

Rfrences ........................................................................................................................ 143
Annexes
A. Exemple de calcul de la mthode LAMDA ............................................................... 151
B. programmation sous HYSYS ..................................................................................... 159
C. Proprits de lEntropie ............................................................................................. 165
D. Dfauts Simultans ..................................................................................................... 169
Liste des figures

Figure 1-1 Diffrents types de dfauts : a) dfaut abrupt, b) dfaut intermittent, c) dfaut graduel 8
Figure 1-2 Schma gnral dun systme de diagnostic
10
Figure 1-3 Classification des mthodes de diagnostic
12
Figure 1-4 Architecture gnrale de la dtection de dfauts base de modles
15
Figure 1-5 Diffrentes approches de classification non supervise
21
Figure 1-6 Points dans trois classes
22
Figure 1-7 Dendrogramme obtenu en utilisant lalgorithme single-link
22
Figure 1-8 Clusters produits par les algorithmes de hirarchisation sur un ensemble dlments
contenant 2 classes.
23
Figure 1-9 Deux classes concentriques
23
Figure 1-10 Sensibilit de lalgorithme k-Means la partition initiale
25
Figure 1-11 Classes formes en utilisant le MST ( Minimal Spanning Tree )
27
Figure 1-12 Classes floues
29
Figure 1-13 Calcul de ladquation dun lment
30
Figure 1-14 Algorithme gnral de LAMDA
38
Figure 1-15 Structure de SALSA hors ligne
39
Figure 1-16 Structure de SALSA en ligne
39
Figure 2-1 Exemple de Main Flowsheet dans HYSYS
48
Figure 2-2 Environnements de dveloppement dans HYSYS
48
Figure 2-3 Organigramme des environnements dans la hirarchie
50
Figure 2-4 Connexion en ligne du simulateur HYSYS et de loutil de classification SALSA
52
Figure 2-5 Schma de lunit de production de propylne glycol
53
Figure 2-6 Architecture de lensemble des blocs de simulation utiliss sous HYSYS
54
Figure 2-7 Fentre des proprits de loxyde de propylne du courant Prop Oxide
56
Figure 2-8 Sous-diagramme de la colonne de distillation
57
Figure 2-9 Schma standard des rgulateurs sur HYSYS
58
Figure 2-10 Open Plate Reactor
59
Figure 3-1 Concept du gain de linformation
68
Figure 3-2 Procdure probabiliste de slection de capteurs par paires de classes
72
Liste de figures
Figure 3-3 Valeurs de lentropie probabilis pour 2 classes

73
Figure 3-4 Procdure de slection des capteurs par lanalyse de lensemble des classes
74
Figure 3-5 Valeurs de lentropie pour 3 classes
75
Figure 3-6 Organigramme de la mthode base sur lentropie non probabiliste
76
Figure 3-7 Organigramme de la mthode de la variance
77
Figure 3-8 Schma de la procdure daide au placement des capteurs
80
Figure 3-9 Conception du modle comportemental
81
Figure 3-10 Schma du diagnostic en ligne du procd
82
Figure 3-11 tapes de la conception du systme de diagnostic
83
Figure 4-1 Diagramme des diffrentes tapes de la mthodologie de placement des capteurs et du
diagnostic de procds chimiques
88
Figure 4-2 Classification suite la simulation dune hausse doxyde de propylne
92
Figure 4-3. Profil des 2 classes Normal et Dfaut
93
Figure 4-4 Rsultat du gain relatif dans le cas de la dfaillance hausse doxyde
96
Figure 4-5 Gains relatifs des descripteurs en prenant en compte tous les dfauts
99
Figure 4-6 Identification de dfauts avec les 6 descripteurs slectionns
101
Figure 4-7 Identification des 15 tats fonctionnels avec 6 descripteurs
103
Figure 4-8 Scnario de deux dfauts conscutifs critiques
104
Figure 4-9 Reconnaissance avec 6 descripteurs des dfauts conscutifs : hausse doxyde et hausse de
la temprature du fluide de refroidissement du racteur
105
Figure 4-10 Scnario de deux dfauts conscutifs non critiques
105
Figure 4-11 Reconnaissance avec 6 descripteurs des dfauts conscutifs : baisse doxyde et baisse de
106
Figure 4-12 Gain relatif pur lensemble des situations
108
Figure 4-13 Identification des dfauts et tats fonctionnels avec les 7 descripteurs slectionns 109
111
Figure 4-15 Scnario : dfauts simultans
113
Figure 4-16 Identification dtats de dfauts simultans : scnario 1
113
Figure 4-17 Application de lapprentissage supervis
114
Figure 4-18 Reconnaissance des tats de dfauts simultans aprs apprentissage supervis
114
Figure 4-19 Reprsentation de lOPR avec lindice des cellules de modlisation
117
Figure 4-20 Perturbations ralises sur la raction destrification
120
Figure 4-21 Dtection des dfauts avec les 27 descripteurs : raction destrification
121
Figure 4-22 Identification de dfauts et dalarmes avec les 8 descripteurs : raction destrification
126
Figure 4-23 Classification de dfauts inconnus : raction destrification
127
Figure 4-24 Variations des conditions opratoires : raction du thiosulfate
129
Figure 4-25 Dtection de dfauts avec 27 descripteurs : raction du thiosulfate
130
Figure 4-26 Identification de dfauts et alarmes avec 9 descripteurs : raction du thiosulfate
133
Figure 4-27 Reprsentation des tats fonctionnels du racteur: raction du thiosulfate
135
Figure 4-28 Classification des dfauts inconnus : raction du thiosulfate
136
Figure 4-29 Identifications des tats fonctionnels : raction du thiosulfate
137
REMERCIEMENTS
Je tiens tout dabord remercier mon directeur de thse Mme Marie-Vronique LE LANN
et mon co-directeur Mme Tatiana KEMPOWSKY SANCHEZ pour leur collaboration
inestimable et leur disponibilit dans mon travail.
Je remercie Monsieur Joseba QUEVEDO et Monsieur Gilles TRYSTRAM davoir t
rapporteurs de cette thse. Ses grandes connaissances et ses critiques constructives ont permis
daffiner et de mieux situer ces travaux de thse.
Je remercie aux Messieurs Gilbert CASAMATTA Prsident et Professeur lINPT,
Christophe GOURDON Professeur ENSIACET/INPT, Cyrille LEMOINE Directeur Prog.
Conduite Avance de Procds Anjou-Recherche et Joseph AGUILAR-MARTIN Directeur
de Recherche LAAS-CNRS, pour avoir accept de prendre part au jury. Je leur remercie tous
pour lintrt quils ont port ces travaux.
Je remercie Jess Alberto TEJEDA-RICARDEZ, Vctor Hugo GRISALES, David
Garduo, Claudia ISAZA NARVAEZ et Hctor HERNANDEZ qui ont toujours t prts
rpondre mes interrogations de nature trs diverse.
Je voudrais remercier Candita Gutirrez et Federico Miceli du ITTG.
Je remercie lamiti de Monsieur Andr TITLI, Professeur lINSA de Toulouse.
Je tiens remercier Mme Louise TRAVE-MASSUYES et Monsieur Joseph AGUILARMARTIN de mavoir accueilli au sein du groupe DISCO du LAAS-CNRS de TOULOUSE.
Je voudrais remercier CoSNET et SFERE par le financement de cette thse et le suivi
pdagogique, respectivement.
DEDICACE
A Dios por darme una vida maravillosa

A mi padre Antonio, que es el mejor padre del mundo le dedico
especialmente esta tesis, gracias por ser mi
padre, gracias a ti he obtenido el mayor grado
de los estudios,
A mi madre Lupita, una mujer tierna y dulce siempre presente
para apoyarnos
A mi esposa Martha Ilajaly e hija Marian, que me acompaan
siempre y han dado gran sentido a mi vida,
ambas forman parte de mi existencia
A mis Abuelos Panchita, Francisco () y Reynalda ()
A mis hermanos Sergio, Gladys y Cecilia
A mis sobrinos: Priscila, Sergito, Fatima y Aranza
A toda mi familia poltica
A mis colegas de doctorado en Francia
A mis amigos futboleros en Toulouse
A mis compaeros y amigos del ITTG
INTRODUCTION GENERALE
Les systmes industriels sont devenus de plus en plus complexes par lautomatisation de
boucles de contrle, par lintroduction de microprocesseurs diffrents niveaux ou, plus
rcemment, par linformatisation hirarchise et distribue. De fait, cette volution a
complexifi la tche de diagnostic des installations industrielles.
Lindustrie chimique ou para-chimique renferme des procds de plus en plus complexes qui
peuvent tre le plus souvent modliss par des systmes dynamiques hybrides (systmes
variables continues et variables discrtes). De plus, ces systmes sont fortement non-linaires,
leur fonctionnement est gnralement tudi au travers de simulateurs dynamiques qui
permettent de rendre compte des phnomnes mis en jeu dans ces procds laide des
modles dits de connaissance.
Ces simulateurs sont utiliss soit lors de la conception dunits de production soit pour la
formation doprateurs sur des installations existantes. Dans ce cadre, plusieurs socits ont
dvelopp des simulateurs dynamiques bass sur une description des phnomnes, parmi
elles, la socit AEA technology offre un simulateur dynamique HYSYS mondialement
reconnu et utilis dans le domaine industriel mais aussi dans celui de lducation. A ce jour,
ce type de simulateur, nest que trs peu utilis en ligne pour caractriser ou dtecter un
mauvais fonctionnement du processus. En effet, il nest existe pas encore de mthodologie
gnrique qui permette de coupler ce simulateur des techniques de supervision ou de
diagnostic dinstallations.
Il est gnralement reconnu que les besoins pour la maintenance et le diagnostic devraient tre
pris en compte ds la phase de conception dun systme. Pour cette raison, les mthodes
permettant danalyser la diagnostabilit dun systme et de dterminer linstrumentation
ncessaire pour atteindre un certain degr de diagnostabilit sont hautement intressantes.
Introduction gnrale
Lobjectif principal de ce travail est lidentification des capteurs et leur emplacement sur les
procds chimiques, capteurs qui seront ncessaires et suffisants pour pouvoir effectuer a
posteriori la dtection en-ligne de fautes et le diagnostic de dysfonctionnements.
Lidentification de capteurs est base sur le rsultat dune technique de classification et sur
une mthode de mesure
de la quantit de linformation : lEntropie. La mthodologie
dveloppe est gnrique et peut sappuyer sur toute mthode de classification du moment
que celle-ci fournisse une reprsentation des tats de dfaillance sous forme de classes
caractrises par une fonction de contribution des diffrents capteurs ces classes. Pour
illustrer cette mthodologie, le choix dune mthode de classification sest port sur :
LAMDA (Learning Algorithm for Multivariate Data Analysis), qui, comme son nom
lindique, est une technique dAnalyse Multidimensionnelle de Donnes avec Apprentissage
dveloppe au sein du groupe DISCO du LAAS et qui a t applique avec succs au
diagnostic dun certain nombre de processus. Rcemment, elle a conduit la ralisation du
logiciel SALSA (Situation Assessment using Lamda claSsification Algorithm) dvelopp dans
le cadre du projet europen CHEM (Kempowsky, 2004). Cette mthode mlant des concepts
de reprsentation par modle neuronal, de logique floue permet, sans changer de technique
deffectuer des classifications par apprentissage supervis ou non supervis, de manipuler des
entres (descripteurs) de nature diffrente : quantitatif ou qualitatif. La mesure de la quantit
dinformation dun signal peut tre effectue selon diffrents critres : lEntropie probabiliste
ou non-probabiliste ou la variance. Une fois la slection des capteurs effectue sur la base
dun de ces critres, ltape suivante de la mthodologie consiste concevoir un modle de
comportement par classification laide des seuls capteurs slectionns. Le but est dobtenir
un modle du procd un niveau dabstraction tel quil soit utilisable pour le diagnostic,
cest dire qui rende explicite les tats fonctionnels du procd, leurs relations causales et les
conditions de transition. Ce modle est utilis ensuite pendant la phase de reconnaissance en
ligne des divers dysfonctionnements.
Ce mmoire de thse est structur en quatre chapitres.
Le premier chapitre propose un tour dhorizon des diffrentes mthodes de diagnostic de
dfaillances. Les diverses mthodes ont t classes suivant trois catgories : les mthodes
bases sur les signaux, les mthodes bases sur les modles mathmatiques et les mthodes
bases sur le raisonnement heuristique. Comme notre mthodologie de placement de capteurs
et de diagnostic est base sur lanalyse de donnes dhistorique et de manire plus spcifique
sur des rsultats dune classification ( clustering ),
ce chapitre dcrit, galement,
Introduction gnrale
diffrentes mthodes de classification. Nous prsentons aussi de manire dtaille la

mthodologie LAMDA, laquelle a t choisie comme technique de clustering spcifique.
Finalement nous prsentons loutil Salsa, qui est bas sur la mthodologie LAMDA. Cet outil
offre une interface modulaire, flexible et conviviale, qui permet linteraction et le dialogue
avec lexpert, lors de la construction du modle de comportement.
Le deuxime est consacr la simulation des procds chimiques et aux deux procds
complexes tudis lors de ce travail, sur lesquels a t applique la mthodologie. Plus
spcifiquement, il prsente les grandes caractristiques du simulateur dynamique HYSYS
utilis pour simuler des scenarii de dfaillances sur le premier procd complexe tudi :
lunit de production de propylne glycol. Le deuxime procd, lOPR ( Open Plate
reactor ) est un nouveau procd en cours de conception dont une unit pilote est
actuellement en fonctionnement au Laboratoire de Gnie Chimique (UMR CNRS 5503).
Cette dernire partie de notre travail sest effectue en collaboration avec lquipe Procds
de la Chimie Fine dans le cadre dun projet soutenu par lInstitut pour une Culture de
Scurit Industrielle (ICSI), projet intitul : Nouvelles applications dans le domaine de la
scurit industrielle et du REX de systmes daide la conduite supervise, dabstraction
dinformations, danalyse et de classification de donnes et les scenarii de dfaillance ont
pu tre simul grce au simulateur dynamique ddi quils ont dvelopp.
Dans le troisime chapitre, nous abordons les diffrentes approches du placement de capteurs
dveloppes par les diffrentes communauts de recherche. La plupart de ces approches
sappuient sur des modles mathmatiques de procds, peu utilisent directement des donnes
dhistorique ou issues de simulations. Dans ces approches, nous incluons trois mthodes
bases sur des donnes historiques pour slectionner les capteurs qui utilisent le concept
dentropie et du gain dinformation. Finalement, dans ce chapitre nous illustrons la totalit de
la procdure permettant de mettre en uvre la mthodologie dveloppe au cours de notre
travail.
Le chapitre 4 illustre largement les rsultats obtenus lors de lapplication de la mthodologie
de placement de capteur et de diagnostic sur les deux procds complexes : lunit de
production de propylne glycol simul au travers du simulateur dynamique HYSYS et lOPR.
Enfin, dans la conclusion gnrale nous reviendrons sur les atouts mais aussi les
inconvnients de cette mthodologie et nous donnerons des perspectives damlioration.
Introduction gnrale
1. DIAGNOSTIC DE PROCEDES CHIMIQUES

1.1 Introduction
Le domaine du contrle des procds a particulirement explos dans les 30 dernires annes
avec lautomatisation des processus complexes. Grce aux progrs raliss dans la commande
distribue, la possibilit deffectuer des prdictions bases sur des modles (commande
prdictive), les bnfices acquis par les industries telles que, chimiques, ptrochimiques, de
lacier, de lnergie ont t normes. Toutefois, une tche importante au sein des units
industrielles demeure une activit manuelle effectue par loprateur humain. Cest la tche
de rpondre aux vnements anormaux qui surviennent sur le procd. Ceci implique la
dtection temps dun vnement anormal, en diagnostiquant ses causes et une prise de
dcision en retour, qui soit approprie de sorte ramener le procd dans un tat normal et
scuris (supervision).
Lhomme a t victime de problmes survenus cause derreurs de conception, de
perturbations externes diverses ou encore, cause dun manque dentretien des mcanismes.
Longtemps, lobservation humaine directe, cest--dire sans utiliser dinstrumentations
ddies ou de capteurs spcifiques, a t le seul moyen pour dtecter des dviations par
rapport ltat normal de fonctionnement. Les sensations perues directement par loprateur
humain (bruit, temprature, odeurs, vibrations) taient, et dans certains cas sont encore, les
lments de base de ltape de dtection des dysfonctionnements et de surveillance des
installations. Ensuite sont apparus les capteurs et les moyens denregistrement ce qui lui a
permis de percevoir la dimension dynamique des phnomnes quil observait.
Diagnostic de procds chimiques
Les systmes industriels (nuclaire, chimique, ptrochimie, arospatiale) sont galement

devenus de plus en plus complexes avec lautomatisation de boucles de rgulation,
lintroduction des microprocesseurs diffrents niveaux et, plus rcemment, linformation
hirarchise et distribue. De fait, cette volution a complexifi la tche de diagnostic des
installations industrielles. tant donnes ces difficults, loprateur peut commettre des
erreurs dcisives et prendre de mauvaises actions. Des statistiques industrielles montrent que
70% des accidents industriels sont causs par des erreurs humaines. Ces vnements
anormaux ont eu des impacts dordre conomique, mais surtout des impacts sur la scurit et
lenvironnement. Malgr les avances effectues sur les commandes par ordinateur des units
chimiques, le fait de laccident le plus rcent sur lusine AZF Toulouse, avec 29 morts et
plus de 50 personnes gravement blesses, pose le problme du dveloppement de techniques
de supervision. Les autres accidents rcents les plus spectaculaires sont celui de lUnion
Carbide Bhopal en Inde et dOccidental Petroleum Piper Alpha [Lees, 1996] ou encore
lexplosion dune unit de Kuwait Petrochemical la raffinerie de Mine Al-Ahmedi refinery
en juin 2000, laquelle causa prs de 100 millions de dollars de dommages.
De plus, des statistiques industrielles ont montr que de petits accidents sont trs frquents
tous les jours, occasionnant des pertes conomiques importantes [BLS, 1998 ; NSCI, 1999].
Ces pertes sont encore plus leves dans le cas des industries pharmaceutiques et chimiques
[Laser, 2000].
Les procds chimiques sont des procds complexes, faisant intervenir des ractions
chimiques, dont les caractristiques sont trs difficiles apprhender. Il arrive souvent que
beaucoup de variables importantes du procd ne soient pas accessibles la mesure en ligne
(compositions). De mme, de nombreux paramtres sont mal connus et/ou susceptibles de
varier au cours du temps. Les capteurs permettant daccder aux mesures de composition sont
trs coteux et demandent souvent une maintenance lourde et onreuse.
Nanmoins, lors de son fonctionnement, il faut grer le procd face divers problmes de
fonctionnement, quil sagisse de dysfonctionnements ou de pannes de capteurs, dactionneurs
(vannes, pompes, agitateurs). Cette problmatique fait appel toutes les informations sur le
procd (quil sagisse de celles qui proviennent de la modlisation, des capteurs physiques et
logiciels ou de la commande).
Lobjectif du diagnostic est de constater lapparition dun dfaut, den trouver la cause puis
den dduire la marche suivre afin dassurer la sret de fonctionnement du procd.
Dans la section suivante, on donnera une revue non exhaustive de plusieurs mthodes de
diagnostic partir de diffrentes perspectives.
1.2 Dtection de dfauts et diagnostic

Lobjectif de la maintenance prventive est de dterminer lensemble des actions exercer sur
le procd afin de ne pas subir leffet dune dfaillance. On peut cet effet distinguer deux
approches possibles : la maintenance prventive systmatique et la maintenance prventive
conditionnelle.
Dans le premier cas, les activits de maintenance sont planifies et ont lieu selon un
chancier bas sur le temps ou lunit dusage. Lors de ces interventions, les lments sont
remplacs mme sils ne sont pas dfaillants.
Dans le deuxime cas, les activits de maintenance sont dclenches en fonction
dinformations refltant ltat de dgradation de lquipement considr. Dans ce deuxime
cas, les lments ne sont remplacs que si ncessaire.
On sintresse dans la suite la maintenance conditionnelle, base sur la surveillance en
continu de lvolution du systme considr. Ce type dapproche ncessite la conception dun
systme de diagnostic permettant la dtection prcoce de dviations faibles par rapport une
caractrisation du systme en fonctionnement nominal, afin de prvenir un dysfonctionnement
avant quil narrive.
Lorsquil est appliqu des systmes industriels, une des difficults du diagnostic rside dans
la grande varit de dfauts possibles, tant du point de vue de leur source que de leur
amplitude et de leur frquence.
Pour mieux tayer nos propos, nous introduisons quelques dfinitions utilises dans le
domaine du diagnostic [Toscano, 2005] :
-
Fonctionnement normal dun systme. Un systme est dit dans un tat de

fonctionnement normal lorsque les variables le caractrisant (variables dtat,
variables de sortie, variables dentre, paramtres du systme) demeurent au voisinage
de leurs valeurs nominales. Le systme est dit dfaillant dans le cas contraire.
Dfaut. Cest une dviation en dehors dun intervalle acceptable, dune variable
observe ou dun paramtre associ au procd [Himmelblau, 1978]. Cest--dire, un
dfaut est un processus anormal ou symptme, tel que la hausse de temprature dans
un racteur ou la baisse de qualit du produit.
-
Dfaillance. Cest la cause dune anomalie, telle quune panne dune pompe de
refroidissement ou dun rgulateur.
Dtection de dfauts. La dtection dun dfaut consiste dcider si le systme se

trouve ou non dans un tat de fonctionnement normal.
Localisation dun dfaut. A lissue de la dtection dun dfaut, il sagit de dterminer

le ou les lments lorigine du dfaut.
Une classification des dfauts partir de leurs volutions temporelles les dfinit comme :
-
abrupts : la caractristique principale de ce type de dfauts est la discontinuit dans

lvolution temporelle de la variable. Cette volution, si elle ne correspond pas aux
volutions dynamiques normales attendues pour la variable (changement de consigne),
est caractristique dune panne brutale de llment en question : arrt total ou partiel,
intermittents : il sagit dun type de dfauts caractristiques de faux contacts ou de

pannes intermittentes de capteurs. Cest un cas particulier de dfaut brutal sur un
capteur avec perte alatoire de signal,
graduels : ce type de dfauts est caractristique dun encrassement ou dune drive

dans les paramtres caractristiques du procd. Il sagit de dfauts trs difficiles
dtecter, car leurs volutions temporelles sont les mmes que celles dune
modification paramtrique lente reprsentant une non-stationnarit du procd.
La Figure 1-1 rsume cette classification des dfauts partir de leurs volutions temporelles.
a)
b)
c)
Figure 1-1 Diffrents types de dfauts : a) dfaut abrupt, b) dfaut intermittent, c) dfaut graduel
La prsence de dfauts multiples constitue une situation frquente dans la pratique. Cette
situation a lieu lorsquune ou plusieurs variables (ou paramtres) sortent de leurs volutions
normales cause dun dysfonctionnement simultan dlments dune installation. En effet, la
propagation dune panne dans un procd produit gnralement des vnements en cascade
qui peuvent avoir ce type de consquences.
Avec le dveloppement de lautomatisation, les progrs techniques ont permis le
dveloppement de procds de plus en plus complexes. Face une dfaillance, loprateur est
par ailleurs soumis une cascade dinformations qui met rude preuve ses capacits
intellectuelles, sa ractivit et sa gestion du stress. Le diagnostic et la prise de dcision
deviennent des tches qui ne sont pas aises raliser car la dtection de dfauts doit tre
accomplie dans ces conditions relles de fonctionnement des installations donc en ligne :
-
Les caractristiques temporelles des dfauts sont inconnues.
Le modle nominal du systme est incertain.
Des bruits dtat et de mesure sont prsents.
Le signal de dtection doit tre obtenu dans un temps fini et est fonction des
contraintes opratoires du procd.
Pour remdier aux tats de dfaillance et trouver des solutions adaptes chaque procd, la
dtection prcoce de dfauts, le diagnostic automatis et lassistance aux oprateurs sont donc
des domaines o la recherche scientifique est trs active.
cause de la difficult deffectuer en temps rel la dtection de dfauts et le diagnostic de
procds, plusieurs approches ont t dveloppes. Citons comme techniques les plus
rcentes : les arbres de dfaillances et digraphes, les approches analytiques, les systmes
base de connaissance et encore plus rcemment les rseaux de neurones.
Dans le cas o une modlisation du procd est disponible ou est envisageable, il est possible
dutiliser des mthodes de diagnostic qui requirent soit des modles prcis du procd, soit
des modles semi-quantitatifs, voire mme des modles qualitatifs.
En revanche, il existe des mthodes qui ne ncessitent aucune modlisation proprement dite,
mais qui se basent sur des informations/donnes historiques reprsentatives du
fonctionnement du procd lors de diffrents scnarii. La Figure 1-2 rsume le contexte
gnral du diagnostic de dfauts.
10
Rtroaction
du rgulateur
Perturbation
processus
Dysfonctionnement
capteurs
Dfaillance
contrleur
Actionneur
Unit en
rgime
transitoire
Capteurs
Dfaillances
dactionneur
Dfaillances
de structure
Systme
de
Diagnostic
Figure 1-2 Schma gnral dun systme de diagnostic
La figure prsente un systme de processus contrl et indique les diffrentes origines de ses
dfaillances. En gnral, il existe trois classes de dfaillance ou de dysfonctionnement
dcrites comme suit [Venkatasubramanian et al., 2003] :
-
Changement paramtrique dans un modle. Un exemple de cette dfaillance est le

changement dans la concentration du ractif partir de sa valeur normale ou tat
stable dans lalimentation du racteur.
Changement structurel. On se rfre aux changements dans le processus mme.

Quelques exemples sont la dfaillance dun rgulateur, la saturation dune vanne, une
fuite dans une canalisation.
Dfaillances des capteurs et des actionneurs. Ce peut tre une dviation constante
(positive ou ngative) ou une dfaillance de sortie de plage admissible.
Les autres dfauts sont : les incertitudes de structure (dfauts a priori non modliss), bruits
de processus (diffrence entre le processus actuel et les prdictions par le modle) et le bruit
de mesure (correspond gnralement laddition dun terme de haute frquence la sortie des
capteurs).
Lensemble des caractristiques souhaites quun systme de diagnostic devrait possder
[Venkatasubramanian et al., 2003] est :
a) Dtection rapide et diagnostic.
b) Isolation, cest lhabilit pour diffrencier les dfauts.
c) Robustesse vis--vis de certains bruits et dincertitudes.
11
d) Identification de nouveaut, on se rfre la capacit de dcider si le processus est en

tat normal ou anormal. Dans le cas danomalie, il faut identifier sil sagit dun dfaut
connu ou dun nouveau dfaut.
e) Estimation de lerreur de classification du dfaut (diagnostic) en vue de sa fiabilit.
f) Adaptabilit : le systme de diagnostic devrait tre adaptable aux changements de
conditions du processus (perturbations, changements denvironnement).
g) Facilit dexplication de lorigine des dfauts et de la propagation de celui-ci. Ceci est
important pour la prise de dcision en ligne.
h) Conditions de modlisation : pour le dploiement rapide et facile des classificateurs de
diagnostic en temps rel, leffort de modlisation devrait tre aussi minimal que
possible.
i) Facilit de mise en uvre informatique (faible complexit dans les algorithmes et leur
implmentation) et capacit de stockage.
j) Identification de multiples dfauts : pour de grands processus, lnumration
combinatoire de multiples dfauts est trop importante et ils ne peuvent tre explors de
manire exhaustive.
1.3 Classification des mthodes de diagnostic

Les premires mthodes de diagnostic furent bases sur la redondance de matriels jugs
critiques pour le fonctionnement du systme. La redondance matrielle est trs rpandue dans
les domaines o la sret de fonctionnement est cruciale pour la scurit des personnes et de
lenvironnement, comme dans laronautique ou le nuclaire. Les principaux inconvnients de
la redondance matrielle sont lis aux cots dus la multiplication des lments ainsi que
lencombrement et aux poids supplmentaires quelle gnre.
Les spectaculaires progrs raliss dans le domaine des calculateurs numriques combins
une baisse des cots permettent aujourdhui la mise en uvre, dans le milieu industriel, des
mthodes modernes de lautomatique et de lintelligence artificielle. Cette nouvelle approche
permet dliminer en partie, voire mme en totalit, la redondance matrielle pour le
diagnostic des systmes industriels. On peut globalement distinguer deux grandes familles
dans les mthodes de diagnostic :
12
Les mthodes bases sur une modlisation des systmes ou des signaux, que nous
dnommerons diagnostic quantitatif .
Les mthodes bases sur lintelligence artificielle que nous appellerons diagnostic
qualitatif .
Le fait de distinguer ce qui est de lordre du quantitatif et du qualitatif, ne doit pas laisser
penser que ces deux aspects sont disjoints. En ralit, ces deux types dapproche coexistent
souvent au sein dun mme systme de diagnostic. Lutilisation conjointe de mthodes
quantitatives et qualitatives permet lexploitation de lensemble des connaissances disponibles
concernant le fonctionnement du systme.
Nous prsentons la Figure 1-3 un panorama gnral des diffrentes mthodes de diagnostic
dans lune ou lautre des catgories prcdemment prsentes.
METHODES QUALITATIVES
METHODES QUANTITATIVES
Systme surveiller
Base de connaissances
symboliques et/ou
numriques
Observations
Grandeurs mesurables
Gnration
de rsidus ou symptmes
Intelligence Artificielle
Traitement du signal
(Analyse monosignal)
Filtrage ...
Plage d'volution, spectre ...
Seuillage, tests statistiques
Modle
mathmatique
des signaux
Rsidus
Reconnaissance de formes
Rseau de neurones
Systmes experts
Systmes d'infrences floues
Evaluation des rsidus

Elment dfaillant
Redondance analytique
(Analyse multisignaux)
Espace de parit
Observateurs
Identification paramtrique
Modle
mathmatique
du systme
Prise de dcision
Actions correctrices
Figure 1-3 Classification des mthodes de diagnostic
En ce qui concerne le diagnostic quantitatif, on peut distinguer deux types dapproches

suivant que lon considre les mesures prises isolment les unes des autres ou quau contraire
on prsuppose des relations mathmatiques les reliant. La premire approche est connue sous
le nom danalyse mono signal, la deuxime est dnomme analyse multi-signaux ou
redondance analytique.
Lanalyse mono-signal consiste dans ltude des signaux, pris isolement les uns des autres,
dans le but dextraire des informations rvlatrices de dfauts. Cette approche repose sur les
13
techniques de traitement du signal. La mthode la plus simple consiste fixer un ou plusieurs

seuils limitant la plage dvolution du signal considr. Dautres approches, plus labores,
sont bases sur les proprits statistiques des signaux (moyenne, cart type, etc.), ou sur
lanalyse spectrale.
Lanalyse multi-signaux met en jeu un ensemble de variables et les relations de causalit
existant entre elles. Cette approche repose sur les techniques de lautomatique. En
automatique, le concept cl est celui de modle mathmatique dun processus physique. Ce
modle mathmatique, cens reprsenter une ralit objective, est exploit afin dlaborer des
lois de commande permettant laccroissement des performances dynamiques et statiques du
systme tudi. Cette connaissance analytique dun systme physique peut tre mise profit
pour le diagnostic. En effet, le modle tant cens dcrire le comportement dynamique du
systme surveiller, tout cart entre le comportement prvu par le modle et le comportement
mesur traduit lapparition dun dfaut. Dans la suite, nous entendrons essentiellement par
diagnostic quantitatif, lensemble des mthodes fondes sur lutilisation dune reprsentation
mathmatique du systme surveiller.
Dans le cas du diagnostic qualitatif, les connaissances utilisables reposent sur le savoir et
lexprience doprateur humain ayant une parfaite matrise de linstallation surveiller (base
de connaissance symbolique) et/ou sur lexistence dune base de connaissances numriques
correspondant aux divers modes de fonctionnement de linstallation. Suivant cette approche,
on trouve toutes les mthodes lies lintelligence artificielle. Elle inclut les systmes experts,
les systmes dinfrence floue, la reconnaissance de forme, les rseaux neurones. Ces
diffrentes approches sont alors utilises pour construire un modle de diagnostic qualitatif
permettant de remonter des symptmes observs aux causes.
1.3.1 Diagnostic Quantitatif

A) Les mthodes bases sur lapproche mono-signal :
-
Redondance matrielle : cest une mthode employe dans des installations critiques
(larospatiale, le nuclaire). Lutilisation de plusieurs capteurs en vue dobtenir la
mme information sur une variable permet de dtecter les dviations par rapport un
tat normal et de localiser un dfaut de capteur. Les inconvnients de cette mthode
sont laccroissement du cot de linstallation et laugmentation de la probabilit de
pannes de capteurs donc dun besoin de maintenance supplmentaire.
14
Analyse spectrale : Les signaux sont analyss en tat normal de fonctionnement ; les
hautes frquences sont relies au bruit et les basses frquences aux volutions propres
de ltat du procd. Ensuite, toute dviation des caractristiques frquentielles dun
signal est relie une situation de dfaillance. Cette approche se rvle trs utile pour
analyser des signaux qui montrent des oscillations avec des priodes longues (les
courants lectriques, les dbits, les pressions). Linconvnient est la sensibilit aux
bruits de mesure quand ceux-ci concident avec la zone frquentielle dintrt et la
ncessit dun chantillonnage frquent pour permettre de reconstituer le signal de
dpart tout en minimisant la perte de frquence. Les mthodes dauto-corrlation, la
densit spectrale des signaux, la transforme de Fourier, les ondelettes sont bien
appropries dans le cas o les frquences reprsentatives de dfauts sont connues.
Dans le cas contraire, il est cependant prfrable dutiliser des modles paramtriques
des signaux qui permettent destimer en ligne les frquences et les valeurs moyennes
des paramtres.
Approches statistiques : Ces approches se basent sur lhypothse de changements

rapides (et non sur lamplitude) des caractristiques des signaux ou des paramtres des
modles par rapport des dynamiques considres comme tant lentes (procds quasi
stationnaires). Elles sont utilises pour la dtection de changements graduels avec des
seuils de dtection faibles. Les informations fournies par le nombre croissant de
capteurs installs sur les procds rendent trs difficile lanalyse des rsultats.
Lanalyse en composantes principales (ACP) et les moindres carrs partiels (MCP)
permettent de rduire le nombre de variables traiter par la dtermination de relations
linaires entre elles (variables latentes), permettant ainsi dexpliquer la variance dans
des sries de donnes.
B) Lapproche multi-signaux
Ce sont de mthodes qui utilisent plus dinformation que celles apportes par les seuls
capteurs physiques. Ces informations peuvent provenir de la connaissance du comportement
entre/sortie dun procd ou des processus internes qui en gouvernent lvolution.
Selon la mthode, diffrents types de modle sont utiliss. Par exemple, pour les approches
utilisant lestimation dtat ou lestimation paramtrique, on utilisera des modles analytiques
alors que pour lapproche systmes experts, on recourra des modles de type base de
connaissance. Le modle servant directement de rfrence pour la dtection de dfauts, la
15
qualit du rsultat dpend directement de la qualit des modles. La mise en uvre de ces
mthodes ncessite donc une modlisation prcise.
La dtection de dfaut base sur lutilisation de modles peut tre divise en deux tapes
principales : la gnration de rsidus et la prise de dcision. Lors de la premire tape, les
signaux dentre et de sortie du systme sont utiliss pour gnrer un rsidu cest--dire un
signal mettant en vidence la prsence dun dfaut. En gnral, en rgime de fonctionnement
normal, ce signal est statistiquement nul et scarte notablement de zro en prsence de
dfaut. La gnration de rsidus est propre la mthode utilise. Durant la seconde tape, les
rsidus sont analyss pour dcider sil y a ou non prsence de dfaut, sur quelle composante
du systme il est intervenu (localisation) et pour dterminer la nature du dfaut et sa cause
(identification). La dcision peut seffectuer laide dun simple test de dpassement de seuil
sur les valeurs instantanes ou les moyennes de rsidus, en utilisant des fonctions floues, en
faisant appel galement la reconnaissance de formes ou en utilisant des seuils adaptatifs qui
voluent en fonction du point de fonctionnement du processus surveill.
Dfauts
u
Processus
Perturbations
Modle Nominal
Estimation dtat
- Observateurs
- Filtre dtecteur
Estimation
paramtrique
Espace de parit
Gnration de rsidus
Prise de dcision
Dfauts
Figure 1-4 Architecture gnrale de la dtection de dfauts base de modles
La Figure 1-4 prsente larchitecture gnrale de la dtection de dfauts base sur lutilisation
de modles [Isermann, 1984]. La gnration de rsidus seffectue sur la base destimations
16
(tats ou paramtres) ou laide dun raisonnement heuristique. Ltape de prise de dcision

permet ensuite de dtecter la prsence de changements, didentifier la nature, lamplitude du
changement voire localiser les dfauts ventuels.
Parmi les diffrentes mthodes de dtection et de diagnostic utilisant des modles
mathmatiques, nous trouvons principalement lespace de parit, les observateurs et
lestimation paramtrique.
A) Espace de parit : Une relation de redondance analytique est une quation dans
laquelle toutes les variables sont connues. La gnration de telles relations permet
dengendrer des rsidus. Pour la dtection de dfauts base sur lutilisation de
modles, un rsidu est un signal temporel, fonction des entres et des sorties du
processus, indpendant (le plus possible) du point de fonctionnement de celui-ci. En
labsence de dfauts, ce rsidu est statistiquement nul. Lors de lapparition dun
dfaut, son amplitude volue de manire significative.
Lapproche la plus classique est celle dite de lespace de parit. Les relations de parit
utilisent la redondance directe au moyen de relations algbriques statiques liant les
diffrents signaux ou la redondance temporelle issue de lutilisation de relations
dynamiques. Le terme parit a t emprunt au vocabulaire employ pour les
systmes logiques o la gnration de bits de parit permet la dtection derreur.
B) Observateurs : La gnration de rsidus laide dune estimation dtat consiste

reconstruire ltat ou, plus gnralement, la sortie du processus laide dobservateurs
et utiliser lerreur destimation comme rsidu. Cette mthode sest beaucoup
dveloppe car elle donne lieu la conception de gnrateurs de rsidus flexibles.
C) Estimation paramtrique : Lapproche destimation paramtrique considre que

linfluence de dfauts se reflte sur les paramtres et non pas uniquement, comme
cest le cas des observateurs, sur les variables du systme physique. Le principe de
cette mthode consiste estimer en continu des paramtres du procd en utilisant les
mesures dentre/sortie et en valuant la distance qui les spare des valeurs de
rfrence de ltat normal du procd. Lestimation paramtrique possde lavantage
dapporter de linformation sur limportance des dviations. Toutefois, un des
17
inconvnients majeurs de la mthode rside dans la ncessit davoir un systme

physique excit en permanence. Ceci pose donc des problmes dordre pratique dans
le cas de procds dangereux, coteux ou fonctionnant en mode stationnaire. De plus,
les relations entre paramtres mathmatiques et physiques ne sont pas toujours
inversibles de faon unitaire, ce qui complique la tche du diagnostic bas sur les
rsidus.
Les principaux outils numriques danalyse de rsidus sont les mthodes de dcision
statistiques, visant affirmer ou infirmer quun rsidu est nul, qui permettront dengendrer
les signatures exprimentales de dfauts.
1.3.2 Diagnostic Qualitatif

Parmi les diffrentes mthodes de dtection et de diagnostic utilisant des modles de
raisonnement heuristique, nous trouvons principalement les suivantes :
A) Modles issus de lintelligence artificielle (IA) : De manire globale, trois types de
modle sont utiliss en IA dans le contexte de la surveillance :
a. Dans les modles associatifs, les situations significatives de dysfonctionnement
sont associes des schmas dalarmes par lexpression directe des liens entre
les symptmes et la situation caractristique. Ils reposent sur lexpertise
existante, quelle soit issue des oprateurs du procd ou des ingnieurs de
maintenance. De tels modles sont en particulier utiliss dans les systmes
experts et dans la reconnaissance de scnarii de dfaillance.
b. Les modles prdictifs permettent de simuler les comportements possibles dun
systme dans ces diffrents modes (normal, dgrad ou dfaillant). Par leur
capacit calculer pas pas les comportements prdits, ces modles sont
directement utilisables pour la dtection de dfauts (par comparaison des
comportements prdits avec les observations). Ils peuvent sobtenir par
abstraction de modles numriques, par rseaux baysiens ou rseaux
probabilistes temporels.
c. Les modles explicatifs, sappuient sur lexpertise dj explicite sur lunit
industrielle sous forme de catalogue de dysfonctionnements ou de graphes.
18
B) Rseaux de neurones artificiels (RNA): Un RNA est un systme informatique

constitu dun nombre de processeurs lmentaires (ou nuds) interconnects entre
eux qui traite de faon dynamique linformation qui lui arrive partir des signaux
extrieurs. De manire gnrale, lutilisation des RNA se fait en deux phases. Tout
dabord, la synthse du rseau est ralise et comprend plusieurs tapes : le choix du
type de rseau, du type de neurones, du nombre de couches, des mthodes
dapprentissage. Lapprentissage permet alors, sur la base de loptimisation dun
critre, de reproduire le comportement du systme modliser. Il consiste dans la
recherche dun jeu de paramtres (poids) et peut seffectuer de deux manires :
supervis (le rseau utilise les donnes dentre et de sortie du systme modliser) et
non supervis (seules les donnes dentre du systme sont fournies et lapprentissage
seffectue par comparaison entre exemples). Quand les rsultats dapprentissage
obtenus par le RNA sont satisfaisants, il peut tre utilis pour la gnralisation. Il
sagit ici de la deuxime phase o de nouveaux exemples qui nont pas t utiliss
pendant lapprentissage sont prsents au RNA pour juger de sa capacit prdire
les comportements du systme ainsi modlis.
Leur faible sensibilit aux bruits de mesure, leur capacit rsoudre des problmes
non linaires et multi-variables, stocker les connaissances de manire compacte,
apprendre en ligne et en temps rel, sont des proprits qui rendent lutilisation
des RNA attrayante. Leur emploi peut alors se faire trois niveaux :
-
comme modle du systme surveiller en tat normal et gnrer un rsidu derreur

entre les observations et les prdictions,
comme systme dvaluation de rsidus pour le diagnostic,
ou comme systme de dtection en une seule tape (en tant que classificateur), ou en
deux tapes (pour la gnration de rsidus et le diagnostic).
C) Systmes dinfrence flous (SIF) : La structure de base dun SIF est constitue d :
a. un univers de discours qui contient les fonctions dappartenance des variables
dentre et de sortie des classes. Ces fonctions peuvent avoir diffrentes
formes, les plus usuelles tant les formes triangulaires, trapzodales et
gaussiennes,
19
b. une base de connaissance qui regroupe les rgles liant les variables dentre et
de sortie sous la forme SIALORS ,
c. un mcanisme de raisonnement qui base son fonctionnement sur la logique du
modus ponens gnralis.
Les formalismes les plus utiliss pour les SIF sont ceux de Mandani [Mandani, 1977]
et de Takagi-Sugeno [Takagi et al., 1985].
D) Reconnaissance de formes : La reconnaissance des formes regroupe lensemble des

mthodes permettant la classification automatique dobjets, suivant sa ressemblance
par rapport un objet de rfrence. Lobjectif est de dcider, aprs avoir observ un
objet, quelle forme type celui-ci ressemble le plus. Une forme est dfinie laide de
p paramtres, appels descripteurs, qui sont les composantes dun vecteur forme que
nous noterons X.
La rsolution dun problme de reconnaissance de formes ncessite :
-
La dfinition prcise des l classes entre lesquelles va soprer la dcision. Cette

tape est lie la nature des objets classer et est donc spcifique au problme
pos.
Le choix dun jeu de caractres pertinents pour la discrimination des vecteurs

de formes. Malheureusement, il nexiste pas de mthodes systmatiques
permettant de choisir les paramtres les plus appropris la rsolution dun
problme donn. Par consquent, seule une bonne connaissance du problme
rsoudre peut permettre un choix adquat des paramtres de forme (ou
descripteurs). Notons enfin que le nombre de caractres fixe la dimension de
lespace de reprsentation et, par consquent, la quantit des calculs mener.
Ceci peut reprsenter une contrainte svre dans un contexte de traitement en
temps rel des objets classer.
Llaboration dun classificateur permettant laffectation dune forme observe

lune des classes. Le classificateur est gnralement tabli laide dun
ensemble dapprentissage constitu de formes pour lesquelles on connat
lappartenance aux diffrentes classes.
20
Les mthodes prsentes prcdemment sont complmentaires entre elles. Il nest donc pas
tonnant de trouver des applications o les diffrents niveaux de traitement (signaux, modles
et connaissance experte) soient intgrs dans une mme structure.
Dautres articles traitent du domaine du diagnostic de dfauts bas sur des modles [Frank et
al., 2000], sur le diagnostic de dfauts par extraction de caractristiques et classification de
problmes (dfauts). La classification des dfauts est examine par Kramer et Mah [Kramer et
al., 1993] selon trois catgories principales :
i)
Reconnaissance de formes : ici sont traites les mthodes bases sur lhistorique
du processus.
ii)
Modles bass sur le raisonnement : ils utilisent les techniques bases sur des
modles qualitatifs.
iii)
Les modles causaux : dans ce cas, les techniques de recherche de symptmes en

utilisant diffrents modles sont traits.
Une autre mthodologie de diagnostic de dfaillances prendre en compte est celle base sur
des modles vnements discrets (SED) [Lafortune, 1991 ; Garcia et al., 1998] et sur le
concept de diagnostiqueur [Sampath et al., 1994], [Sampath et al., 1995 ; Garcia et al., 1999],
lesquels permettent tant lanalyse hors ligne, quen ligne de la diagnosabilit des systmes,
relative des dfaillances qui peuvent se produire dans les processus. Le diagnostiqueur a
comme objectif de dtecter la cause de quelques situations (tats fonctionnels) du procd, en
un temps fini, comme la consquence dune dfaillance. Tant les SED que le diagnostiqueur
sont des machines tats finis (MEF). La mthodologie du diagnostic base de modles
vnements discrets [Ramadge, 1987] est applicable sur beaucoup de systmes industriels.
Toutefois, malgr son intrt notable, elle prsente linconvnient des systmes partiellement
observables, dans le sens de linvitable augmentation exponentielle des tats produits au fur
et mesure quon incorpore de nouveaux modles de dispositifs qui forment des parties du
systme ou que sajoutent de nouvelles situations de dfaillance. Pour viter laugmentation
des tats, une conception modulaire du systme a t adopte, en divisant le systme en soussystmes. La complexit des systmes peut tre considre en tenant en compte du nombre de
sous-systmes lis entre eux. Lapplication de cette mthodologie est restreinte par la
complexit du procd.
21
1.4 Mthodes de classification

Diffrentes approches pour la classification non supervise clustering de donnes peuvent
tre dcrites avec laide de la structure hirarchise de la Figure 1-5 [Jain et al., 1988]. Sur ce
graphe, il y a distinction entre les approches par hirarchisation et par partitionnement. Les
mthodes par hirarchisation produisent une srie de partitions lies, alors que les mthodes
de partitionnement nen produisent quune seule.
Figure 1-5 Diffrentes approches de classification non supervise
Nous donnons, maintenant, une brve prsentation des principales approches de classification
non supervise que nous considrons appropries pour la mise en place de la stratgie
propose.
1.4.1 Algorithmes par hirarchisation

Lalgorithme par hirarchisation cre une dcomposition de donnes (ou dlments) en
utilisant un critre. Le fonctionnement dun algorithme par classification est illustr sur la
Figure 1-6 en utilisant un ensemble de donnes en deux dimensions. Cette figure contient sept
lments tiquets A, B, C, D, E, F et G dans trois classes. Un algorithme par hirarchisation
produit un dendrogramme qui reprsente le regroupement des lments et les niveaux de
similarit, permettant de faire figurer les changements de regroupement. Le dendrogramme
qui correspond aux sept lments de la Figure 1-6 , obtenu partir de lalgorithme single-link,
est montr sur la Figure 1-7. Le dendrogramme est divis en deux niveaux diffrents pour
produire plusieurs classes de donnes.
22
Classe 1
Classe 3
Classe 2
Figure 1-6 Points dans trois classes
Figure 1-7 Dendrogramme obtenu en utilisant lalgorithme single-link
Les autres algorithmes de classification similaires celui dvelopp par [Sneath et al., 1973]
sont : lalgorithme complete-link par [King, 1967], et le minimum de variance [Ward, 1963 ;
Murtagh, 1984]. Les deux algorithmes les plus populaires sont le single-link et le completelink. Ces deux algorithmes se diffrencient dans la faon de caractriser la similarit entre une
paire de classes. Dans la mthode single-link, la distance entre deux classes est le minimum
des distances entre toutes les paires dlments appartenant chaque classe (un lment dans
la premire classe, lautre dans la seconde). Dans lalgorithme complete-link, la distance entre
deux classes est le maximum des distances entre toutes les paires dlments sur les deux
classes.
23
Lalgorithme complete-link produit des classes compactes [Baeza-Yates, 1992]. Par contre,
lalgorithme single-link, souffre dun effet denchanement [Nagy, 1968], cest--dire, il tend
produire des classes allonges. Lalgorithme single-link produit les classes telles quelles
sont reprsentes par la Figure 1-8a, tandis que lalgorithme complete-link obtient les classes
montres sur la Figure 1-8b.
a) single-link
b) complete-link
Figure 1-8 Clusters produits par les algorithmes de hirarchisation sur un ensemble
dlments contenant 2 classes.
Les classes obtenues par lalgorithme complete-link sont plus compactes que celles obtenues
par lalgorithme single-link; la classe tiquete comme un 1 obtenue en utilisant
lalgorithme single-link (voir la Figure 1-8) est allonge cause des lments bruits tiquets
par toiles * . Un avantage de lalgorithme single-link est quil peut extraire les classes
concentriques telles que montres dans la Figure 1-9, tandis que lalgorithme complete-link
nen est pas capable [Jain et al., 1988].
Figure 1-9 Deux classes concentriques
24
Procdure de lalgorithme Single-Link :

1. Placer chaque lment dans sa propre classe. Construire une liste de distances entrelments pour toutes les paires dlments non ordonns et distincts, et ordonner cette
liste par ordre ascendant.
2. A partir de la liste ordonne des distances, former pour chaque valeur dissimilaire
distincte dk, un graphe sur les lments o les paires dlments plus proches que dk
sont connectes par un graphe. Si tous les lments sont membres dun graphe
connect, alors arrter. Sinon, rpter cette tape.
3. Le rsultat de lalgorithme est un graphe hirarchis, lequel peut sinterrompre un
niveau de dissimilitude pour former une partition ou classe identifie simplement
travers des composants connects dans le graphe correspondant.
1.4.2 Algorithmes par partitionnement

Un algorithme de classification par partitionnement obtient une unique partition des donnes
au lieu dune structure hirarchise comme dans le cas prcdent. Les mthodes de
partitionnement ont lavantage de manipuler une grande quantit densembles de donnes,
pour lesquelles, la construction dun graphe hirarchis permettant de tout couvrir serait
difficile. Un des problmes relatifs aux algorithmes de partitionnement est le choix du nombre
de classes dsires en sortie. Dans [Dubes, 1987] un guide pour choisir ce paramtre cl pour
la conception est donn. Cette technique produite des classes en optimisant une fonction
critre dfinie soit localement (sur un sous-ensemble dlments) soit globalement (dfinie sur
lensemble des lments). Lalgorithme est ritr de multiple fois avec diffrents nombres de
classes de sortie, et la meilleure configuration obtenue est utilise pour le choix de la classe de
sortie.
- Algorithmes de minimisation de lerreur quadratique
Cet algorithme est bas sur la minimisation dun critre quadratique, critre qui est le plus
utilis dans les algorithmes de partitionnement, et qui est bien adapt dans le cas de classes
spares et compactes. Lerreur quadratique pour une classe L parmi K classes dun ensemble
dlments H est dfinie par :
25
K nj
e 2 (H, L) = xi(j) c j
( 1.1 )
j =1 i =1
o xi(j) est le ime lment qui appartient la jme classe et cj est le centre de la jme classe.
Lalgorithme k-means est le plus simple et le plus connu des algorithmes de minimisation
dun critre quadratique [McQueen, 1967]. Il dbute avec une partition initiale alatoire et il
dplace les lments dans les classes sur la base de la similarit entre llment et le centre de
la classe par minimisation du critre (( 1.1 ) jusqu convergence (quand il ny a pas de reaffectation dlment dune classe une autre, ou lorsque lerreur quadratique ne dcroit plus
significativement aprs un certain nombre ditrations ). Lalgorithme k-means est populaire
parce quil est facile implanter. Un des problmes majeurs de cet algorithme est quil est
sensible au choix de la partition initiale et quil peut converger vers un minimum local de la
fonction critre si la partition initiale nest pas choisie de manire adquate. La Figure 1-10
montre sept lments en deux dimensions. Si nous commenons avec les lments A, B et
comme moyennes initiales les centres, trois classes sont construites, ceci conduit la partition
{{A},{B, C},{D, E, F, G}} o les classes sont reprsentes par des ellipses. La valeur du
critre de lerreur quadratique est beaucoup plus grande pour cette partition que pour la
meilleure partition : {{A, B, C}, {D, E}, {F, G}} reprsente par des rectangles, laquelle
produit la valeur minimale globale de la fonction critre de lerreur quadratique pour une
classification sur trois classes. La solution correcte (trois classes) est obtenue en choisissant,
par exemple, A, D et F comme les moyennes initiales des classes.
Figure 1-10 Sensibilit de lalgorithme k-Means la partition initiale
26
Procdure de lalgorithme k-Means

1. Choisir k centres de classes pour concider avec les k points dfinis alatoirement dans
lhyper volume contenant lensemble dlments.
2. Assigner chaque lment au centre de la classe la plus proche.
3. Recalculer les centres des classes en utilisant les nouveaux lments de la classe.
4. Si un critre de convergence nest pas satisfait, rpter ltape 2. Ces critres de
convergence typique sont : pas de nouvelle re-affectation dlments un nouveau
centre de classe, ou non-volution du critre de lerreur quadratique.
Plusieurs variantes de lalgorithme k-Means ont t rapportes dans la littrature [Anderberg,

1973]. Quelques algorithmes essaient de choisir une bonne partition initiale, pour que
lalgorithme ait plus de possibilit de trouver la valeur du minimum global.
Une autre variante est de permettre de diviser et de fusionner les classes rsultantes.
Typiquement, une classe est divise quand sa variance est au-dessus dun seuil prtabli, et
deux classes sont fusionnes quand la distance entre leurs centres est au-dessous dun autre
seuil pr-spcifi. En utilisant cette modification, il est possible dobtenir une partition
optimale en commenant par une partition initiale arbitraire, avec des valeurs de seuils
correctement choisis.
Lalgorithme ISODATA [Ball et al., 1965] utilise cette technique pour diviser et fusionner les
classes. Si ISODATA prend comme partition initiale les ellipses de la Figure 1-10, il produira
la partition optimale compose de trois classes. ISODATA dabord fusionnera les classes {A}
et {B, C} dans une classe parce que la distance entre leurs centres est la plus petite et ensuite
divisera la classe {D, E, F, G} qui possde une grande variance, en deux classes : {D, E} et
{F, G}.
1.4.3 Algorithmes issus de la thorie des graphes

Tout dabord, dfinissons un concept important pour ce type dalgorithme. Lalgorithme STA
( Spanning Tree Algorithm ) est un protocole de dialogue entre tous les ponts permettant de
supprimer des liens redondants et de ne garder que les liens les plus intressants (lignes de
communications les plus rapides, les moins coteuses, etc.).
27
Le plus connu de ces algorithmes est bas sur la construction du MST (minimal spanning
tree) des donnes [Zahn, 1971]. Les segments du MST avec les plus grandes longueurs sont
ensuite supprims pour produire les classes. La Figure 1-11 reprsente le MST obtenu partir
de neuf points en deux dimensions. En supprimant le segment tiquet CD avec une longueur
de 6 units (le segment avec la longueur Euclidienne maximale), deux classes ({A, B, C} et
{D, E, F, G, H, I}) sont obtenues. La deuxime classe peut tre ultrieurement divise en deux
classes en supprimant la branche EF, laquelle a une longueur de 4.5 units.
Figure 1-11 Classes formes en utilisant le MST ( Minimal Spanning Tree )
1.4.4 Algorithme de rsolution mixte Mixture-Resolving

Le fondement de lapproche Mixture-Resolving est que les lments sont obtenus partir
de plusieurs distributions (par exemple, gaussiennes), et le but est didentifier les paramtres
ainsi que, leur nombre. Il consiste obtenir (itrativement) une estimation de la probabilit
maximale (Maximisation de lesprance mathmatique) du vecteur de paramtres des
composants de densits [Jain et Dubes,1988].
1.4.5 Classification par le plus proche voisin

Un procdure itrative a t propose par Lu et Fu [1978]. Elle assigne chaque lment non
tiquet la classe de son plus proche lment voisin tiquet, si la distance au voisin tiquet
est au-dessous dun seuil. Le processus continue jusqu ce que tous les lments soient
tiquets ou quil ne se produise plus dtiquetage.
28
1.4.6 Classification Floue

Les approches traditionnelles de classification gnrent des partitions; dans une partition,
chaque lment appartient une seule classe. La classification floue amplifie cette notion en
associant chaque lment chacune des classes en utilisant des fonctions dappartenance
[Zadeh, 1965].
- Procdure itrative de lalgorithme de classification floue
1. Slectionner une partition floue initiale des N lments dans K classes en
slectionnant la matrice dappartenance U de dimension N X K. Un lment uij de cette
matrice reprsente le degr dappartenance de llment xi dans la classe cj.
Typiquement, uij [0, 1].
2. Minimiser la valeur de la fonction critre floue, par exemple :
N K
E 2 (H,U) = uij xi c k
( 1.2 )
i =1 k =1
o c k = u ik xi est le centre de la kime classe, en modifiant de faon itrative la

i =1
matrice U de manire modifier lassignation des lments aux classes et ainsi faire
dcrotre le critre E2(H,U).
3. Rpter ltape 2 jusqu ce que la valeur de U ne change pas significativement.
Avec la classification floue, chaque classe est un ensemble flou de tous les lments. La
Figure 1-12 illustre cette approche. Les rectangles reprsentent deux classes typiques : H1={1,
2, 3, 4, 5} et H2={6, 7, 8, 9}. Un algorithme de classification floue peut produire les deux
classes floues F1 et F2 reprsentes par des ellipses. Les lments auront des valeurs
dappartenance entre 0 et 1 pour chacune des classes. Par exemple, la classe floue F1 pourrait
tre dcrite comme :
{(1,0.9), (2,0.8), (3,0.7), (4,0.6), (5,0.55), (6,0.2), (7,0.2), (8,0.0), (9,0.0)}
et F2 comme :
{(1,0.0), (2,0.0), (3,0.0), (4,0.1), (5,0.15), (6,0.4), (7,0.35), (8,1.0), (9,0.9)}
Les paires ordonnes (i, i) pour chaque classe reprsentent le ime lment et sa valeur
dappartenance la classe i.
29
Le plus connu des algorithmes de classification floue est le C-Means Flou (FCM). Cette
mthode, dveloppe par Dunn en 1973 [Dunn, 1973] et amliore par Bezdek en 1981
[Bezdek, 1981], est souvent utilise en reconnaissance de formes.
Figure 1-12 Classes floues
1.5 La mthode LAMDA

LAMDA (en anglais : Learning Algorithm for Multivariate Data Analysis ) [J. AguilarMartin, 1980 ; Koodmen, 1989] est une technique de classification qui a t dvelopp au
Laboratoire dAnalyse et Architecture des Systmes (LAAS). Cest un Algorithme dAnalyse
de Donnes Multidimensionnelles par Apprentissage et Reconnaissance de Formes. La
formation et la reconnaissance de classes dans cette mthode sont bases sur lattribution dun
lment une classe partir de la rgle heuristique appele adquation maximale. Cette rgle
dadquation a t propose par Aguilar-Martin [J. Aguilar-Martin, 1980]. Chaque lment
est reprsent par des descripteurs. Le degr dadquation maximale dun lment une
classe est dtermin partir des degrs dadquation marginale de chaque descripteur dans les
diffrentes classes.
LAMDA a t utilis en reconnaissance de forme [Piera et Carret et al., 1990], en analyse
biomdicale [Chan et al., 1989], pour ltude des processus de dpollution des eaux uses
[Waissman-Vilanova et al. 2000] et pour les bio-procds [Aguilar-Martin et al., 1999].
LAMDA est une technique de classification multi-source qui utilise des sous-ensembles flous
et dont la dmarche pour classer les lments est la suivante :
30
1. Calcul du degr dappartenance marginale pour chaque descripteur par lutilisation

dune fonction dappartenance. Ce degr est appel Degr dAdquation Marginale
(MAD).
2. Calcul dun degr dappartenance globale par lutilisation dun oprateur dagrgation
de linformation. Ce degr est appel Degr dAdquation Globale (GAD).
3. valuation du GAD pour savoir sil faut crer une nouvelle classe
a. Si cest le cas, cration dune nouvelle classe et nouvelle valuation des MAD
et du GAD pour tous les points traits pralablement.
b. Sinon assignation de llment trait dans la classe ayant le plus grand GAD.
Le schma gnral de la procdure dattribution dun lment une classe est prsent sur la
Figure 1-13 :
Descripteurs
x1
x2
MAD1 (x1,C1,)
MAD2 (x2,C1)
lment Xn
xP
MAX
Adquation de Xn
la classe C1
Degr dAdquation
Globale (GAD)
MADP (xP,C1)
Degr dAdquation
Marginale (MAD)
Figure 1-13 Calcul de ladquation dun lment
1.5.1 Les caractristiques de LAMDA

La mthode LAMDA est une mthode de classification issue de la logique floue, laquelle
repose sur des notions de base comme la notion dincertitude, dimprcis, de vague ou de
sous-ensemble flou [Zadeh, 1965]. Dans ce qui suit, les caractristiques propres [Piera et al.,
1989] sont prsentes:
31
LAdquation Maximale (rgle heuristique) : LAMDA nuse pas de la similarit

entre les lments pour la classification, mais il calcule le degr dadquation globale
entre llment et les classes dj formes, et il affecte chaque lment la classe dont
le degr dadquation est maximal.
Le Concept de la classe non informative (NIC): ce concept est la base de la

modlisation de lhomognit dans lUnivers, do proviennent tous les lments.
Initialement ces lments sont issus dune classe qui accepte tous les lments avec le
mme degr dadquation. Cette classe est trs importante pour le processus de
formation dune nouvelle classe. Lexistence de cette classe agit comme une limitation
ou un seuil : aucun lment ne sera assign une autre classe si son degr
dadquation globale nest pas suprieur celui de la classe non informative.
Degr dadquation avec Connectifs : Un lment sera affect dans une classe non
seulement si son degr dappartenance cette classe est maximal ou si au moins un de
ses descripteurs a un degr dadquation marginale lev, mais par lintermdiaire
dun critre qui implique les connectifs ET et OU
La mthode LAMDA est issue du domaine de la Logique Floue
Elle permet de grer simultanment des variables qualitatives et quantitatives
Apprentissage squentiel : Il peut sadapter une situation voluant au cours du

temps en raison dun algorithme dapprentissage squentiel.
1.5.2 Description de la mthodologie LAMDA

LAMDA est une mthode de classification de donnes multidimensionnelles par
apprentissage et reconnaissance de forme. Elle sadresse des squences dlments dcrits
par un nombre fixe de composantes de type qualitatif ou quantitatif (nomms aussi
descripteurs). Ces donnes peuvent tre traites dans un contexte probabiliste ou avec une
approche floue. A chacune de ces deux mthodes est associ un connectif dtermin.
Il y a deux types de classification :
Par Apprentissage (sans et avec initialisation) ou apprentissage non supervis
Par Reconnaissance de Formes ou apprentissage supervis.
32
A)
Cas de lapprentissage
L intelligence de la machine se manifeste en apprenant les caractristiques des classes

associes des partitions. Le paramtrage de ces classes est dynamique, leurs caractristiques
voluent avec chaque affectation dun nouvel lment.
Il y a deux modes de classification par apprentissage :
Apprentissage sans initialisation : tant donn un ensemble dlments, on fait une

classification qui donne la meilleure partition de ces lments. En outre, il y a cration
des classes et conservation de leurs paramtres. La classe NIC est la seule classe
initialise.
Apprentissage avec initialisation: Si on a une ide sur les caractristiques de quelques

classes, on peut en tablir dautres en se basant sur les classes dj cres. Il y a
possibilit de cration de nouvelles classes et dvolution des paramtres des
anciennes classes. Dans le cas o il ny aurait plus de possibilit dajout, les lments
non classs sont affects la classe NIC.
B)
Cas de la Reconnaissance de Formes
On dispose a priori dun certain nombre de classes dont les paramtres sont connus
dfinitivement, et il sagit de traiter un ensemble dlments par leur assignation ces classes.
Lors de laffectation, les paramtres ne sont pas changs ce qui est normal puisquil sagit
dune exploitation des connaissances et non pas de lapprentissage. Les lments non classs
sont affects une classe appele classe rsiduelle , qui a les mmes caractristiques que la
classe NIC dans le cas de lapprentissage.
Ces deux types de classification peuvent tre complmentaires. On peut commencer par faire
un apprentissage sans initialisation, puis effectuer une srie de classifications avec
initialisation en se basant sur les classes dj formes pour les faire voluer et arriver une
partition satisfaisante. Cet ensemble de classes est donc efficace pour faire, par la suite, la
reconnaissance de formes.
Cet algorithme de classification nest pas commutatif, cest-dire que la partition finale
dpendra de lordre dans lequel les donnes sont traites. Dans les premiers pas dun
processus dapprentissage, on peut affecter un lment une classe non encore parfaitement
33
dfinie (vu quelle possde encore peu dlments) et la fin, une fois que cette classe est
mieux dfinie, si on refait le classement du mme lment il peut avoir un degr
dappartenance trs diffrent, suprieur ou infrieur par rapport lancien.
Une caractristique importante de LAMDA est quil modlise le concept de Chaos , qui est
la totale homognit. Il accepte tous les lments de la mme manire. Ce concept est
reprsent par une classe qui sappelle NIC (non informative classe). Le degr
dappartenance la classe NIC est le mme pour tous les lments. Cest le contexte qui
dtermine lexistence de cette classe, et ceci implique que la classe NIC est toujours prsente
dans lespace des classes dj tabli. La classe NIC est invariante dans le temps.
1.5.3 Les Concepts de LAMDA

Pour mieux comprendre la mthode LAMDA, dans ce qui suit on prsente les concepts et le
vocabulaire qui lui sont spcifiques :
LUnivers de la Classification est lensemble des possibilits ou lments qui peut

tre reprsent par une grille. Il reprsente le contexte dans lequel un lment peut tre
dcrit.
Descripteurs (P): Ils peuvent tre quantitatifs ou qualitatifs.

Descripteur quantitatif: Intervalle qui rassemble toutes les valeurs des lments.
Descripteur qualitatif: Ensemble de modalits ou dtiquettes qualitatives. A
chacune est associe sa frquence dapparition.
Un ensemble de N lments (X1,,XN), o chacun est reprsent par un vecteur

[x1,,xP] tel que xj est la caractristique de llment pour le descripteur j.
X1 = [x1,,xP]
X2 = [x1,,xP]
.
.
.
.
.
.
XN = [x1,,xP]
K Classes [C0, C1,,CK] dj existantes ou cres, o C0 est la classe NIC. Chacune

est dfinie par un vecteur de paramtres: [1,,P].
34
Si le descripteur est quantitatif, le paramtre j reprsente la moyenne des valeurs

correspondantes aux lments affects cette classe.
Si le descripteur est qualitatif, j sera la liste des modalits avec la probabilit refltant
son poids dans cette classe.
Connectifs
Les connectifs sont relis aux oprateurs logiques entre les ensembles, tels que lunion
et lintersection qui sont associes aux conjonctions linguistiques ET et OU .
Les connectifs sont associs des fonctions de types T-norme et T-conorme. Parmi les
familles de connectifs, les plus connues ont t choisies : le minimum (T-norme) et le
maximum (T-conorme) de la thorie de la Logique Floue de Zadeh [Zadeh, 1978] et
celles du produit et de la somme probabiliste qui prsupposent un raisonnement de
type statistique avec une indpendance entre les descripteurs.
Soit I lintervalle [0,1], si T est une fonction T-norme, la duale T-conorme
correspondante est dfinie comme suit :
S(x, y) = 1 T(1 x,1 y)
( 1.3 )
Les fonctions associes au contexte probabiliste et lapproche floue sont les

suivantes :
Tableau 1-A Fonctions T-Norme et T-Conorme
T-Norme (intersection)
T-conorme (union)
Connectif
T(X,Y)
S(X,Y)
Produit / Somme probabiliste
X Y
1- (1-X)(1-Y) = X+Y-XY
Min (X,Y)
1-Min (1-X,1-Y) = Max (X,Y)
Minimum / Maximum
Les connectifs mixtes constituent une extension cette thorie se situant entre
lintersection et lunion. Ils dpendent dun paramtre appartenant lintervalle
[0,1] :
CM ( x, y ) = T ( x, y ) + (1 ) S ( x, y )
sera maximum dans le cas de lintersection et minimum dans le cas de lunion et est
appel exigence .
Le Tableau 1-B rsume ce que lon vient dnoncer
( 1.4 )
35
Tableau 1-B Connectifs mixtes

Oprateurs Logiques
Intersection
Union
ET
OU
Probabilistes
Produit
Somme
Flous
Minimum
Maximum
Connectifs
Conjonctions
Mixtes
0.5
On peut remarquer ds maintenant que le rsultat dpendra essentiellement du

connectif.
Degr dappartenance
Le degr dappartenance dun lment une classe donne reflte la distance qui les
spare. Pour un lment donn, les caractristiques par rapport chaque descripteur
interviennent dans le calcul du degr dappartenance de cet lment une classe par ce
quon appelle le degr dadquation marginale . Pour chaque lment, on dtermine
un vecteur des degrs dappartenance marginale. Ainsi, la distance de cet lment la
classe courante, qui est son degr dappartenance, rsume ou agrge toutes les
informations donnes par les descripteurs. Donc il est fonction des appartenances
marginales, et il sappelle degr dadquation globale .
GAD(X/C) est le degr dappartenance globale dun lment X une classe C,
j=MAD(xj/C) est le degr dappartenance marginale (ou partielle) par rapport au
descripteur j, et [1, j P] est le vecteur des appartenances marginales.
1.5.4 Lalgorithme de la classification

Dans lannexe A de cette thse, on peut trouver un exemple simple du dveloppement de
lalgorithme en utilisant des donnes quantitatives, permettant de mieux comprendre cette
mthode. Dans ce qui suit, nous donnons de faon dtaille les diffrentes tapes de
lalgorithme de classification.
Soit un lment X et les classes C0, C1,,CK, une classification se droule de la faon suivante:
Calculer les degrs dappartenance globale (GAD) de llment X par chacune des classes
C1,,CK et C0 la classe vide ou rsiduelle, nots [1,,P]. Pour ce faire, on calcule des
36
degrs dappartenance marginale (j) par rapport chaque descripteur. Le calcul du degr
dappartenance marginale ou partielle dpend du type de descripteur correspondant :
A)
Cas des descripteurs qualitatifs :
Un descripteur qualitatif est caractris par un ensemble non ordonn de modalits. Lors de la
classification, on procde par le calcul des frquences de chaque modalit lintrieur dune
classe. Les numros associs chacune des diffrentes modalits sont les valeurs qui
reprsentent le mieux la classe. On les utilise pour le calcul de la fonction dappartenance
dun lment selon la modalit observe pour chaque composante.
B)
Cas des descripteurs quantitatifs :
Les descripteurs quantitatifs sont tels que les valeurs associes peuvent se mettre dans un
ensemble ordinal discret ou continu. Cet ensemble se prsente donc comme un intervalle
[xmin, xmax] et peut tre rduit par la formule de normalisation suivante :
xj =
x j x min
( 1.5 )
x max x min
Il existe plusieurs algorithmes pour calculer lappartenance dun descripteur. Dans ce qui suit,
nous donnons les 5 algorithmes que nous avons utiliss : Binomiale, Binomiale-Centr,
Binomiale-Distance, Binomiale-Distance au Carr et Gauss.
1. Binomiale: Dans ce cas, le MAD se calcule par la formule suivante :

(x j C i ) = i, jj (1 i, j )
(1 x j )
( 1.6 )
2. Binomiale-Centr: ce cas est une variante du cas prcdent, en introduisant un

centre :
1 x
j
xj
par = 1
i, j
i, j
( 1.7 )
des = x j j (1 x j )
( 1.8 )
(x j C i ) =
( 1.9 )
(1 x j )
par
des
3. Binomiale-Distance: Comme son nom lindique, on fait intervenir une pseudodistance :
37
a = max i, jj , (1 i, j )
x
( 1.10 )
x dist = 1 abs (x j i, j )
(x j /C i ) = (a )
xdist
( 1.11 )
(1 a )
(1 xdist )
( 1.12 )
4. Binomiale-Distance au Carr: Par rapport lalgorithme 3, on introduit une

normalisation :
a = max i, jj , (1 i, j )
( 1.13 )
x dist = 1 abs (x j i, j )
( 1.14 )
b = xdist
X dist
(x j /C i ) =
(1 xdist )(1 x
dist
a xdist (1 a )
b
( 1.15 )
(1 xdist )
( 1.16 )
5. Gauss: Dans ce cas, les relations utilises sont rapprocher de celles donnant la
moyenne et lcart type dune distribution gaussienne :
1
( x j / Cij ) = e
2 ij2
( x j ij ) 2
( 1.17 )
O ij et ij2 correspondent, respectivement, la valeur moyenne et la variance du

descripteur j pour la classe i.
Ltape suivante consiste, laide du connectif, dterminer le degr dappartenance globale

(GAD) de llment X la classe Cj.
Les appartenances marginales pour chaque descripteur, permettent, laide dun connectif au
choix (produit, somme, minimum, maximum), de calculer lappartenance dun lment
chacune des classes.
Cet lment est assign la classe la plus proche dont le degr dappartenance globale
correspondant est maximal. Sil y en a plusieurs, on choisit la premire trouve.
Enfin, lactualisation des paramtres associs aux descripteurs quantitatifs se fait de la faon
suivante:
i, j = i, j +
x j i, j
N +1
( 1.18 )
Pour procder squentiellement, il est ncessaire de connatre le nombre dlments (N) ayant
servi au calcul des frquences dans la classe correspondante.
38
On peut crer aussi, laide de la classe vide (NIC) une nouvelle classe qui va tre
caractrise par laffectation dun lment cette classe. X est le premier lment dune
nouvelle classe CK+1 et la reprsentation de cette nouvelle classe dpendra de cet lment. On
prendra un paramtre fictif correspondant au nombre dlments de la classe NIC .
i, j = i, j +
x j i, j
( 1.19 )
N0 + 1
Le paramtre N0 dtermine linitialisation de lapprentissage. Sa valeur peut tre choisie

arbitrairement puisquelle ninflue pas sur le rsultat de la classification (mais elle doit tre
positive).
Dans le cas de la reconnaissance de formes, llment est attribu une classe significative ou
rejete dans la classe rsiduelle. Dans le cas de lapprentissage, sil est affect une classe
significative il y a modification des paramtres de cette classe. En revanche, si la classe vide
est la plus proche, une nouvelle classe doit tre cre pour contenir cet lment. Il y a rejet si
la classe vide est la plus proche et quil ny a pas possibilit de cration de nouvelle classe
parce que le nombre maximum des classes cres est atteint par exemple.
Lalgorithme gnral de la classification est donn sur la Figure 1-14 :
ELEMENT
Xn = (x1, x2,, xP)

C0: Classe
Non-Informative
ENSEMBLE
de CLASSES
Degr d'Adquation Marginale

MAD (xj / Ci)
Mise jour
Cration classe
Cl
Cl= CK+1
j = 0,,P
Degr d'Adquation Globale

GAD (Xn / Ci)
NON
C0 = Cl
OUI
Affectation de Xn la classe l
AUTO-APPRENTISSAGE
i = 0,,K
RECONNAISSANCE
Figure 1-14 Algorithme gnral de LAMDA
Le paragraphe suivant est consacr une brve description de loutil SALSA dvelopp sur la
base de la mthode LAMDA au cours du projet CHEM [CHEM].
39
1.5.5 Loutil SALSA

SALSA (Situation Assesment using Lamda claSsification Algorithm) est un outil dvelopp
sous LabWindows par [Kempowsky, 2004b] pour dterminer ltat fonctionnel (situation)
dun processus en traitant des donnes en ligne et hors ligne. Lobjectif de la phase hors ligne
est la conception dun modle de comportement du processus partir du rsultat de la
classification effectue sur des donnes historiques ou exprimentales. La phase en ligne est
effectue pour reconnatre et dterminer ltat fonctionnel actuel dun processus en temps
rel, en utilisant le modle de comportement obtenu durant la phase hors ligne. La Figure 1-15
et la Figure 1-16 schmatisent ces deux phases dutilisation :
HISTORIQUES
CONFIGURATION
CLASSIFICATION
Donnes :
entranement
Espace de Description
Profil & dtails

des classes
Mode d'Apprentissage
Donnes :
test
Matrice
Appartenances - GAD
paramtres LAMDA
OUI
NON
VALIDATION
Affectation
tats
fonctionnement
Mod
Modle de
Comportement
Figure 1-15 Structure de SALSA hors ligne
Donnes
en ligne
Reconnaissance
tat courant
Modle de
comportement
ANALYSE
Figure 1-16 Structure de SALSA en ligne
Lavantage de loutil Salsa pour faire le diagnostic est quil na pas besoin dun modle initial
ni analytique ni issu de lintelligence artificielle (logique floue, rseau neuronal). En
revanche, il ncessite lavis dun expert pour valider laffectation des tats de fonctionnement
du processus des classes et obtenir ainsi, le modle de comportement.
Comme caractristiques principales de SALSA, nous trouvons quil :
40
Accepte aussi bien de linformation qualitative que quantitative.
Permet
indiffremment
lapprentissage
non
supervis
( clustering )
et
lapprentissage supervis (classes prdfinies).
Permet dobtenir plusieurs classifications depuis un ensemble de donnes.
Ncessite un nombre minimum de paramtres rgler par loprateur.
Dispose dun algorithme simple et rapide pour la reconnaissance en ligne.
Est facile pour linstallation et la configuration.
Loutil Salsa a t dvelopp dans le cadre du projet europen CHEM (Advanced Decision
Support Systems for Chemical and Petrochemical Manufacturing Processes) dont lobjectif
principal a t le dveloppement dune plateforme gnrique doutils intgrs bass sur des
mthodologies avances pour la surveillance, la supervision, la dtection de dfauts et le
diagnostic des procds chimiques, ptrochimiques et de raffinage, afin den amliorer la
scurit, la qualit des produits et la qualit de leur fonctionnement. Loutil SALSA a t
intgr cette plateforme [CHEM].
1.6 Conclusions
Lobjectif du diagnostic est de dtecter rapidement les divers dfauts existant sur un procd
(dfaut dinstrumentation, de paramtres, structurel) pour viter la dgradation de ses
performances et augmenter la scurit des oprateurs et de lenvironnement.
Ce chapitre a fourni une prsentation succincte des diffrentes techniques de diagnostic
classiquement utilises. Il est clair quun trs grand nombre de dveloppements a concern les
approches bases sur des modles quantitatifs du processus utilisant la technique du calcul des
rsidus. Cependant diffrents facteurs tels que la complexit du systme [Bailey, 1984], la
dimension leve, la non linarit des processus ont souvent rendu trs difficile le
dveloppement dun modle mathmatique prcis.
Cette difficult limite lapplication de cette approche aux processus industriels rels. En
particulier, un modle trop simple ne permet pas de gnrer des rsidus reprsentatifs
uniquement de dfaillances, mais ils intgrent le plus souvent les erreurs de modlisation ou
de drive normale des paramtres.
41
Parmi les mthodes de diagnostic ne ncessitant pas de modle mathmatique explicite, se

situent les techniques de classification. Un systme de diagnostic peut tre considr en effet
comme un classificateur, puisque la tche de diagnostic peut tre vue comme une
classification de problmes.
Parmi les classifications floues existantes, nous avons choisi dutiliser la mthode LAMDA
qui cherche modliser un certain type de raisonnement humain et dont les caractristiques
de flexibilit, savoir la possibilit dutiliser indiffremment et simultanment un
apprentissage supervis ou non, des donnes qualitatives ou quantitatives, lui confre de rels
avantages.
Aprs avoir prsent les diffrentes phases suivies lors dune classification floue effectues
par LAMDA, les caractristiques de loutil SALSA ont t dcrites. Cet outil dvelopp dans
le cadre du projet europen CHEM, donne loprateur un support pour une prise de dcision
en temps rel. Il peut aussi tre utilis comme outil dentranement hors ligne.
Il est la base (comme technique de classification particulire) de la mthodologie pour le
placement des capteurs. Nanmoins, toute technique de classification floue pourrait tre
utilise.
Lapplication de la mthodologie pour le placement de capteurs a t effectue dans le cas de
procds chimiques complexes. Pour le faire, elle sappuie sur la simulation dynamique de
scnarii de dfaillances effectues grce des simulateurs de procds dont on prsente les
caractristiques dans le chapitre suivant.
42
2. MODELISATION ET SIMULATION DE PROCEDES

CHIMIQUES
2.1 Introduction
La simulation est un outil utilis dans diffrents domaines de lingnierie et de la recherche en
gnral, permettant danalyser le comportement dun systme avant de limplmenter et
doptimiser son fonctionnement en testant diffrentes solutions et diffrentes conditions
opratoires. Elle sappuie sur llaboration dun modle du systme, et permet de raliser des
scnarii et den dduire le comportement du systme physique analys. Un modle nest pas
une reprsentation exacte de la ralit physique, mais il est seulement apte restituer les
caractristiques les plus importantes du systme analys. Il existe plusieurs types de modle
dun systme physique : allant du modle de reprsentation qui ne sappuie que sur des
relations mathmatiques traduisant les grandes caractristiques de son fonctionnement,
jusquau modle de connaissance complexe issu de lcriture des lois physiques rgissant les
phnomnes mis en jeu. Le choix du type de modle dpend principalement des objectifs
poursuivis.
Les simulateurs de procds chimiques utiliss classiquement dans lindustrie chimique ou
para-chimique, peuvent tre considrs comme des modles de connaissance. Ils sont bass
sur la rsolution de bilans de masse et dnergie, des quations dquilibres
thermodynamiques, et sont mme de fournir linformation de base pour la conception. Ils
sont principalement utiliss pour la conception de nouveaux procds (dimensionnement
dappareil, analyse du fonctionnement pour diffrentes conditions opratoires, optimisation),
pour loptimisation de procds existants et lvaluation de changements effectus sur les
conditions opratoires.
Modlisation et simulation de procds chimiques
44
Avant mme de parler de modles dopration de transformation de la matire, il faut des

modles pour prdire les proprits physiques de la matire. Cest pourquoi ces simulateurs
disposent tous dune base de donnes thermodynamiques contenant les proprits des corps
purs (masse molaire, temprature dbullition sous conditions normales, paramtres des lois
de tension de vapeur, ). Cette base de donnes est enrichie dun ensemble de modles
thermodynamiques permettant destimer les proprits des mlanges.
Tout simulateur industriel de procds chimiques est organis autour des modules suivants :
Une base de donnes des corps purs et un ensemble de mthodes pour estimer les
proprits des mlanges appels aussi modles thermodynamiques.
Un schma de procd permettant de dcrire les liaisons entre les diffrentes

oprations unitaires constituant lunit (PFD pour Process Flow Diagram).
Des modules de calcul des diffrentes oprations unitaires contenant les quations
relatives leur fonctionnement : racteur chimique, colonne de distillation, colonne de
sparation, changeurs de chaleur, pertes de charges, etc.
Un ensemble de mthodes numriques de rsolution des quations des modles.
Avec ce type de logiciel, les ingnieurs peuvent partir de la donne des corps purs prsents
dans le procd et du schma de procd, dvelopper un modle du processus reposant sur la
mise en commun des quations dcrivant les diffrentes oprations unitaires, les ractions
chimiques, les proprits des substances et des mlanges, qui puisse aussi communiquer avec
dautres applications comme Excel, Visual Basic, Matlab, .
Il y a deux modes de fonctionnement dans un simulateur : statique (ou stationnaire) et
dynamique. Les simulateurs statiques rsolvent des quations statiques qui traduisent le
fonctionnement en rgime permanent ( lquilibre), tandis que les simulateurs dynamiques
permettent dvaluer lvolution des variables dans le temps partir de la rsolution de
systmes dquations diffrentielles. Les simulateurs industriels les plus connus
mondialement sont :
Statiques : Aspen Plus (Aspen Technologies), Design II (de WinSim), HYSYS

(Hyprotech), , PRO/II (Simulation Sciences), Prosim
Dynamiques : HYSYS, Aspen Dynamics (Aspen Technologies), Design II (de

WinSim), Dymsym (Simulation Sciences Inc.)
45
Selon Winter (Winter, 1992) les simulateurs dynamiques sont en passe de se substituer aux
simulateurs en rgime permanent. Par exemple, HYSYS (Hyprotech) peut passer de la
simulation dun rgime permanent celle dun rgime transitoire (dynamique) par un seul
click sur un bouton.
Nanmoins, tout procd ne peut tre simul laide de ces simulateurs industriels. En effet,
dans le cas de la mise au point de nouveau procd, il est gnralement ncessaire de disposer
de son propre simulateur. Le concept est le mme : sur la base des proprits
thermodynamiques
des
corps
purs
impliqus
dans
lopration
et
des
modles
thermodynamiques, il y a rsolution des quations de bilan de matire et dnergie et des

relations dquilibre constituant le modle. La diffrence vient du fait que gnralement
seules les proprits des corps prsents dans le procd chimique considr ne sont dtailles
et que lenvironnement de dveloppement est moins convivial. On parlera de simulateur ddi
(spcifique un procd donn). Il a lavantage de pouvoir avoir une totale matrise sur la
faon dcrire les quations du modle et de les rsoudre.
Dans ce travail, nous avons utilis les deux types de simulateurs :
Gnraliste (industriel) : nous avons constitu laide du simulateur HYSYS

(dvelopp par AEA Technology Engineering Software Products), un modle
du fonctionnement dynamique dune unit de production de propylne glycol.
Ddi : dans le cadre du projet Nouvelles applications dans le domaine de la

scurit industrielle et du REX de systmes daide la conduite supervise,
dabstraction dinformations, danalyse et de classification de donnes
soutenu par lInstitut pour une Culture de Scurit Industrielle (ICSI), nous
avons collabor avec lquipe Procds de la Chimie Fine du Laboratoire
de Gnie Chimique (UMR CNRS 5503) de Toulouse qui dveloppe, en
partenariat avec ALFA-LAVAL, un nouveau racteur appel Open Plate
Reactor et utilis les rsultats fournis par leur simulateur ddi (Data
Processing Tool).
Lobjectif de ce chapitre est de dcrire ces deux modles de procd sur lesquels la
mthodologie dveloppe lors de ce travail a t applique. La premire partie est consacre
la description des concepts du simulateur HYSYS et de ses caractristiques et fonctionnalits
qui lui permettent dtre un puissant simulateur industriel et lexplication dtaille du
46
modle du procd chimique tudi (production de propylne glycol). Dans la deuxime

partie, nous prsenterons le nouveau procd dvelopp par le Laboratoire de Gnie
Chimique, ainsi que les caractristiques principales de son simulateur qui a t valid partir
dexprimentations effectues sur une premire version pilote de ce procd.
2.2 Concepts et caractristiques du simulateur HYSYS

2.2.1 Concepts de base du simulateur HYSYS
HYSYS est un simulateur de conception oriente-objets. Tout changement spcifi sur un
lment est rpercut dans tout le modle.
Dans ce qui suit, on dfinit les principaux concepts de base et vocabulaires associs, qui sont
utiliss pendant les tapes de construction dun modle dans le simulateur HYSYS (voir la
Figure 2-1) [HYSYS, 2002a] :
Flowsheet : cest un ensemble dobjets Flowsheet Elements (courants de

matire, dnergie, doprations unitaires, de variables opratoires) qui constituent tout
ou une partie du procd simul et qui utilisent la mme base de donnes
thermodynamique Fluid Package . Ce simulateur possde une Architecture MultiFlowsheet : il ny a pas de limite par rapport au nombre de Flowsheets. On peut
pralablement construire des Flowsheets pour les utiliser dans une autre simulation, ou
organiser la description de procds complexes en le scindant en sous-Flowsheets qui
sont des modles plus concis (ceci permet de hirarchiser un processus trs complexe).
Il possde un certain nombre dentits particulires : un Process Flow Diagram
(PFD), un Workbook .
Fluid Package : il permet de dfinir les composants chimiques prsents dans le

procd simul et leurs affecte les proprits chimiques et physiques contenues dans la
base de donnes des corps purs. Il permet aussi de dfinir les modles
thermodynamiques qui seront utiliss pour le calcul des proprits des mlanges et de
dfinir les cintiques des ractions chimiques mises en jeu dans le procd.
Process Flow Diagram : ce diagramme permet de visualiser les courants et les

oprations unitaires, reprsentes par des symboles dans le Flowsheet , ainsi que la
connectivit entre les courants, les oprations unitaires et les tableaux des proprits
des courants.
47
Workbook : il permet davoir accs linformation sur les courants et les

oprations unitaires sous forme de tableau de donnes.
Desktop : cest lespace principal de HYSYS pour visualiser les fentres lors de la
conception.
Property view : il contient linformation dcrivant un objet (opration ou courant)
Simulation Case (fichier de simulation) : cest lensemble des Fluid Packages ,

Flowsheets et Flowsheet Elements qui constituent le modle.
HYSYS est un logiciel de simulation interactif intgrant la gestion dvnements ( Event

driven ) : cest--dire qu tout moment, un accs instantan linformation est possible, de
mme que toute nouvelle information est traite sur demande et que les calculs qui en
dcoulent seffectuent de manire automatique. Deuximement, il allie le concept
doprations modulaires celui de rsolution non-squentielle. Non seulement toute nouvelle
information est traite ds son arrive mais elle est propage tout au long du Flowsheet.
Il existe 5 environnements de dveloppement pour manipuler et mettre en forme linformation
dans le simulateur (voir la Figure 2-2) :
1. Environnement Basis Manager : cet environnement permet de crer et modifier
le Fluid Package .
2. Environnement Oil Characterization : il est utilis pour caractriser les fluides
de type ptrolier.
3. Environnement Main Flowsheet : il permet de dfinir la topologie du Flowsheet
principal de la simulation. Il est utilis pour placer et dfinir les diffrents courants,
oprations unitaires et Sub-Flowsheets qui constituent le procd simul.
4. Environnement Sub-Flowsheet : il permet de dfinir la topologie dun sousensemble particulier du schma principal (un courant ou une opration particulire et
des autres Sub-Flowsheets).
5. Environnement Column : cest un objet particulier permettant de dfinir la
topologie de lopration unitaire colonne distiller. Il possde ses propres
Flowsheet , Fluid Package , PFD et Workbook .
48
Dans la Figure 2-2, les flches montrent que seuls lenvironnement Column et le subFlowsheet sont accessibles depuis lenvironnement principal Main Flowsheet . Toutefois,
en utilisant lObject Navigator (voir la Figure 2-1) on peut se dplacer directement dun
Flowsheet autre.
PFD
Opration (CSTR)
Racteur
Courant de
matire
Sub-Flowsheet
Column
Courant
dnergie
Desktop
Workbook
Property
view de
loxyde
Object
Navigator
Figure 2-1 Exemple de Main Flowsheet dans HYSYS
DEBUT HYSYS
&
CREATION
NOUVEAU FICHIER
Simulation CASE
ENVIRONNEMENT
COLUMN
ENVIRONNEMENT
BASIS
ENVIRONNEMENT
OIL
ENVIRONNEMENT
ENVIRONNEMENT
SUB-FLOWSHEET
MAIN
ENVIRONNEMENT
SUB-FLOWSHEET
Figure 2-2 Environnements de dveloppement dans HYSYS
49
2.2.2 Caractristiques principales de HYSYS

Cette partie dcrit brivement les caractristiques importantes qui font de HYSYS une plateforme de simulation et de dveloppement trs puissant.
(The Integrated Engineering Environment) : Toutes les applications ncessaires sont

utilises dans un environnement de simulation commun.
Il intgre la possibilit dune modlisation dans un tat stable ou stationnaire et en

rgime dynamique : la modlisation dans un tat stable et loptimisation tant utilises
lors de la conception des procds ; la simulation en rgime dynamique tant rserve
aux tudes de contrlabilit de procds et au dveloppement de stratgies de contrle.
Programmation de HYSYS : HYSYS contient un Internal Macro Engine qui supporte

la mme syntaxe que Microsoft Visual Basic. On peut automatiser diffrentes tches
dans HYSYS sans avoir besoin dun autre programme.
Voici quelques caractristiques de HYSYS sur la manire dont sont raliss les calculs :
Gestion des vnements (Event Driven): HYSYS combine le calcul interactif (les
calculs sont excuts automatiquement chaque fois que lon fournit une nouvelle
information) avec un accs instantan linformation ( tout moment on peut avoir
accs linformation depuis nimporte quel environnement de simulation).
Gestion intelligente de linformation (Built-in Intelligence): Les calculs des proprits

thermodynamiques seffectuent instantanment et automatiquement ds quune
nouvelle information est disponible.
Oprations Modulaires: Chaque courant ou unit dopration peut raliser tous les
calculs ncessaires, en utilisant linformation soit indique dans lopration ou
communique depuis un courant. Linformation est transmise dans les deux directions
travers les Flowsheets.
Algorithme de rsolution non squentielle : on peut construire des Flowsheets dans

nimporte quel ordre.
Voici les caractristiques de HYSYS sur comment oprent les environnements :

Lorsque lon effectue des dveloppements dans un Flowsheet particulier, seul ce Flowsheet et
les autres situs au-dessous dans la description hirarchique, seront modifis. Par exemple, si
lon considre la Figure 2-3 et que lon suppose que lon dsire faire des changements dans le
50
SubFlowsheet D, on se place dans son environnement pour y effectuer ces changements.

Puisque D est au-dessus de E dans la hirarchie, tous les Flowsheets autres que D et E
resteront inchangs. Ds que les calculs dans D seront effectus, il est possible alors de se
dplacer dans lenvironnement Main Flowsheet pour recalculer toutes les autres parties du
modle contenues dans les autres SubFlowsheets.
MAIN
FLOWSHEET
SUBFLOWHEET
A
SUBFLOWHEET
C
COLUMN
SUBFLOWHEET
B
SUBFLOWHEET
D
COLUMN
SUBFLOWHEET
F
SUBFLOWHEET
E
Figure 2-3 Organigramme des environnements dans la hirarchie
2.3 Programmation de HYSYS

Il y a plusieurs outils CAPE (Computer-Aided Process Engineering) utiliss pour diffrentes
activits dingnierie, par exemple, en simulation, en estimation des proprits physiques, en
conception de procds, en optimisation, etc. Il y a eu un effort important des concepteurs de
logiciels gnraux de simulation de procds pour intgrer, dvelopper et adapter leurs outils
aux besoins spcifiques de leurs clients. En particulier, la capacit dutilisation de simulateurs
de procds avec des applications externes est de plus en plus privilgie. Le simulateur de
procds HYSYS contient une structure avance oriente-objets et utilise la technologie OLE
(Objet Linking and Embedding) pour envoyer et recevoir de linformation vers ou depuis
dautres applications telles que Matlab, Excel, Word, C++ ou Visual Basic. Ceci permet
lutilisateur de crer ses propres applications et communiquer avec le simulateur HYSYS.
Un objet comprend un ensemble de fonctions et variables. Gnralement, les fonctions dun
objet sont nommes mthodes et les variables sont appeles proprits. Chaque proprit est
51
une variable qui a une valeur associe lobjet et les mthodes sont des fonctions et
procdures de calcul associes lobjet.
Considrons un simple ballon comme un objet. Le ballon a un ensemble de proprits telles
que : la couleur, la taille, ltat de gonflage, etc. Le ballon peut avoir des mthodes telles que :
gonfler, dgonfler, etc. En utilisant les proprits et les mthodes associes au ballon, il est
possible de dfinir, manipuler et interagir avec lobjet.
Un objet peut contenir un autre objet lequel est un sous-ensemble de lobjet principal. Par
exemple, lobjet voiture peut contenir dautres objets tels que le moteur ou les pneus. Ces
objets peuvent avoir leurs propres proprits et mthodes. Un moteur peut avoir comme
proprits le nombre de soupapes et la taille des pistons. Les pneus peuvent avoir la proprit
du type de modle de pneu.
Le dveloppement dapplications spcifiques un utilisateur peut se faire selon deux
mthodes qui permettent ladaptation de HYSYS aux besoins propres de lutilisateur:
lAutomation et lExtensibilit. Avec lAutomation, il est possible de manipuler une
application partir dune autre, au travers dune relation Client-Serveur. LExtensibilit
permet la cration de bases de donnes, de modles ractionnels et doprations unitaires,
propres lutilisateur, lesquels font partie des lments de la simulation et fonctionnent
comme des objets construits dans HYSYS.
Au cours de notre travail, nous avons utilis la mthode Automation pour manipuler les objets
de HYSYS en utilisant le HYSYS Macro Language Editor (cest un outil permettant de
dvelopper, tester et excuter des macro-instructions interactives dans lenvironnement de
HYSYS) et le langage de programmation Visual Basic. Cette mthode repose sur la
technologie OLE, laquelle permet de communiquer de manire interactive avec une
application travers des objets conus par les dveloppeurs dune application. Pour manipuler
les objets, lutilisateur na pas besoin de comprendre le code gnr dans HYSYS, seulement
de connatre les noms des objets qui sont disponibles [HYSYS, 2003].
A titre dexemple, le code pour rcuprer la temprature sur le racteur est le suivant :
Dim Simcase As Object
Set Simcase = ActiveCase
Var_1 = Simcase.Flowsheet.Operations.Item(1).VesselTemperature
La premire instruction dfinit la variable simcase comme un objet. Dans la ligne,
linstruction Set assigne le fichier de simulation actuel ( ActiveCase ) la variable de
52
type objet simcase . La dernire instruction donne le chemin complet pour accder la
valeur de la temprature du racteur CSTR (Continuous Stirred Tank Reactor), laquelle est
assigne la variable Var_1 . Item est un ensemble dobjets qui contient toutes les
oprations du Flowsheet du fichier de simulation actuel (Simcase). Dans ce cas, item(1)
reprsente le racteur CSTR. Finalement, la proprit VesselTemperature contient la
valeur recherche.
La Figure 2-4 prsente la structure de la connexion en ligne du simulateur HYSYS et de loutil
de classification SALSA [Kempowsky 2004b]. Le bloc Automation est en charge de rcuprer
les mesures disponibles sur le simulateur HYSYS et de crer le Fichier des descripteurs en
contenant llment classer. Le bloc Acquisition est charg de la lecture du Fichier de
descripteurs pour le traitement avec loutil de classification SALSA. Le bloc de
communication est charg de la synchronisation du systme ; loutil SALSA attend la cration
du Fichier des descripteurs pour le traitement de la classification, et la fin de cette
classification, loutil gnre un Fichier de sortie, lequel indique la disponibilit de loutil
pour recevoir une nouvelle donne partir de HYSYS. Ds que HYSYS a lu ce Fichier de
sortie, il est prt pour envoyer un nouveau Fichier des descripteurs.
Rcuprer
mesures
Automation
Crer fichier
des descripteurs
Vrifier
disponibilit
des donnes
Acquisition
Lire et dtruire
le fichier des
descripteurs
HYSYS
Fichier des
descripteurs
Dfaillances
Vrifier et dtruire
fichier de sortie
Fichier de sortie
(Rsultats)
Bloc de communication
(synchronisation)
Crer fichier
de sortie
Figure 2-4 Connexion en ligne du simulateur HYSYS et de loutil de classification SALSA
Lannexe B montre le programme de rcupration de mesures et de gnration de dfaillances

sur le simulateur HYSYS.
53
2.4 Modle de lunit de production du propylne glycol

Le propylne glycol est un liquide clair, sans couleur, lgrement sirupeux la temprature
ambiante. Il peut exister dans lair sous forme gazeuse, bien que le propylne glycol doive
tre chauff ou vivement secou pour produire un gaz. Le propylne glycol est pratiquement
inodore et insipide. Ce compos est employ comme antigel dans les solutions de dgivrage
pour les voitures, les avions, les bateaux; utilis pour la fabrication de composs polyesters et
comme dissolvant dans les industries de peinture et de plastiques. The Food and Drug
Administration (FDA) a class le propylne glycol comme additif sr pour un usage en
alimentation. Il est employ pour absorber lexcs deau et pour maintenir lhumidit dans
certains mdicaments, produits de beaut ou produits alimentaires. Cest un dissolvant pour
certains colorants alimentaires et armes. Le propylne glycol est galement employ pour
crer la fume ou le brouillard artificiel utilis dans la formation de lutte contre lincendie et
dans des productions thtrales. Le propylne glycol affecte la chimie du corps humain en
augmentant la quantit dacide dans le corps, ayant pour rsultat des problmes mtaboliques.
Cependant, de grandes quantits de propylne glycol sont ncessaires pour causer cet effet
(Agency for Toxic Substances and Disease Registry) [ATSDR].
Le procd simul lors de ce travail est celui permettant de produire du propylne glycol par
raction de loxyde de propylne et de leau.
Figure 2-5 Schma de lunit de production de propylne glycol
Le procd dont le schma de procd construit sous HYSYS est donn sur la Figure 2-5, est
compos dun mlangeur MIX-100 qui permet de mlanger loxyde de propylne et leau. Ce
54
mlange alimente ensuite le racteur chimique o il y a production de propylne glycol

suivant la raction :
H 2 O + C 3 H 6 O C 3 H 8 O2
( 2.1 )
Les produits et ractifs liquides non consomms prsents dans le courant (ReactorProds) sont
envoys dans la colonne de distillation pour y tre spars. Cette colonne a pour but de
rcuprer au maximum (en pied de colonne) le propylne glycol. Elle comporte 10 tages
thoriques. Lalimentation de cette colonne seffectue sur le plateau 5 et est donc compose
de 3 constituants : leau, le propylne glycol, loxyde de propylne. Le courant de sortie en
tte de colonne (RecyProds) est compos en grande partie deau et doxyde. Celui de fond
(Glycol), mme sil est compos en grande partie de propylne glycol, contient encore de
leau et de loxyde. La qualit du produit obtenu est donne par la fraction de propylne
glycol dans ce courant, lobjectif tant de rcuprer le maximum de propylne en sortie
(fraction molaire voisine de 100%)
La Figure 2-6 montre larchitecture de lensemble des blocs de simulation utiliss lors de la
conception du modle sous HYSYS. On peut constater que le modle consiste en un sousdiagramme Colonne connect lEnvironnement Principal (Main Flowsheet) renfermant
le schma du procd tel que prsent sur la Figure 2-1.
DEBUT HYSYS
&
CREATION
NOUVEAU CASE
ENVIRONNEMENT
DE BASE
ENVIRONNEMENT
PRINCIPAL
ENVIRONNEMENT
COLONNE
Figure 2-6 Architecture de lensemble des blocs de simulation utiliss sous HYSYS
Comme il a t prcis prcdemment, il existe deux modes de simulation : le mode rgime

permanent et le mode rgime transitoire ou dynamique. La simulation en mode dynamique
55
seffectue partir dun point de rgime permanent. La construction du modle pour une
utilisation suivant ces deux modes est donne ci-aprs.
A) Mode rgime permanent.

En suivant le diagramme de procd de la Figure 2-6, il faut tout dabord dfinir
lEnvironnement de Base, puis lEnvironnement Principal et finalement le sous-diagramme
Colonne
1. Environnement de Base :
Dans lEnvironnement de Base, la premire tape consiste crer le Fluid Package , lequel
contient les composants chimiques prsents dans lexemple trait. La deuxime tape
concerne la donne du Property Package , cest--dire du modle thermodynamique qui
sera utilis pour calculer les proprits des composs et des mlanges dans les conditions
(temprature, pression) calcules au cours de la simulation. Enfin, la raction chimique, dont
la vitesse est suppose suivre la loi dArrhenius. Elle est dcrite par la donne de sa
stchiomtrie, du coefficient pr-exponentiel et de lnergie dactivation :
r = k * f(Basis)
( 2.2 )
(en mole de ractif cl qui a ragi par unit de temps et par unit de volume).
f(basis) permet dintgrer les diffrentes caractristiques de la cintique : composants
impliqus, nature de la raction (phase liquide, phase gazeuse), temprature min et max. La
fonction f(Basis) fait apparatre gnralement le produit des concentrations ou pressions
partielles des ractifs leves des puissances respectives. Le plus souvent ces puissances
sont les valeurs des coefficients stchiomtriques [HYSYS, 1995].
Dans notre cas, la raction seffectue en phase liquide et la vitesse a pour quation :
r = k [H 2 O ] [C 3 H 6 O]
( 2.3 )
Avec = = 1 (coefficients stchiomtriques), et

k = Ae
- EA
RT
( 2.4 )
o EA est lnergie dactivation exprime en kJmol-1, A est le facteur de frquence, T la

temprature dans le racteur en K et R la constante des gaz parfaits (8.3144 J/K/mole). Les
56
valeurs nominales de lnergie dactivation et du facteur de frquence sont : EA = 75362

KJ/Kmole et A = 1.70E+13, respectivement.
Les composs chimiques prsents dans le procd simul sont lOxyde de Propylne (C3H6O),
lEau (H2O) et le Propylne Glycol (C3H8O2). Chaque courant et chaque opration (objets)
contenus dans HYSYS ont leur propre fentre de proprits, laquelle contient de multiples
pages dinformation qui dcrivent lobjet. La Figure 2-7 montre la fentre des proprits de
lOxyde de Propylne dans le courant Prop Oxide de lalimentation.
Figure 2-7 Fentre des proprits de loxyde de propylne du courant Prop Oxide
Dans le cas du mlange Eau - Propylne Glycol- Oxyde de Propylne, le modle

thermodynamique prconis [HYSYS, 2002a] est le modle UNIQUAC.
2. Environnement Principal (Environnement de Simulation)

LEnvironnement Principal permet de construire le diagramme de procds en dfinissant les
diffrents courants de matire et dnergie et les oprations unitaires. Les oprations unitaires
utilises dans cet exemple sont un mlangeur ( MIXER ), un racteur agit continu
(CSTR) et une colonne de distillation (rectification).
57
3. Environnement sous-diagramme Colonne

Lopration unitaire colonne de distillation doit tre dfinie dans un sous-diagramme
spcifique (voir la Figure 2-8). La colonne est constitue de dix plateaux (numrots de haut
en bas) et son alimentation seffectue sur le plateau numro 5. Elle possde un condenseur et
un bouilleur ( Reboiler ) et deux rgulateurs PID (pression et temprature).
Figure 2-8 Sous-diagramme de la colonne de distillation
B) Mode rgime transitoire

Une fois que la simulation en rgime permanent a t correctement excute, il est possible de
basculer en mode dynamique. Pour pouvoir excuter une simulation en rgime transitoire, il
faut dfinir les lments propres au fonctionnement dynamique du procd, cest--dire en
pratique les rgulateurs PID ainsi que les lments de type fonction de transfert (TRF-1) (voir
la Figure 2-5) qui, dans lexemple prsent, ont t utiliss pour introduire des perturbations
non instantanes sur des courants du procd chimique. Dans le cas prsent, cette perturbation
se situe sur lalimentation principale en Oxyde de Propylne. Sur la Figure 2-5 et la Figure
2-8, les rgulateurs sont schmatiss par :
58
Variable
manipule
Variable
rgule
Figure 2-9 Schma standard des rgulateurs sur HYSYS
Les sigles TC, FC, LC, PC sont les sigles normaliss reprsentant respectivement un
rgulateur de temprature, de dbit, de niveau et de pression.
Le Tableau 2-A donne de manire synthtique la variable rgule et la variable manipule
pour chaque rgulateur.
Le contrle de la temprature sur le plateau 9 reproduit ce qui est fait en pratique : en absence
de capteur de concentration, il permet un pseudo-contrle de la qualit de la sparation.
Lemplacement de ce capteur de temprature sur le plateau 9 (avant-dernier plateau) a t
choisi aprs une analyse du fonctionnement de la colonne en rgime permanent qui a montr
que la sensibilit de la temprature une variation de la puissance fournie au bouilleur tait la
plus importante cet endroit.
Tableau 2-A Les diffrents rgulateurs PID utiliss sur le procd

Nom du
rgulateur
Reactor LC
Reactor TC
FIC-100
Column PC
Column TC
Action
Contrle le niveau de liquide dans le racteur en manipulant le dbit du courant de

sortie
Contrle la temprature dans le racteur en manipulant le dbit du fluide de
refroidissement
Permet de fixer le dbit molaire total lentre du racteur
Contrle la pression dans la colonne de distillation en manipulant la puissance
change au condenseur avec le fluide de refroidissement
Contrle la temprature de la colonne de distillation en manipulant la puissance
dlivre au bouilleur RebDuty
La simulation a t effectue autour dun point de rgime permanent qui est aussi un point
dquilibre dans le cas dune installation telle que celle-ci qui fonctionne en continu (il ny a
pas de changement de consignes).
59
2.5 Le nouveau racteur OPR (Open Plate Reactor)

La mise en oeuvre de ractions chimiques dans des racteurs discontinus (batch) ou semicontinus est fortement limite par des contraintes lies lvacuation de la chaleur engendre
par les ractions lorsquelles sont exothermiques. Un nouveau concept de racteur intgrant
les caractristiques fondamentales des changeurs de chaleur devrait permettre damliorer
grandement la matrise des changes thermiques dans le cas de racteur fonctionnant en
continu. Cest dans cet objectif que lOpen Plate Reactor a t dveloppe par le Laboratoire
de Gnie Chimique en partenariat avec ALFA-LAVAL.
Figure 2-10 Open Plate Reactor
La Figure 2-10 montre lunit pilote conue et construite dans ce laboratoire autour de ce
principe. Ce racteur reprend les caractristiques dun changeur de chaleur plaques. Le
racteur consiste en trois blocs avec diffrentes configurations thermiques : un change
thermique de type co-courant pour le premier et troisime bloc et un change thermique
contre-courant pour le deuxime bloc. Deux systmes dalimentation assurent lintroduction
des ractifs (R1 et R2) la temprature ambiante. Chaque systme se compose dune pompe,
dun systme de mesure de dbit (F) et dune boucle de rgulation de dbit. Le dbit du
liquide de refroidissement est command par lintermdiaire dune vanne (V). Des
quipements de mesure de temprature sont installs sur les admissions et les sorties du
fluide. La temprature du procd lextrmit du premier bloc est de mme disponible. Le
dispositif de mesure de pression est install sur lalimentation gnrale du racteur. Toutes les
mesures sont enregistres sur un PC et une reprsentation graphique en ligne des variations de
toutes les variables enregistres est effectue. La procdure de mise en rgime de lunit est la
60
suivante : le fluide de refroidissement doit avoir circul pendant une heure avant le dbut de
lexprience. Le racteur est rempli deau distille et une circulation est assure pour liminer
les bulles dair rsiduelles. Les ractions sont effectues avec un excs dun des ractifs qui
est prsent au pralable dans le racteur. Quand ltat dquilibre est atteint, le deuxime
ractif est inject.
La mthodologie dveloppe lors de ces travaux a t applique initialement sur des donnes
exprimentales, rsultats dexpriences classiques effectues sur ce type dunit pilote.
Quelques dysfonctionnements ou changements de conditions opratoires taient prsents dans
ce scnarii mais pas totalement reprsentatifs de dfaillances majeures pouvant affecter le
fonctionnement de cette unit. Cest pourquoi, pour pouvoir diagnostiquer un certain nombre
de dfaillances dont certaines difficilement ralisables en pratique pour des raisons de
scurit, nous avons gnr ces scenarii laide dun simulateur du fonctionnement de lunit
pilote qui a t au pralable valid par le LGC [Devatine et al., 2005].
Plusieurs ractions chimiques ont t tudies :
-
La raction doxydation du thiosulfate de sodium (Na2S2O3) par leau oxygne

(H2O2), en milieu homogne.
Lestrification de lanhydride propionique par le 2Butanol.
La raction doxydation du thiosulfate prsente les diffrentes caractristiques : une

stchiomtrie connue, elle est irrversible, rapide et fortement exothermique. Leau oxygne
est utilise en excs pour viter toute raction secondaire. Lnergie gnre lors de la
raction est connue et vaut : H= -586.2 KJ.mol-1
Le schma ractionnel est le suivant :
2 Na 2 S 2 O3 + 4 H 2 O2 Na 2 S 3O6 + Na 2 SO4 + 4 H 2 O
( 2.5 )
Lestrification de lanhydride propionique par le 2-Butanol, est largement cite dans les
publications relatives la scurit des procds physico-chimiques. Cette raction est utilise
dans le cadre de la validation exprimentale dtudes thoriques concernant par exemple la
prdiction demballement thermique au sein de racteur batch ou la dtermination rapide de
donnes cintiques [Galvan et al., 1996].
Cette synthse a galement t mise en uvre dans le cadre de travaux purement
exprimentaux. Ainsi, laide doutils de rgulations et dappareils danalyses
61
calorimtriques, le profil daddition de ractif dans un procd semi-batch a pu tre optimis

en ligne pour le cas particulier dune raction destrification exothermique du second ordre
[Ubrich et al., 1999 ; Ubrich et al., 2001].
Enfin, plus rcemment, cette raction a galement t utilise pour tester une nouvelle
gnration du simulateur dynamique permettant la mise en place dune stratgie de contrle
thermique performante.
Cette raction prsente certains avantages :
Elle seffectue en milieu homogne [Benuzzi et al, 1991].
Elle est relativement simple mettre en uvre.
Elle est modrment exothermique.
Le comportement cintique change selon que lon opre avec ou sans catalyseur : la
vitesse de raction est du second ordre en labsence dacide fort et est de type autocatalyse en prsence dacide sulfurique.
Le schma ractionnel est la suivante :

H+
C 6 H 10 O3 + C 4 H 8 O
C 7 H 14 O2 + C 3 H 6 O2
( 2.6 )
Ou
H+
Anhydride propionique + 2 Butanol

Propionate de butyl + Acide propionique
2.6 Conclusions
Dans ce chapitre, nous avons dcrit les deux procds chimiques complexes sur lesquels nous
avons appliqu la mthodologie daide au placement de capteurs en vue du diagnostic.
Le premier est celui de la production de propylne glycol. Il a t simul laide dun
simulateur dynamique mondialement connu et trs utilis dans lindustrie. Ce choix, mme
sil a ncessit le besoin de sinvestir sur la prise en main, la comprhension, la matrise,
ladaptation dun outil aussi puissant quHYSYS, a permis de dmontrer la faisabilit de la
procdure dveloppe allie lutilisation de simulateurs dynamiques de procds
commerciaux et donc, son caractre gnrique. Dans ce chapitre, nous avons dcrit les
62
principales caractristiques et concepts dHYSYS en insistant sur ceux lis la construction

du modle de simulation que nous avons dvelopp au cours de ce travail.
Le deuxime exemple est celui dun procd en cours de dveloppement : lOPR. Lunit
pilote existante a permis de mettre en vidence lapport de la classification pour son
diagnostic. La mise en uvre de la procdure de placement de capteurs proprement dite a t
effectue grce la simulation. En effet, il a t plus facile et surtout plus sr de gnrer des
scnarii de dfaillance partir du simulateur spcifique cette installation dvelopp par le
Laboratoire de Gnie Chimique, que de les raliser sur linstallation relle. Deux types de
ractions chimiques ont t tudis, permettant de couvrir un large domaine de possibilits
dutilisation de ce type de racteur.
3. DEVELOPPEMENT DE LA METHODOLOGIE
DAIDE AU PLACEMENT DE CAPTEURS EN VUE
DU DIAGNOSTIC
3.1 Introduction
Pour pouvoir effectuer correctement le suivi en ligne, dtecter les anomalies de
fonctionnement, il est ncessaire de recueillir des informations qui doivent tre les plus
pertinentes possibles. Une solution consisterait placer le maximum de capteurs. Cependant,
en plus du cot prohibitif, un afflux dinformations non pertinentes peut tre prjudiciable
pour la facilit danalyse de la situation. La technique de placement de capteurs propose vise
rpondre aux deux questions suivantes : Quelle sont les meilleures localisations pour placer
des capteurs en nombre limit sur le procd ? Quel est le type de capteur qui donne la
meilleure information pour surveiller le systme ? Le placement de ces capteurs est crucial
pour raliser ultrieurement des mesures de bonne qualit utilises comme base pour la
surveillance et le diagnostic de dfaillances.
Un premier paragraphe fait tout dabord le point sur les diffrentes mthodes dveloppes
pour rsoudre le problme de placement de capteurs sur des processus dynamiques : les
mthodes utilisant des modles mathmatiques, les mthodes par analyse en composantes
principales et la mthode dveloppe au cours de ces travaux qui utilise les rsultats dune
classification effectue partir de donnes historiques.
Pour cette dernire technique, nous proposons plusieurs critres pour valuer la quantit
dinformation donne par un capteur et deux procdures pour dterminer les capteurs les plus
pertinents.
Dveloppement de la mthodologie daide au placement de capteurs en vue du diagnostic
64
La fin de ce chapitre est consacre la description de la mthodologie dveloppe qui se

divise en 3 parties : le placement des capteurs, ltablissement dun modle du comportement
et le diagnostic en ligne.
3.2 Mthodes de slection de capteurs

Le problme du placement optimal des capteurs est crucial lors de la phase de conception des
systmes. Ayant comme objectif de rduire les cots dinstrumentation et daccrotre la
pertinence des informations reues, les approches dveloppes gnralement se basent sur des
estimateurs dtats ou lanalyse des corrlations entre capteurs. Les diffrentes approches
pour le placement de capteurs peuvent tre classes suivant [Basseville et al., 1987] :
Placement optimal de capteurs par reconstruction dtats
Le problme est de trouver une matrice de mesure H laquelle optimise un critre qui reflte la
performance de lestimateur dtat pour le systme dynamique linaire considr. Plusieurs
auteurs ont utilis une mesure indirecte de la performance, telle que la matrice dinformation
de Fisher [Qureshi et al., 1980], la matrice dobservabilit [Dochain et al., 1996], ou la
matrice de covariance dun filtre de Kalman [Kumar et al., 1978]
Placement optimal de capteurs pour les systmes paramtres distribus.
Beaucoup de systmes en science et technologie sont distribus en espace et en temps, et par

consquent, ils peuvent tre dcrits par des quations diffrentielles partielles non linaires.
Ces modles mathmatiques contiennent gnralement divers paramtres inconnus dont les
valeurs numriques doivent tre obtenues partir des donnes exprimentales.
Dans ses travaux [Wouwer et al., 2000] par rapport au placement optimal de capteurs dans des
systmes paramtres distribus, Wouver distingue les objectifs destimation dtats, des
objectifs destimation de paramtres [Papadimitriou, 2003]. Dans le premier cas, le critre
doptimisation est bas sur une mesure dindpendance entre les rponses des capteurs, tandis
que dans le deuxime cas, lobjectif est de dterminer le placement des capteurs pour mieux
identifier les paramtres dun modle, en recourant une mesure dindpendance entre les
fonctions de sensibilit paramtrique.
65
Placement optimal de capteurs pour la dtection de dfaillances
Ce problme a t abord par Watanabe et al. (1985) dans le cas des systmes non-linaires.
La dtection et le diagnostic des dfaillances sont raliss en considrant les rsultats de
lestimation dtats et/ou de plusieurs observateurs de rsidus. Le problme du placement
optimal des capteurs est ensuite rsolu par recherche exhaustive pour minimiser le cot
dobservation associ chaque ensemble de mesures qui sont possibles pour cette stratgie de
dtection de dfaillances.
Placement optimal de capteurs par Analyse en Composantes Principales (ACP)
Une mthodologie a t propose pour identifier le nombre et la localisation des mesures de

temprature utiliser comme entres pour estimer le profil de compositions dans une colonne
de distillation discontinue [Zamprogna et al., 2004]. Cette mthodologie base sur lAnalyse
en Composantes Principales (ACP) a t propose pour slectionner les variables du
processus secondaires les plus pertinentes (on appelle variable secondaire toute variable autre
quune composition). Dans cette approche, une matrice mesurant la sensibilit instantane de
chaque variable secondaire par rapport aux variables primaires (les compostions que lon
cherche estimer) est dfinie. Les variables les plus sensibles sont extraites de cette matrice
en exploitant les proprits de lACP, ensuite elles sont utilises comme variables dentre
pour le dveloppement dun modle convenable pour limplantation en ligne.
3.3 Mthodes de slection partir du rsultat de la classification

de donnes
Il y a beaucoup de publications sur le diagnostic, lisolation et lidentification de dfaillances.
Ces mthodes ont souvent besoin dun grand nombre de mesures. Cest la raison pour laquelle
on propose une technique de placement de capteurs pertinents en vue de son diagnostic, sans
avoir besoin dun modle mathmatique du processus.
Cette technique repose sur le concept de lentropie de SHANNON et du gain dinformation
dont nous donnons les dfinitions et proprits dans ce qui suit.
66
3.3.1 LEntropie
Le concept dentropie se rfre deux domaines : la physique et la thorie de linformation.
En physique, lentropie est une mesure du dsordre de lnergie et elle augmente
naturellement. Le dsordre dun systme est le nombre dtats dans lesquels le systme peut
se maintenir. Supposons le cas de lautomobile et regardons le Tableau 3-A:
Tableau 3-A Utilisation de lnergie dans une automobile
Entres dnergie
Sorties dnergie
Combustible 100% Pertes cause de leau de refroidissement : 36%

Sortie dnergie du moteur : 26%
Pertes dans lchappement : 38%
Seulement 26% de lnergie sont utiles , le reste est de lnergie dissipe, qui sajoute au
dsordre mondial. De plus, les 26% ne sont pas totalement utiliss dans lacclration du
vhicule :
Sortie dnergie du moteur 26% = nergie utilise dans lacclration : 5% + nergie dissipe
due la friction des pneus : 7% + nergie pour les accessoires : 4% + pertes dues la
rsistance de lair : 7% + pertes dans la transmission de puissance 3%.
Dans la thorie de linformation, lEntropie est la grandeur qui mesure linformation contenue
dans un flux de donnes, cest--dire ce que nous apporte une donne ou un fait concret. Par
exemple : si nous disons les rues sont mouilles en sachant quil vient de pleuvoir, ceci
nous apporte peu dinformation, puisque cest trs logique. En revanche, si nous disons les
rues sont mouilles en sachant quil ne vient pas de pleuvoir, ceci nous apporte beaucoup
plus dinformation. La quantit dinformation est diffrente avec pourtant le mme message.
Nous utilisons les concepts des deux approches pour faire les calculs de lentropie, cest-dire, lentropie dpend du nombre dtats dans un systme, et de la probabilit avec laquelle
un lment du systme appartient chaque tat.
La thorie de linformation a t propose par Claude SHANNON [Shannon, 1948], cest un
domaine des probabilits, dans lequel on propose un nouveau modle mathmatique des
systmes de communication. Un postul de base de cette thorie est que linformation
peut se traiter comme une quantit physique mensurable, telle que la densit ou la masse.
67
Dans cette thorie, SHANNON a montr quil tait possible de quantifier la capacit
dinformation en introduisant par une valeur numrique, le concept dEntropie.
Dans la thorie probabiliste, un systme complet dvnements signifie un ensemble
dvnements tels quun et seulement un, peut se produire chaque essai. Soit E1, E2, E3,,En
n
les vnements dun systme complet et p1, p2,,pn pi 0, pi = 1 leurs probabilits,

i =1
alors on possde un espace probabilis T [Kninchin, 1957]:

E1 E2 ... En
T =
p1 p2 ... pn
Chaque espace probabilis dcrit un tat dincertitude. Lors dune exprience, le rsultat ne
peut tre quun des vnements E1, E2, E3,,En et on connat seulement la probabilit avec
laquelle cet vnement peut se produire. Suivant cette incertitude, on aura un espace
probabilis diffrent. On peut dmontrer ceci avec lexemple suivant. Soient deux espaces
probabiliss :
E2
E1 E 2 E1
0.5 0.5 0.99 0.01
La premire alternative reprsente beaucoup plus dincertitude que la deuxime (lEntropie

est maximale cause de lquiprobabilit). Dans le deuxime cas, la probabilit davoir le
rsultat de lvnement E1 est plus grande, tandis que dans le premier cas on doit viter de
raliser une prdiction.
SHANNON a propos que la quantit dinformation dun signal (ou vnement) est
inversement proportionnelle sa probabilit :
h(s k ) = h(p[s k ])
1
p[s k ]
( 3.1 )
En sachant que linformation est additive, linformation de deux signaux sera la somme de ses
mesures dinformation h :
h(s m , s n ) = h(p[s m ]) + h(p[s n ])
( 3.2 )
Comme il sagit dun espace probabilis, alors :

h(p[s m ] + h(p[s n ]) = h(p[s m ] p[s n ])
( 3.3 )
SHANNON a conclu que la fonction h devait tre logarithmique cause de la proprit des
logarithmes : log b x + log b y = log b (xy)
68
On a donc h(s k ) = log ( p[s k ]) et h(sk) peut tre interprt :

- a priori, par lincertitude qui rgne sur la ralisation de sk
- a posteriori, par linformation apporte par la ralisation de sk.
On peut introduire une quantit pour mesurer lincertitude associe un espace probabilis
donn. En appelant pi la probabilit du ime vnement et en prenant les logarithmes de base
a (on notera dsormais log le logarithme en base a), la mesure de linformation moyenne
H est :
n
n
n
1
H = pi h( si ) = pi log = pi log( pi )
pi
i =1
i =1
i =1
( 3.4 )
Cette quation reprsente lEntropie de SHANNON. La base logarithmique peut tre

arbitraire, si on prend le logarithme base 2, alors lunit dentropie sappelle BIT. Lorsquon
utilise les logarithmes en base 10 lunit sappelle HARTLEY et NITS si on utilise les
logarithmes npriens [Silviu, 1977].
Dans lannexe C, nous donnons les proprits principales de lEntropie.
3.3.2 Le gain de linformation

En appliquant ce concept dans le contexte du diagnostic, lEntropie de SHANNON peut tre
vue comme une mesure de la qualit du descripteur pour la discrimination de fautes.
Selon le travail de FERNANDEZ R [Fernandez, 2002], le gain de linformation est loutil qui
permet de quantifier linformation fournie par un descripteur (d) et permet de rsoudre le
problme de slection des descripteurs les plus reprsentatifs. Il est dfini partir de la
diffrence entre lEntropie maximale de SHANNON (H(C)) et lentropie connaissant la
valeur du descripteur (H(C)|dk) (voir la Figure 3-1).
IG
H(C)
H (C d k )
0
Figure 3-1 Concept du gain de linformation
69
Soient n descripteurs, le gain dinformation est dfini par :
I G = H (C ) H (C d k )
( 3.5 )
o IG 0, H(C)= log n, H (C d k ) = ( piprob ) log( piprob ) et piprob est la probabilit quun

i =1
lment appartienne la classe Ci.

On peut dfinir aussi un gain relatif de linformation :
IG R =
IG
100%
H (C )
( 3.6 )
Lobjectif de chaque descripteur est de maximiser le gain pour avoir une meilleure
contribution dans la dtection du dfaut.
3.3.3 Critres de slection des capteurs.

Dans ce paragraphe, nous proposons trois critres diffrents pour la slection de capteurs les
plus pertinents pour la dtection, lisolation et le diagnostic des dfaillances: lentropie
probabiliste, lentropie non-probabiliste et la variance.
Les donnes dentre pour le calcul de ces critres proviennent de la matrice contenant les
profils des classes obtenues par classification. Dans notre cas la mthode de classification est
la mthode de classification floue LAMDA (logiciel SALSA) mais la dmarche dveloppe est
gnrique et peut donc sappliquer toute technique de classification donnant comme rsultat
une matrice liant les classes aux diffrents descripteurs. Dans cette matrice, chaque ligne
reprsente une classe de dfaillance du processus et les colonnes reprsentent lensemble des
descripteurs disponibles. Le but de ces mthodes est de choisir les descripteurs les plus
pertinents par rapport chaque classe de dfaillance du processus ; cest--dire, le descripteur
qui donne le plus dinformation pour la dtection, la localisation et le diagnostic de la
dfaillance tudie.
A.
Critre de lEntropie probabiliste
En partant de la matrice du profil des classes (rsultat de la classification), nous proposons

deux types de procdure pour la slection des capteurs : procdure au moyen de paires de
classes de dfaillance et la procdure qui examine lensemble des classes de dfaillance.
70
Procdure par paires
Ce type de procdure consiste former des paires de classes, o chaque paire est compose de
la classe de fonctionnement normal du processus et une classe de dfaillance ou opration
anormale (voir la Figure 3-2). Le nombre total de paires formes est gal au nombre de
dfaillances appliques au processus (F). Le rsultat de la classification pour une paire est
le profil de classes tel quil est donn sur le Tableau 3-B.
Tableau 3-B Rsultats de la classification pour une paire tat normal/dfaillance
Descripteur 1 Descripteur 2 Descripteur P

Classe 1
(tat normal)
Classe 2
(dfaillance)
A11
A12
A1p
A21
A22
A2p
Il comprend la valeur moyenne normalise de chaque descripteur j la classe i laquelle il

appartient (Aij)
La mthodologie dveloppe repose sur cinq tapes distinctes :
tape 1. Pour appliquer le concept dentropie, nous devons manipuler un espace probabilis
2
car la somme des colonnes dans le Tableau 3-B : Aij est gnralement diffrente de 1. Pour
i =1
se ramener au cas probabiliste, chaque lment est normalis par rapport la somme totale sur
toutes les classes des valeurs moyennes du descripteur considr. La formule de normalisation
est la suivante :
~
Aij =
Aij
2
A
i =1
( 3.7 )
ij
o j identifie le descripteur et i la classe.
tape 2 : LEntropie maximale Hmax de la classification de dfauts rsultante est alors
calcule comme suit [Walter et Pronzato, 1997] :
H max = Log 2
71
( 3.8 )
LEntropie maximale correspond en effet au cas o llment a la mme probabilit

dappartenir lune ou lautre des classes (pi=1/2). LEntropie de SHANNON sinterprte
comme lerreur de classification dun lment la classe. C'est--dire, cest linformation
dont on a besoin pour rsoudre le problme de classification. Toutefois, elle ne dit pas
comment obtenir cette information partir de lanalyse des descripteurs [Costes-Albrespic,
1984].
tape 3. Lentropie probabiliste de SHANNON par rapport chaque descripteur H(Aj) est
ensuite calcule de la faon suivante :

2
~
~
~
H ( A j ) = Aij Log Aij
( 3.9 )
i =1
tape 4. On calcule le gain dinformation de chaque descripteur j. Le gain dinformation est
loutil qui permet de quantifier linformation amene par un descripteur spcifique. Il est
dfini comme la diffrence entre lEntropie maximale et lEntropie par rapport au descripteur
j, lequel est toujours 0 :
~
I G = H max H ( A j )
( 3.10 )
tape 5. Finalement, on obtient le gain relatif dun descripteur en utilisant la relation
suivante:
I G rel =
IG
100%
H max
( 3.11 )
Le calcul des gains relatifs dinformation pour tous les descripteurs fournit un tableau. Le
descripteur (capteur) le plus pertinent ou reprsentatif pour un dfaut donn est celui qui
fournit le gain relatif le plus lev. Cette procdure est rpte pour toutes les paires : tat
normal/dfaillance. Un organigramme est donn sur la Figure 3-2.
.
72
Paires de classes
A12
A
Paire 1 11
A
A
22
21
A11 A12
Paire 2
A21 A22
M
L A1P
L A2 P
L A1P
L A2 P
A12 L A1P
A22 L A2 P
A
Paire F 11
A21
Normalisation par rapport la somme des

A pour les deux classes (normal, dfaut)
non
Fin
oui
Fin des
paires
?
Calcul de lentropie
probabiliste
2
~
~
H = Aij log Aij
i =1
Calcul du gain
dinformation
Choix du capteur le
plus pertinent
Figure 3-2 Procdure probabiliste de slection de capteurs par paires de classes
Lavantage de cette procdure est quon peut obtenir directement les descripteurs les plus
pertinents chaque dfaillance, puisque, lanalyse pour chaque paire est faite de faon
indpendante.
Pour mieux comprendre la mthodologie dveloppe, expliquons plus en dtails le calcul de
lentropie par chaque paire de classes :
Si un descripteur quelconque de la classe normale a une valeur gale celle prise dans la
classe de dfaillance (cest--dire quil ny a pas de changement de valeur la suite de
lapplication dune dfaillance pour ce descripteur), alors il aura une valeur de 0.5, puisquil
sagit dun espace probabilis, et ceci implique quil aura une valeur dentropie maximale
(voir la Figure 3-3) et pourtant un gain dinformation nulle. En revanche, si un descripteur
quelconque de la classe normale a une valeur trs diffrente de celle prise dans la classe de
dfaillance (par exemple 0 ou 1), il aura une valeur dentropie minimale (voir la Figure 3-3) et
pourtant un gain dinformation maximal. Ceci signifie que ce descripteur permet de bien
73
dtecter cette dfaillance ; en effet il permet de mieux faire la diffrence entre le

fonctionnement normal et la dfaillance.
Figure 3-3 Valeurs de lentropie probabilis pour 2 classes
Procdure danalyse de lensemble des classes de dfaillance
Dans ce cas on considre lensemble des classes de dfaillance (F) et la classe normale. Cest-dire, cette procdure sapplique une seule fois sur la matrice compose de (F+1) situations
ou classes, et de P descripteurs (voir le Tableau 3-C).
Tableau 3-C. Profil des classes

Descripteur 1 Descripteur 2 Descripteur P
Classe 1
A11
A12
A1P
Classe 2
A21
A22
A2P
Classe F
AF1
AF2
AFP
Normal
A(F+1)1
A(F+1)2
A(F+1)P
Le calcul de la normalisation et de lentropie pour chaque descripteur est ralis de la mme

manire que prcdemment, mais en prenant en compte les F+1 classes dans la matrice (au
lieu de deux comme dans la procdure prcdente). Pour le calcul du gain dinformation, il
faut considrer que la valeur de lentropie maximale est : log (F+1). Lorganigramme de la
procdure est donn sur la Figure 3-4. Linconvnient de ce type danalyse est quil faut
74
dfinir un seuil pour choisir le nombre final de descripteurs pertinents, de sorte quils
permettent de dtecter toutes les dfaillances tudies pralablement.
Ensemble des classes

A11
A
21
M
A( F +1)1
A1P
A2 P
O
M
L A( F +1) P
A12
A22
M
A( F +1) 2
Normalisation par rapport la somme des

A pour toutes les classes F+1
Calcul de lentropie
probabiliste
F +1
~
~
H = Aij log Aij
i =1
Calcul du gain
dinformation
Choix seuil
Choix des capteurs les
plus pertinents
Figure 3-4 Procdure de slection des capteurs par lanalyse de lensemble des classes
Pour mieux interprter le rsultat final de la slection des capteurs laide de cette procdure,
prenons un exemple de calcul de lentropie dun descripteur en fonction de trois classes, afin
dobserver graphiquement les diverses valeurs de lentropie (voir la Figure 3-5) :
-
Soient p1, p2 et p3 les probabilits dun descripteur pour les classes 1, 2 et 3,

respectivement, telles que p1, p2, p3 [0, 1], les pi satisfont : p1+p2+p3=1. Le calcul
de lentropie pour 3 classes est donn par:
3
H = pi logp i = [( p1logp1 + p 2 logp 2 + p 3 logp 3 )]
( 3.12 )
i =1
Si la valeur probabilise dun descripteur une classe est gale zro (en prenant
0.log0 ~ 0), le graphique est identique celui obtenu dans le cas de deux classes (voir
la Figure 3-3).
75
La valeur maximale de lentropie sobtient quand p1= p2= p3= 1/3, cest--dire dans
une espace quiprobable, et elle est gale : H = log (3)= 1.098
La valeur minimale de lentropie (cest--dire zro) sobtient quand deux des
probabilits sont gales zro, ce qui implique que la troisime a sa valeur gale 1.
Alors on peut conclure que le descripteur avec le gain dinformation le plus grand est trs
pertinent par rapport une classe de dfaillance et quil reste invariant pour les autres
classes.
Figure 3-5 Valeurs de lentropie pour 3 classes
B.
Critre de lentropie non probabiliste
Pour cette mthode, on calcule lentropie non probabiliste dfini par [De Luca et al., 1972].
Dans ce cas, il ny a pas de normalisation des donnes de la matrice des profils des classes
(voir la Figure 3-6), cest--dire que les valeurs de la matrice (Aij) sont prises directement
dans la matrice rsultante de la classification.
La relation donnant lentropie non probabiliste est :
H = Aij logAij + (1 Aij )log (1 Aij )
F
( 3.13 )
i =1
o K est le nombre de classes de dfaillances. La valeur maximale pour H correspond Aij =

0.5, pour Aij [0,1] ; cest--dire :
H max = F log2
F = 2 dans la procdure par paire.
( 3.14 )
76
Cette valeur sera utilise pour le calcul du gain de linformation par rapport chaque
descripteur.
Paires de classes
A12
A
Paire 1 11
A
A
22
21
A11 A12
Paire 2
A21 A22
M
A
Paire F 11
A21
L A1P
L A2 P
L A1P
L A2 P
A12 L A1P
A22 L A2 P
Calcul de lentropie
non-probabiliste
non
)(
H = Aij log Aij + 1 Aij 1 log Aij
))
i =1
Fin
oui
Fin des
paires
?
Calcul du gain
dinformation
plus pertinents
Figure 3-6 Organigramme de la mthode base sur lentropie non probabiliste
Cette mthode est intressante quand les valeurs normalises des descripteurs dans la classe
normale sont trs proches de 0.5, puisque toute autre valeur proche de 1 ou 0 donnera une
valeur significative du gain dinformation.
C.
Critre de la Variance
Cette mthode est la plus simple puisquil sagit de calculer la variance de chaque valeur
probabilise du descripteur pour les diffrentes classes. Comme prcdemment, on peut
dfinir des paires : classe normale/classe de dfaillance. La Figure 3-7 illustre la procdure
que nous venons dexpliquer, o est la moyenne des valeurs de la colonne pour chaque
paire de classes et 2 est la valeur de la variance.
77
Paires de classes
A12
A
Paire 1 11
A
A
22
21
A11 A12
Paire 2
A21 A22
M
A
Paire F 11
A21
non
oui
Fin
Fin des
paires
?
L A1P
L A2 P
L A1P
L A2 P
A12 L A1P
A22 L A2 P
Normalisation par rapport la somme

des A pour les deux classes
(normal, dfaut)
Calcul de la variance
2
=
2
(A
i =1
ij
)2

plus pertinents
Figure 3-7 Organigramme de la mthode de la variance
3.4 Description de la mthodologie daide au placement de

capteurs en vue du diagnostic
Dans ce paragraphe, nous allons montrer les diffrentes tapes de conception du systme de
diagnostic propos. La mthode que nous proposons peut tre considre comme une
approche intermdiaire entre les mthodes bases sur la reconnaissance et les mthodes
bases sur les signaux.
Nous avons divis le processus de la procdure de diagnostic en 3 parties : le placement des
capteurs, ltablissement dun modle du comportement et le diagnostic en ligne. Les sections
suivantes sattachent mieux expliquer chacune de ces parties. Tout dabord, on donne les
critres de paramtrage de la mthodologie LAMDA utilise pour obtenir la classification
laide de tous les capteurs possibles puis pour la construction du modle de comportement du
procd en vu de son diagnostic.
78
3.4.1 Paramtres du classificateur

Le premier aspect considrer dans llaboration du systme de surveillance est le
paramtrage du classificateur en mode auto-apprentissage. Ces paramtres sont relatifs aux
rglages ncessaires pour lobtention du modle de comportement partir dinformations
issues directement des mesures du processus ou bien par le biais doutils de filtrage ou
dextraction dinformation (FFT, pente, analyses statistiques) et de la mthode de
classification slectionne.
Ce paramtrage est fait hors ligne et ncessite une intervention active de lexpert, de faon
intgrer ses connaissances dans toutes les tapes. Pour cela, nous devons fournir lexpert des
outils lui permettant de faire ce rglage en lui donnant des critres de choix objectifs.
A) Contexte
Dans le cas de la mthode LAMDA, lexpert doit dfinir lintervalle de fonctionnement, cest-dire les valeurs minimale et maximale pour la normalisation des descripteurs quantitatifs.
Ainsi, lexpert pourra tablir plusieurs combinaisons de configuration pour chaque descripteur
dans lespace de reprsentation. Le fait de pouvoir ajuster lintervalle des descripteurs
quantitatifs permet de dfinir jusqu quel point leurs variations peuvent tre considres. De
mme, le rglage de lintervalle peut dterminer linfluence des descripteurs sur la
caractrisation des classes. Kempowsky a donn quelques exemples de normalisation en
utilisant diffrentes valeurs maximal et minimal lors dune phase dapprentissage par la
mthodologie LAMDA au travers de loutil SALSA [Kempowsky, 2004a].
B) Mode dapprentissage
La classification de dfauts par la mthodologie LAMDA peut tre ralise par autoapprentissage (apprentissage non supervis) ou impose par lexpert (apprentissage
supervis).
a) Auto-apprentissage : Il consiste dans la cration, partir des informations contenues
dans un ensemble de donnes, de classes caractrisant les diffrents modes de
fonctionnement. De cette faon, la mthode de classification propose une premire
partition lexpert qui, ensuite, doit valider ces rsultats en prenant en compte sa
connaissance ainsi que les lois physiques rgissant le comportement du processus.
79
b) Apprentissage supervis : Lorsque lexpert connat a priori les modes rels de

fonctionnement contenus dans lensemble dapprentissage, nous parlons dun
apprentissage dirig ou impos par lexpert. En effet, lexpert tiquette les
observations qui daprs lui, reprsentent au mieux les diffrentes situations. De cette
faon, les paramtres de chaque classe seront une combinaison des caractristiques des
observations imposes par lexpert.
C) Rglage des paramtres du classificateur
Il faut choisir et ajuster certains paramtres de faon obtenir une partition satisfaisante.
Concernant la mthode LAMDA, il y a trois paramtres rgler : la fonction dadquation
marginale (ou dappartenance), les connectifs mixtes dassociation pour lagrgation des
contributions de chaque descripteur et lindice dexigence.
Concernant la slection de la fonction dadquation marginale [Kempowsky, 2004a] propose
trois cas. Si la classification rsultante nest pas satisfaisante, il est possible de choisir une
autre fonction quelconque qui permettra de modifier cette classification. Lors de nos travaux,
nous avons utilis la fonction Binomiale (Lamda1 sur loutil SALSA) pour lexemple de la
production de glycol et la fonction Gauss (Gauss1 sur loutil SALSA) pour celui sur le
racteur OPR. Ces choix ont t faits de faon heuristique, puisquil est difficile de
slectionner de manire analytique ou statistique lune ou lautre des mthodes lors de la
prsence de beaucoup de descripteurs (21 descripteurs sur la production de glycol et 27
descripteurs sur lOPR).
Il est possible de rgler lexigence du classificateur laide de lindice dexigence . Ainsi, le
classificateur le plus exigeant accepte un lment dans une classe uniquement si tous ces
descripteurs prsentent un Degr dAdquation Marginale (MAD ) lev cette classe; ce qui
correspond avoir =1 (T-Norme (intersection)). De la mme manire, le classificateur le
moins exigeant accepte un lment dans une classe si au moins lun de ses descripteurs
possde une appartenance marginale leve cette classe ; dans ce cas il sagit de la TConorme (=0). Donc, partir du connectif mixte, lexpert peut avoir une srie de partitions
plus ou moins strictes de lespace de description.
Deux autres paramtres importants prendre en compte, qui ne sont disponibles dans loutil
Salsa quen mode auto-apprentissage sont : le pourcentage maximal de variation dsir (la
variabilit) et le nombre maximal ditrations permises. Ces itrations sont parfois ncessaires
80
parce que dans lapprentissage non supervis, les paramtres des classes varient ; ainsi pour
obtenir la stabilit, la mme population est classe plusieurs fois jusqu' un pourcentage
maximal de changements dlments dune itration une autre. Toutefois, le temps pour
atteindre la stabilit peut tre trs leve, cest la raison pour laquelle un nombre maximal
ditrations a t introduit.
3.4.2 Placement de capteurs

Cette phase de la procdure consiste rechercher les capteurs les plus pertinents sur le
processus en vue de son diagnostic, partir de lanalyse des signaux de ces capteurs qui, au
dpart, constituent lensemble des capteurs possibles (facilement disponibles). Cette
procdure de slection de capteurs, base sur lutilisation de la simulation ou dexpriences
effectues sur des installations pilotes permet dtablir ds la conception du procd les points
cls de mesure permettant un diagnostic ais de son fonctionnement ; trop souvent, lajout
dun capteur supplmentaire une fois la construction de linstallation acheve ou en cours
dexploitation est pratiquement impossible. Cette procdure permet de rduire les cots
dquipement mais aussi de permettre de dterminer o focaliser lattention des oprateurs par
exemple en rduisant le bruit (cration exhaustive de classes). La Figure 3-8 explicite sous
forme schmatique lenchanement des diffrentes tapes constituant la procdure daide au
placement de capteurs.
Dfaillances
Espace de
mesure
Processus
LAMDA :
Auto-apprentissage
Profil de
classes
Entropie
Descripteurs
slectionns
Hors ligne
Figure 3-8 Schma de la procdure daide au placement des capteurs
Pour effectuer cette phase de la mthodologie, il est ncessaire de possder un nombre

suffisant de donnes (hors ligne) pour dcrire le comportement du processus en tat normal et
dans tous les tats de dfaillance possibles. En gnral, suffisamment de donnes sont
81
disponibles pour modliser le fonctionnement normal du processus ; toutefois, dune part il

est difficile de se baser sur des donnes historiques pour modliser correctement les
fonctionnements anormaux du processus et dautre part ce travail de placement de capteur
doit tre fait au plus tt dans la phase de conception du procd. Dans notre cas, nous avons
eu accs de puissants simulateurs dynamiques (commercial comme HYSYS, dans le cas de
production de glycol, ou ddi comme le simulateur du racteur OPR dvelopp par le LGC
[Elgue,2004]), grce auxquels la gnration de donnes a t facile obtenir.
On a simul divers dfauts sur le processus pour classer les situations de dfauts stabiliss.
Lespace de mesure sur la figure prcdente est lensemble des donnes composes des
descripteurs d1, d2, , dp qui jouent le rle dentres du systme daide au placement de
capteurs. Un descripteur est dfini comme un signal direct en provenance dun capteur, un
signal trait (e.g. un signal filtr) ou une donne qualitative (suggre par lexpert).
Ltape suivante de la mthodologie, est lapplication de la mthode de classification
LAMDA. Lobjectif de cette phase est de crer une classification des diverses situations du
processus (tat normal et anormal).
3.4.3 Modle de comportement

Cette phase correspond la conception du modle de comportement. Il sagit de la
construction partir des donnes historiques issues du processus, dun classificateur
caractris par un ensemble de classes qui permettent didentifier un ensemble de situations.
Ceci correspond lobtention dun modle de comportement. La Figure 3-9 illustre
schmatiquement la phase de conception du modle comportemental.
Dfaillances :
-graduelle
-abruptes
Processus
Descripteurs
slectionns
LAMDA
Auto-apprentissage
Classification
de situations
Modle de
comportement
(tats Fonctionnels)
Hors ligne
Figure 3-9 Conception du modle comportemental
82
De mme que dans ltape prcdente, il faut possder des donnes historiques ou
dobservations de diffrentes situations (normal et anormales). Grce des simulateurs, nous
pouvons disposer dun nombre suffisant de donnes pour chaque tat de dfaillance et chaque
tat de fonctionnement normal du processus. En revanche, il est fort probable que tous les
dfauts naient pas t simuls a priori, cause de la difficult dapprhender lexhaustivit
des dfauts dans un processus complexe ou dans le cas o deux ou plusieurs dfaillances
combines provoquent des effets quaucune delles, prise isolment, ne pourrait produire
(synergie).
Une fois le modle construit, le suivi des situations attendues, identifi comme tant la phase
de reconnaissance, vise associer toute nouvelle observation lune des classes dtermines.
3.4.4 Diagnostic en ligne

Comme nous lavons mentionn dans la section prcdente, rien ne permet dassurer
lexhaustivit de la connaissance du comportement du processus car les donnes historiques
ne peuvent pas couvrir la vie entire du processus. De plus, au fur et mesure de la
prsentation de nouvelles observations, de nouvelles situations peuvent apparatre dans la
structure initiale. Pour cette raison, il est ncessaire que le systme de surveillance prsente un
caractre adaptatif au moment de lidentification des nouvelles situations. Pour cela, deux
principes dapprentissage sont prvus : un apprentissage hors ligne et une reconnaissance en
ligne. Lapprentissage hors ligne a t expliqu dans la section prcdente (3.4.3), lequel est
utilis dans ltape de cration du modle de comportement, mais aussi pour caractriser de
nouvelles situations. La reconnaissance en ligne permet de dtecter en continu un dfaut en se
basant sur le modle de comportement, afin de dtecter, localiser et identifier une dfaillance.
La Figure 3-10 montre le diagramme de blocs associ au diagnostic en ligne.
En ligne
Processus
LAMDA
Reconnaissance
Dtection
Localisation
Identification
Modle de
comportement
Figure 3-10 Schma du diagnostic en ligne du procd
83
Afin dexpliquer de manire gnrique lalgorithme de diagnostic en ligne propos, nous

avons divis la phase de diagnostic en trois parties (voir la Figure 3-11) : lespace de mesure,
lespace de reconnaissance et lespace de diagnostic. Dans ce qui suit, nous dtaillons chacune
de ces tapes.
a) Espace de mesure : Cest lensemble des descripteurs d1, d2, , dp
slectionns dans la phase daide au placement de capteurs (section 3.4.2). Ce

sont les entres du systme de diagnostic en ligne.
Espace de mesure
Actualiser lespace
de reconnaissance
(section 4.3)
Espace de reconnaissance
oui
Nouveau
dfaut ?
En ligne
non
Espace de diagnostic
Hors ligne
oui
Classe
dtecte ?
non
Actualiser lespace
de mesure
(section 4.2)
Figure 3-11 tapes de la conception du systme de diagnostic
b) Espace de reconnaissance. Cette tape consiste dterminer, chaque
instant, dans quel tat fonctionnel se trouve le procd lorsquune nouvelle

observation est prsente. Il est bas sur le modle de comportement construit
hors ligne.
c) Lespace de diagnostic. Cette tape explique le type de dfaillance qui a caus
le dfaut sur le procd. Il faut prendre en compte que tous les modes de
fonctionnement ne sont pas forcement identifis lors de ltape de cration du
84
modle (en mode apprentissage). Si un nouveau dfaut dtect arrive, alors il

faut actualiser le modle de comportement, en ajoutant une nouvelle classe qui
reprsente cette dfaillance.
Il est possible que, des oprations anormales dans un procd naient pas t dtectes,
cause dun manque de descripteurs pour en faire le diagnostic. Ceci veut dire que, le systme
de diagnostic nest capable de dtecter le dfaut (il confond ce dfaut avec lopration
normale du procd) mais que la dtection ait t ralise par loprateur. Dans ce cas, il faut
revenir ltape de placement de capteurs et crer une nouvelle classe qui reprsente le dfaut
non dtect.
Le plus important dans lidentification dun nouveau dfaut est de ne pas le confondre avec un
autre dysfonctionnement connu : il vaut mieux dire loprateur : je ne sais pas ce que
cest , mais ce nest pas le fonctionnement normal que cest ce type de dfaillance et se
tromper. Dans le cas dune confusion, il faut refaire la conception du modle en modifiant les
paramtres du systme de diagnostic.
3.5 Conclusions
Dans ce chapitre, nous avons cit diverses rfrences avec diffrentes approches pour
optimiser le placement de capteurs. La plupart fait appel un modle explicite du procd,
comme le placement optimal par reconstruction dtats pour les systmes linaires ou
systmes paramtres distribus. Une seule technique autre que celle issue de la
classification, consiste utiliser une analyse par composantes principales.
La mthode que nous avons dveloppe sappuie sur le rsultat dune classification (quelle
quelle soit) et donc lutilisation de donnes historiques de fonctionnement ou de la simulation
du procd. Elle est base sur le concept de lEntropie de SHANNON, permettant de
quantifier lapport dun descripteur la discrimination dune classe de dfaillance par rapport
ltat normal.
Aprs avoir rappel les principaux concepts et proprits de lentropie de SHANNON et
donn plusieurs critres de slection (entropie probabiliste, entropie non probabiliste ou
variance), deux procdures de slection des capteurs ont t dfinies : la procdure par paire
de classes qui consiste former des paires classe de dfaillance/classe de fonctionnement
85
normal et de slectionner le capteur donnant le plus fort gain dinformation pour chacune des
paires et la procdure danalyse des descripteurs sur lensemble des classes ; la slection des
capteurs se faisant dans ce cas par rapport un seuil pralablement fix. Cette dernire
procdure permet de mieux discriminer toutes les dfaillances comme il sera vu dans le
chapitre suivant qui montre lapplication de cette mthodologie deux exemples : un procd
chimique complexe incluant plusieurs oprations unitaires et un nouveau procd en cours de
dveloppement : lOpen Plate Reactor.
Nous avons prsent les diffrents paramtres de la mthode LAMDA rgler pour avoir une
classification acceptable. Les rsultats de cette classification sont primordiaux tant pour le
placement de capteurs que pour la conception du modle de comportement du systme sur
lequel est bas le diagnostic.
86
4. PLACEMENT DE CAPTEURS ET DIAGNOSTIC DE

PROCEDES CHIMIQUES
4.1 Introduction
Lobjectif de ce chapitre est de prsenter et discuter les rsultats obtenus grce la
mthodologie dveloppe au cours de nos travaux concernant la dtermination des capteurs
les plus pertinents pour effectuer un diagnostic en ligne. A partir dun ensemble de capteurs
possibles (en excluant les capteurs de concentration), un sous-ensemble de capteurs est
dtermin de manire pouvoir dtecter en ligne les tats fonctionnels associs des
dfaillances lors dune phase de reconnaissance. Deux exemples viennent illustrer
lapplication de cette mthodologie. Le premier (production de propylne glycol) permet de
montrer comment grce au couplage de cette mthodologie lutilisation dun simulateur
dynamique de procds du commerce, il est possible de dterminer les capteurs les plus
adapts pour la supervision. Le second exemple porte sur une unit pilote en cours de
dveloppement (lOPR). Dans chacun des exemples, la dmarche adopte a t identique et
sest droule selon 4 tapes. Les rsultats des 4 tapes successives sont prsents selon 4
sections (voir la Figure 4-1) :
1. Dtection des dfauts du procd en utilisant tous les descripteurs disponibles
Le but de cette tape est de classer de manire stable et concise tous les dfauts du
procd partir dune classification floue (LAMDA) et de dterminer grce aux profils
des classes, la valeur moyenne normalise de chaque descripteur dans la classe
correspondante.
Placement de capteurs et diagnostic de procds chimiques
88
2. Slection des capteurs en utilisant lentropie
La finalit de cette partie est dutiliser les concepts de lentropie et du gain de

linformation comme bases pour la slection des capteurs les plus pertinents sur le
procd afin deffectuer ultrieurement le diagnostic de fautes.
3. Obtention du modle de comportement
Lobjectif de cette section est dobtenir le modle de comportement du procd partir

des descripteurs les plus pertinents, qui permet didentifier un ensemble de situations.
4. Reconnaissance de dfauts inconnus
Cette dernire partie est consacre la reconnaissance en-ligne de dfauts dont la date
et lamplitude ne sont pas connues au pralable, ceci pour vrifier et valider le modle
de comportement ainsi que la pertinence du choix des capteurs retenus.
HORS LIGNE
EN LIGNE
Dfauts
inconnus
Tous les
descripteurs
Classification de
dfauts simuls
Procd
Chimique
Entropie
Descripteurs
slectionns
2
Procd
Chimique
Descripteurs
slectionns
3
Classification de
dfauts simuls
Dfauts
Modle de
comportement
SALSA
Reconnaissances
de dfauts
Diagnostic de
dfaillances
Figure 4-1 Diagramme des diffrentes tapes de la mthodologie de placement des capteurs et du
diagnostic de procds chimiques
89
4.2 Application de la mthodologie partir de lutilisation du

simulateur industriel HYSYS
La premire tape de lapplication de la mthodologie consiste dfinir lensemble des
capteurs qui pourront tre installs sur linstallation. Dans lexemple prsent, nous avons
choisi de ne considrer que des capteurs usuels : temprature, pression, niveau. Les capteurs
de concentration ne font pas partie de cette liste puisquen pratique, il est trs difficile et
onreux de trouver un moyen de mesurer en-ligne la concentration dun constituant dans un
mlange multiconstituant. Les premiers capteurs dj prsents sur lunit sont ceux utiliss
par les 4 rgulateurs utiliss dans le racteur et dans la colonne de distillation (voir la Figure
2-5 et la Figure 2-8). A ces capteurs, nous avons ajout les valeurs de sortie des PID qui sont
les valeurs des variables manipules (ou commandes dlivres par les PID). A ces 8 variables
ont t rajoutes des mesures de pression et de temprature. En particulier, il nous est apparu
intressant de pouvoir utiliser comme information des mesures de temprature lintrieur de
la colonne de distillation, cest pourquoi il a t considr que tout plateau pouvait tre muni
dun capteur de temprature. Ainsi, au total il y a 21 points de mesure possibles qui
constituent les descripteurs en entre de la technique de classification. Ces 21 descripteurs
ainsi que leur nature sont regroups dans le Tableau 4-A.
Tableau 4-A Nom et nature des descripteurs utiliss pour la classification

Numro
Descrip.
Nom
Numro
Descrip.
Nom
Numro
Descrip.
Nom
Pression Racteur (Kpa)
Temprature plateau 2 (C)
15

(Variable rgule)
Temprature Racteur (C)

(Variable rgule)
16
Niveau Liquide Racteur (%)

(Variable rgule)
10
17
Puissance dlivre au
bouilleur (Kj/h)
(Variable manipule)
Vanne pour rgler le dbit de

Refroidissement Racteur (%)
(Variable manipule)
11
18
Vanne pour rgler le dbit de

Refroidissement Condenseur (%)
(Variable manipule)
Vanne pour rgler le Niveau du

Liquide Racteur (%)
(Variable manipule)
12
19
Pression Condenseur
(Variable rgule)
Temprature de sortie du fluide

Refroidissement Racteur (C)
13
20
Temprature de sortie du
fluide de refroidissement du
condenseur (C)
14
21
Temprature sortie du Glycol (C)
La premire phase de la mthodologie pour dterminer les capteurs pertinents, est la

gnration de simulations suivant des scnarii de dfaillance. Chaque perturbation ou
90
dfaillance simule comporte deux phases : la hausse et la baisse de la variable perturbe.

Dans le Tableau 4-B, nous avons regroup les perturbations simules, la valeur nominale de la
variable perturbe et ses valeurs maximale et minimale partir desquelles le systme est
capable de retourner lopration normale. Il est clair quune perturbation trop importante
peut rendre le procd instable (le procd est dit instable si son volution ne tend plus vers
un point de rgime permanent). Cette situation nest pas recherche puisque le diagnostic de
lunit doit permettre didentifier au plus tt les drives pour pouvoir agir en consquence et
revenir un tat stationnaire. La gamme des valeurs des perturbations pour lesquelles le
systme reste stable a t obtenue de faon empirique en utilisant le simulateur dynamique
HYSYS.
Tableau 4-B Gamme des valeurs des perturbations pour lesquelles le systme reste stable
Dfaillance
Variation de dbit doxyde de propylne

Variation de la temprature du dbit
dalimentation
du
fluide
de
refroidissement du racteur
Gamme de valeurs
Minimum Nominal Maximum
50
68.04
80
11
Modification de la vitesse de raction:

1.20E+13
Variation du facteur de frquence
Variation de la temprature du fluide de
refroidissement du condenseur
11
15
Units
Kgmole/h
25
1.70E+13
2.20E+13
Moles de ractif
consomm/s/unit
de volume
15
19
La dtermination de ces valeurs minimales et maximales a permis de dfinir les bornes de

variation des diffrents descripteurs. Ainsi, le contexte dans lequel la classification a t
effectue ne repose pas sur les valeurs minimales et maximales des descripteurs lors dune
simulation particulire dune dfaillance, mais bien sur un intervalle de variation
physiquement cohrent. La normalisation des descripteurs a donc t effectue laide des
valeurs limites pour chaque descripteur aprs avoir ralis toutes les simulations des scnarii
tudis. Le rglage de lintervalle peut dterminer linfluence des descripteurs sur la
caractrisation des classes (la dfinition de cet intervalle permet de dfinir le contexte de la
classification et peut donc influencer les rsultats de la classification et le poids des diffrents
descripteurs sur le profil de la caractrisation des classes). Si nous choisissons un intervalle
91
troit, les oscillations des signaux sont agrandies, par contre si lintervalle est trs large, les
petites modifications des signaux peuvent tre non observables.
Les signaux en provenance du procd tendent osciller et /ou diverger quand les valeurs
des dfaillances sont en dehors des intervalles donns dans le Tableau 4-B. Avant dappliquer
les mthodologies de placement de capteurs et de diagnostic, on peut traiter les signaux du
procd en utilisant les mthodes dabstraction de signaux. De mme, des descripteurs
quantitatifs peuvent tre obtenus partir du pr-traitement des signaux bruts : par exemple par
filtrage ou en appliquant une FFT (Transforme de Fourier Rapide) [Orantes, 2003 ; Orantes,
2004].
4.2.1 Dtection des dfauts en utilisant tous les descripteurs : application

au modle de production de propylne glycol
Le but de cette tape dans le processus de dtermination des capteurs pour le diagnostic, est
dobtenir une classification des tats fonctionnels du procd correspondant aux diffrentes
dfaillances simules. Cette classification effectue grce la mthode LAMDA (sur laquelle
repose le logiciel SALSA) doit tre concise (classe bien dfinie) et stable (sans oscillation).
Elle permet dobtenir la valeur moyenne normalise de chaque descripteur la classe
correspondante (information obtenue partir du profil des classes).
A partir des gammes des perturbations donnes dans le tableau 4-B, 8 dfauts ont t simuls
correspondant aux 8 valeurs extrmes des perturbations. La classification a t ralise par
auto-apprentissage de ces 8 dfauts en utilisant tous les descripteurs disponibles (21 au total)
sur le procd. Dans ce cas, nous avons utilis la fonction Binomiale et le connectif Max-Min
puisquils ont donn les meilleurs rsultats de faon empirique, ainsi quun niveau dexigence
() de 0.8 et une variabilit maximale de 0.1.
La fonction Binomiale fait une partition de lespace de reprsentation par rapport aux valeurs
extrmes, cest--dire quil y a une tendance vers la bipolarisation russite-chec ,
identifies 1 et 0. Les travaux de [Kempowsky, 2004a] montrent quelques partitions de
lespace de description pour diverses fonctions MAD pour le cas quantitatif, en utilisant deux
descripteurs.
Pour permettre une meilleure visualisation de la procdure dveloppe, nous nous
intresserons dans ce qui suit au cas de la dtection dune dfaillance particulire savoir la
variation de lalimentation en oxyde. Les volutions normalises des 21 descripteurs sont
reportes sur le graphe de la Figure 4-2 (graphe du bas). Ces rsultats ont t ensuite traits
92
par loutil de classification SALSA [Kempowsky, 2004b] pour obtenir 2 classes (la classe de
fonctionnement normal et la classe correspondant la dfaillance tablie). On rappelle que
lapprentissage se fait en mode automatique, cest--dire sans connaissance des classes
prdfinies. La Figure 4-2 montre le dfaut hausse de propylne doxyde depuis la valeur
nominale (68.04 kgmoles/h) jusqu 80 kgmoles/h (valeur maximale). Dans cette simulation
de dfaillance, la dfaillance applique est de type graduel : incrment de 0.04 par minute sur
le dbit doxyde pendant 300 minutes.
Figure 4-2 Classification suite la simulation dune hausse doxyde de propylne
Sur le graphe suprieur de la Figure 4-2, on peut constater la cration de 6 classes. La classe 1
correspond la dfaillance lorsque celle-ci sest tablie. La classe 2 est rattache ltat de
fonctionnement normal. La classe 5 reprsente le rgime transitoire entre un tat de
fonctionnement normal et la dfaillance tablie. Les autres classes 3, 4 et 6 reprsentent divers
tats de transition lis soit ltablissement du rgime de fonctionnement normal soit la
phase transitoire reprsentant le retour un fonctionnement normal depuis un tat de
dfaillance. A partir des rsultats de cette classification, on peut vrifier que le dfaut est bien
dtect (classe 1) et peut-tre affect une seule classe et que ltat de fonctionnement normal
est lui aussi bien reconnu (classe 2). Si on sintresse aux deux classes particulires : 1 et 2,
nous pouvons grce aux rsultats de la classification construire la matrice du profil de ces 2
classes :
93
Tableau 4-C Profil de deux classes
NORMAL
DEFAUT
d1 d2
d3 d4
d5 d6
d7
d8
0.41 0.52
0.06 0.35
d9 d10 d11 d12 d13 d14 d15 d16 d17 d18 d19 d20 d21
0.33 0.59 0.40 0.36 0.60 0.40 0.56 0.55 0.55 0.55 0.56 0.56 0.56 0.56 0.54 0.44 0.37 0.43 0.56
0.39 0.60 0.41 0.73 0.96 0.07 0.38 0.44 0.45 0.50 0.92 0.92 0.92 0.93 0.55 0.09 0.10 0.55 0.56
Chaque lment de la matrice reprsente la valeur moyenne normalise du descripteur la

classe correspondante (voir le Tableau 4-A pour la description des descripteurs). Ces valeurs
ont t obtenues partir du calcul par la moyenne gnrale (voir le paragraphe descriptif de la
mthode LAMDA au chapitre 1). La Figure 4-3 donne lhistogramme des profils des deux
classes formes lors de ltape de lapprentissage (Normal et Dfaut).
Ro
Dfaut: Oxyde Hausse
Reactor_VesselPressure
ReactorLC_OP
3_MainTS
7_MainTS
RebDuty_HeatFlow
Glycol__Temp
Reactor_VesselTemperature
Coolant_UtilityOutletTemp
4_MainTS
8_MainTS
ColumnPC_OP
Reactor_LiquidPercentLevel
1_MainTS
5_MainTS
9_MainTS
Condenser_VesselPress
ReactorTC_OP
2_MainTS
6_MainTS
10_MainTS
CondDuty_UtilityOutletTemp
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
Normal
Dfaut
Classes
Figure 4-3. Profil des 2 classes Normal et Dfaut
Cette procdure peut tre rpte pour chaque dfaut (voir le Tableau 4-B). On obtient ainsi 8
profils de classes au total.
Grce lapplication dun dfaut graduel (sous forme de pente), on vrifie que lon peut bien
dtecter un tat de transition depuis lopration Normale du procd jusqu ltablissement
de la dfaillance. La classe qui reprsente ce dfaut ne sera pas prise en compte pour le
placement des capteurs, par contre cet tat de transition est trs important pour la
reconnaissance en ligne de la dfaillance pour la dtecter pralablement. Cette classe est
appele alarme de la dfaillance.
Il faut remarquer que cette phase de la procdure, pralable la phase de slection des
capteurs pertinents proprement dite, est trs importante car elle doit permettre dobtenir des
classes bien dfinies et concises de telle sorte que les valeurs obtenues partir du profil de
classes soient les plus prcises possibles, et ainsi, permettre davoir une meilleure slection
94
des capteurs. A partir du rsultat de la classification de la dfaillance, lexpert doit valider que
la classe caractrise correctement la dfaillance. Si ce nest pas le cas, on doit modifier les
paramtres de lexigence () et de la variabilit pour obtenir la bonne caractrisation.
Une fois quune classification a t valide par lexpert et partir du profil de classes
obtenues, la deuxime phase de la procdure qui consiste appliquer le concept de lentropie
et du gain dinformation pour slectionner les descripteurs les plus pertinents, peut tre
initie.
4.2.2 Slection des capteurs : application au modle de la production de

propylne glycol
Lobjectif principal de nos travaux a t de dvelopper une procdure de placement optimal
des capteurs grce lutilisation du concept de lentropie de SHANNON coupl avec la
classification. Pour illustrer cette procdure, repartons du profil de classes obtenu la suite de
la classification effectue laide de tous les descripteurs possibles, telle celle obtenue dans la
section prcdente. La mthodologie dveloppe repose sur cinq tapes distinctes :
tape 1 : Espace probabilis. Cette tape initiale est ncessaire pour pouvoir appliquer le
concept de lentropie dun signal comme il a t dfini au chapitre 3. En effet, ce concept

repose sur la possession dun espace probabilis. Comme nous travaillons avec des valeurs
moyennes normalises non probabilises, la somme sera diffrente de 1. Pour se ramener au
cas probabiliste, chaque lment du profil de classes est normalis par rapport la somme
totale des valeurs moyennes normalises des classes formes. A partir de la matrice (Tableau
4-C) dfinissant le profil des classes, nous obtenons alors la matrice suivante :
Tableau 4-D Profil normalis de deux classes
0.46
0.54
0.50 0.49 0.33 0.39 0.85 0.60 0.56 0.55 0.52 0.38 0.38 0.38 0.38 0.50 0.84 0.79 0.44 0.50 0.88 0.60
0.50 0.51 0.67 0.61 0.15 0.40 0.44 0.45 0.48 0.62 0.62 0.62 0.62 0.50 0.16 0.21 0.56 0.50 0.12 0.40
tape 2 : Calcul de lEntropie Maximale. LEntropie maximale H(C) de la classification
rsultante est alors calcule comme suit [Walter et Pronzato, 1997] :
H (C ) = log n
95
( 4.1 )
Dans ce cas, le logarithme utilis a t le logarithme nprien. LEntropie maximale

correspond en effet au cas o llment a la mme probabilit dappartenir lune ou lautre
des classes (Pi=1/2 dans le cas de 2 classes). LEntropie maximale du systme de
classification H(C) est alors gale 0.6931. On rappelle que lEntropie de SHANNON
sinterprte comme lincertitude de classification dun lment la classe.
tape 3. LEntropie du descripteur. Lentropie probabiliste par rapport chaque
descripteur est ensuite calcule (voir lquation 3.4). Elle reprsente la disparit entre les
valeurs des classes tudies ( normal et dfaut ). La valeur de lEntropie de
classification pour les descripteurs dk, (H(C|dk)) est :
Tableau 4-E Valeurs de lEntropie par rapport chaque descripteur
(0.69 0.69 0.69 0.64 0.67 0.43 0.67 0.69 0.69 0.69 0.66 0.66 0.66 0.66 0.69 0.44 0.52 0.69 0.69 0.38 0.67 )
tape 4. Calcul du Gain dinformation des descripteurs. On calcule le gain de
linformation comme tant la diffrence entre lEntropie maximale et lEntropie par rapport
chaque descripteur (voir lquation 3.5):
Tableau 4-F Valeurs du Gain dinformation par rapport chaque descripteur
(0.00 0.00 0.00 0.06 0.03 0.27 0.02 0.01 0.01 0.00 0.03 0.03 0.03 0.03 0.00 0.25 0.17 0.01 0.00 0.32 0.02)
Etape 5. Calcul du Gain Relatif des descripteurs. Finalement, on obtient le gain relatif par
rapport au gain maximal (voir lquation 3.6) :
Tableau 4-G Valeurs du Gain dinformation Relatif par rapport chaque descripteur
(0.53 0.00 0.01 8.33 3.83 38.68 2.82 0.97 0.77 0.12 4.18 4.33 4.39 4.46 0.00 36.06 24.97 0.97 0.00 45.86 2.80 )
La Figure 4-4 montre les gains relatifs de chacun des descripteurs pour le dfaut considr.
Dans cet exemple, on voit que le descripteur CondDuty_UtilityOutletTemp (temprature du
96
fluide de refroidissement en sortie du condenseur) donne la meilleure information

discriminante pour ce dfaut avec une valeur de 46% de gain relatif.
45
Dfaut: Oxyde Hausse

40
Gain (%)
35
30
25
20
15
10
5
ea
c
ea tor
_V
ct
or
es
_
R
ea Ve selP
s
ct
re
or sel
Te ssu
_L
m
re
iq
p
ui
dP era
t
er
ce ure
R
n
ea
tL
ev
ct
or
e
C
oo
TC l
R
e
la
a
_
nt
c
O
_U tor
P
LC
tili
_O
ty
O
P
ut
le
tT
1_ em
p
M
ai
nT
2_
S
M
ai
nT
3_
S
M
ai
nT
4_
S
M
ai
nT
5_
S
M
ai
nT
6_
S
M
ai
nT
7_
S
M
ai
nT
8_
S
M
ai
nT
9_
S
M
ai
n
1
R
0_ TS
eb
M
D
a
ut
y_ inT
S
H
C
e
C
on
at
ol
d
F
u
C
lo
m
on ens
w
nP
er
dD
C
_
ut
_O
Ve
y_
ss
P
U
el
tili
Pr
ty
e
O
ss
ut
le
G
tT
ly
em
co
l_
_T p
em
p
Descripteurs
Figure 4-4 Rsultat du gain relatif dans le cas de la dfaillance hausse doxyde
Cette procdure qui a t dcrite pour la dtection du dfaut hausse doxyde partir dun
fonctionnement normal, peut tre effectue pour chacun des dfauts rpertoris sur le procd
(8 dfauts au total). A chaque fois, partir des rsultats de la simulation dun scnario
comprenant une phase de fonctionnement normal suivi dune dfaillance, la classification est
ralise et les calculs des tapes 1, 2, 3, 4, 5 sont effectus. On obtient la matrice des gains
relatifs par rapport toutes les classes reprsentant un dfaut tabli, qui est donne ci-dessous
(Tableau 4-H) : chaque colonne reprsente un descripteur et chaque ligne une dfaillance
(voir le Tableau 4-B pour la description des dfaillances appliques). Dans cette matrice, on
peut constater que la dernire ligne correspond aux rsultats de la dfaillance hausse
doxyde dont nous venons dexpliquer les calculs du gain relatif.
97
Tableau 4-H Valeurs de GAINS Relatifs appliqus toutes les dfaillances
13.6
43.2
0.00
0.00
0.00
0.00
3.50
0.53
0.74 0.21 0.32 0.33 0.16 0.04 0.05 0.04 0.00 0.11 0.14 23.1 0.00 4.65 0.02
0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 4.38 0.00 0.00 0.00
0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 3.86 0.00 0.00 0.00
0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00
0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.02 0.00 0.02 0.00
1.76 0.65 0.68 0.12 27.4 30.1 30.1 32.7 0.03 7.48 8.17 2.71 0.00 10.7 1.77
2.82 0.97 0.77 0.12 4.18 4.33 4.39 4.46 0.00 36.1 25.0 0.97 0.00 45.9 2.80
0.00 0.00 0.16 0.00 0.19 3.66 1.18 1.26 1.28 0.62 0.17 0.16 0.14 0.00 0.15 0.21 10.9 0.00 71.4 0.02
0.00 0.00 0.05 0.00 0.06
0.00 0.00 0.00 0.00 0.00
0.00 0.00 0.00 0.00 0.00
0.00 0.00 1.43 0.00 1.07
0.01 0.00 14.3 0.00 23.8
0.00 0.04 31.6 52.2 11.9
0.00 0.01 8.33 3.83 38.7
Les valeurs de cette matrice peuvent tre portes sur un histogramme (Figure 4-5). Chaque
dfaut est reprable par une couleur. Par exemple, sur cette figure, le dfaut hausse
doxyde est reprsent en couleur rose. Nous retrouvons sur ce graphe que, pour ce dfaut,
le descripteur fournissant le gain relatif le plus lev est le descripteur 20 (voir le Tableau
4-A), cest--dire la temprature du fluide de refroidissement en sortie du condenseur. Pour
chaque dfaut, on peut slectionner de cette manire le descripteur qui fournit un gain relatif
maximal. On obtient ainsi les descripteurs qui fournissent le plus dinformation pour la
classification exprime comme la disparit entre les valeurs des classes tudies ( normal
et dfaut ) et donc les plus pertinents pour le diagnostic du procd. Comme le montre le
Tableau 4-I, ils sont au nombre de 6 descripteurs, chaque dfaut correspond une couleur
diffrente. Il est intressant ce stade de revenir sur linterprtation physique de ces choix et
en particulier dexaminer sils sont cohrents avec la connaissance que lon a des phnomnes
mis en jeu.
La sortie du rgulateur assurant le contrle de la pression de la colonne (ColumnPC OP) a t
slectionne comme meilleur capteur pour identifier des dfauts sur la temprature
dalimentation du fluide de refroidissement au condenseur. La pression dans le condenseur
tant rgule par action sur le dbit de liquide de refroidissement au condenseur, une baisse
ou une hausse de sa temprature dalimentation aura comme consquence une augmentation
ou une diminution de son dbit par le rgulateur pour compenser ces variations et maintenir
une pression constante. Le choix de cette variable (ColumnPC OP) est donc cohrent avec la
connaissance des phnomnes physiques mis en jeu.
La baisse doxyde lalimentation est identifiable partir de la variable de commande du
rgulateur de niveau : on alimente moins do une modification de cette variable pour
maintenir le niveau.
98
Le dfaut hausse du facteur de frquence a pour consquence une augmentation de la quantit

de glycol forme et donc du niveau ou pression dans le racteur.
La
temprature
de
sortie
du
fluide
de
refroidissement
du
condenseur
(CondDuty_UtilityOutletTemp) permet dvaluer si la composition en tte de colonne a

chang. En effet, un changement de composition affecte les proprits thermodynamiques du
mlange et donc la quantit dnergie changer avec le fluide de refroidissement pour
condenser le mlange. Cette modification se traduit physiquement par une modification de la
temprature du fluide de refroidissement en sortie du condenseur. Cette variation de la
composition en tte de colonne peut tre cause par une modification de la composition de
lalimentation du procd (dfaut : hausse oxyde) ou par un changement de la cintique (en
pratique changement de la ractivit des ractifs, changement de lactivit du catalyseur, )
simul dans notre cas par une variation du facteur pr-exponentiel (dfaut baisse A). Ce qui
est intressant de noter cest que ces deux dfauts ont la mme consquence : une
augmentation de la composition doxyde dans le courant dalimentation de la colonne.
Un dfaut sur la temprature du liquide de refroidissement du racteur (TempInletCool) est
identifi dans le cas dune hausse par la mesure de la temprature du fluide de refroidissement
en sortie (Coolant UtilityOutletTemp) : celle-ci augmente. Une baisse de cette temprature
dalimentation est en revanche plus dtectable partir de la variable de commande gnre
par le rgulateur de temprature (dbit du fluide de refroidissement). La distinction entre ces
deux informations suivant le sens de la perturbation est cohrente. En effet, lors dune
augmentation de la temprature du fluide de refroidissement, le rgulateur va augmenter le
dbit jusqu atteindre un dbit maximum et cest ensuite la temprature du fluide de
refroidissement en sortie qui augmentant, contiendra le plus dinformation. Dans le cas dune
baisse de la temprature dalimentation du fluide de refroidissement, le rgulateur diminuera
le dbit en ayant plus de marge de manoeuvre que dans le cas prcdent donc la variable
(ReactorTC OP) sera porteuse dinformation.
Il y a donc bien cohrence entre les capteurs choisis et les connaissances a priori des
phnomnes mis en jeu.
La Figure 4-5 confirme ce qui pouvait tre apprhend savoir que les variables rgules des
divers rgulateurs dans le procd napportent que trs peu dinformation. En effet, le fait
quelles doivent tre maintenues des valeurs constantes, leur variation nest pas synonyme
dun changement de point de fonctionnement. En revanche, ce changement de point de
fonctionnement se voit sur les valeurs des variables manipules. Il est bien entendu que les
99
variables sur lesquelles ont port les perturbations (par exemple la temprature du fluide de
refroidissement) nont pas t retenues comme descripteurs car dans ce cas, la dtection dun
dysfonctionnement est immdiate.
Baisse A
Hausse A
Baisse TempInletCond
Hausse TempInletCond
Baisse TempInletCool
Hausse TempInletCool
Baisse Oxyde
Hausse Oxyde
70
60
GAIN RELATIF
50
40
30
20
10
R
ea
ct
or
ea
_V
ct
es
or
se
_V
lP
R
es
ea
re
se
ss
ct
lT
or
ur
em
_L
e
iq
pe
ui
ra
dP
tu
er
re
ce
nt
R
Le
ea
ve
ct
l
or
TC
C
R
oo
_O
ea
la
ct
nt
P
or
_U
LC
til
ity
_O
O
P
ut
le
tT
em
p
1_
M
ai
nT
S
2_
M
ai
nT
S
3_
M
ai
nT
S
4_
M
ai
nT
S
5_
M
ai
nT
S
6_
M
ai
nT
S
7_
M
ai
nT
S
8_
M
ai
nT
S
9_
M
ai
nT
10
S
R
_M
eb
D
a
i
ut
nT
y_
S
H
ea
C
C
tF
ol
on
lo
um
de
w
C
nP
ns
on
er
C
dD
_O
_V
ut
es
P
y_
se
U
til
lP
ity
re
O
ss
ut
le
t
T
G
e
ly
m
co
p
l_
_T
em
p
DESCRIPTEURS
Figure 4-5 Gains relatifs des descripteurs en prenant en compte tous les dfauts
Tableau 4-I Rsultat des descripteurs slectionns
NOM DFAUT
Baisse A (Frq. Naturelle)
Hausse A (Freq. Naturelle)
Baisse Oxyde
Hausse Oxyde
DESCRIPTEURS SLECTIONNS
ColumnPC_OP
ColumnPC_OP
ReactorTC_OP
Coolant__UtilityOutletTemp
ReactorLC_OP
4.2.3 Obtention du modle du comportement

Ltape suivante est de trouver le modle qui soit capable de caractriser le comportement du
procd. Elle consiste construire, partir des descripteurs slectionns dans la section
prcdente, un classificateur caractris par un ensemble de classes qui permettent didentifier
un ensemble de situations.
100
Tout dabord, un apprentissage non supervis (auto-apprentissage) est effectu avec ces
descripteurs pour dterminer les classes correspondant aux dfauts, ainsi quaux diverses
alarmes. La Figure 4-6 donne les rsultats obtenus aprs lauto-apprentissage partir de la
simulation dun scnario incluant 8 dfauts (les volutions des 6 descripteurs slectionns
dans ltape prcdente lors de cette simulation sont donnes sur le graphe du bas). Lordre
dapplication des dfauts est le suivant : Variation de loxyde, variation de la temprature du
liquide de refroidissement du racteur, variation de la temprature du liquide de
refroidissement du condenseur et variation de la vitesse de raction (variation du facteur de
frquence dans la loi dArrhenius). Les paramtres utiliss pour effectuer cet autoapprentissage sont pratiquement identiques ceux utiliss lors de la premire classification
effectue avec tous les descripteurs : niveau dexigence de 0.87, variabilit maximale de 0.1,
la fonction dappartenance Binomiale et le connectif Max-Min. Seul le niveau dexigence a
t augment par rapport la premire classification, ce qui a pour effet de permettre dtre
un peu plus svre sur le nombre de classes cres.
On peut constater que la nouvelle classification permet de dtecter les 8 dfauts de manire
satisfaisante. Le Tableau 4-J montre la correspondance des classes aux dfauts.
Tableau 4-J Correspondance des dfauts et numro des classes issues de lauto-apprentissage avec 6
descripteurs
NOM DFAUT
Hausse doxyde
Baisse doxyde
Hausse de la temprature du fluide
de refroidissement du racteur
Baisse de la temprature du fluide
de refroidissement du racteur
Hausse de temprature du fluide
de refroidissement du condenseur
Baisse de temprature du fluide
de refroidissement du condenseur
Hausse de la vitesse de raction
Baisse de la vitesse de raction
NUMRO DE CLASSE
2
4
9
8
12
1
14
16
Les transitions de lopration normale une situation de dfaillance sont bien reprsentes par
les classes 17, 18, 19 et 22, grce lapplication graduelle des dfauts.
Il convient dans ltape suivante de synthtiser les rsultats de cette classification de telle
sorte dfinir des tats fonctionnels partir des diffrentes classes cres. Un tat fonctionnel
nest quun regroupement de classes qui reprsentent un tat spcifique de fonctionnement du
101
procd (soit un tat normal ou un dfaut particulier). Cest lexpert qui effectue lassignation
des tats aux classes. Ce travail saccompagne gnralement dune analyse implicite du
fonctionnement du procd, elle permet aussi de mieux comprendre lvolution du procd.
On peut par exemple regrouper dans un mme tat des classes qui sont lies un phnomne
identique.
Lensemble des correspondances tat/classe est donn dans le Tableau 4-K. On peut observer
que ltat correspondant au fonctionnement normal du procd est compos des classes 13,
21, 24, 28 et 31. Ces classes ont t regroupes sous le mme tat numro 10 et cette
information sera celle prsente loprateur lors de la phase de reconnaissance (diagnostic
en ligne).
Les tats dalarme sont trs importants pour la dtection anticipe des dfaillances. On peut
voir dans le tableau du modle de comportement que les classes 17 et 22 constituent ltat
dalarme de hausse de la temprature du fluide de refroidissement dans le racteur.
Quelques classes correspondent loscillation des signaux comme consquence de la
rcupration brutale des dfaillances, par les rgulateurs par exemple. Ce type des classes na
pas t affect un tat de fonctionnement, cause de son instabilit comme cest le cas des
classes 23, 25, 29 et 30.
Oxyde
Oxyde
TinletCool
TinletCool
TinletCond
TinletCond
Freq
Freq
Figure 4-6 Identification de dfauts avec les 6 descripteurs slectionns
102
Tableau 4-K Assignation des classes aux tats partir des 6 descripteurs slectionns
Numro de Numro
classe
d'tat
Etat
Fonctionnel
B-TCOND
H-OXYDE
REC_H-OXY_N
B-OXYDE
10
11
12
13
10
14
11
15
11
Description d'tat
Baisse de la temprature du
fluide de refroid. du
Condenseur
Hausse du dbit d'oxyde
Rcupration de la hausse
du dbit d'oxyde
Baisse du dbit d'oxyde
Rcupration de la baisse
REC_B-OXY_N
du dbit d'oxyde
REC_B-OXY_N
du dbit d'oxyde
REC_B-OXY_N du dbit d'oxyde
Baisse de la Temprature
du fluide de refroid.du
racteur
Hausse de la Temprature
du fluide de refroid. du
H-TCOOL
racteur
Rcupration dans l'tat
REC-HAUSSE
Normal
Rcupration dans l'tat
REC-HAUSSE
Normal
Hausse de la temprature
H-TCOND
Condenseur
Opration Normale du
NORMAL
procd
Hausse facteur frquence
H-FREQV
(vitesse de raction)
B-TCOOL
H-FREQV

Numro de Numro
classe
d'tat
16
12
17
13
18
14
19
15
20
21
10
22
13
23
24
10
25
Etat
Fonctionnel
B-FREQV
Alarme de Hausse de la
Temprature du fluide de
refroid. du racteur
Alarme de hausse du dbit
AL_H-OXYDE
d'oxyde
Alarme de baisse du dbit
AL_B-OXYDE
d'oxyde
Rcupration de baisse
REC_B-OXY_N
d'oxyde vers tat Normal
Opration Normale du
NORMAL
procd
Alarme de Hausse de la
AL_H-TCOOL Temprature du fluide de
refroid. du racteur
pas d'assignation d'tat
NoState
AL_H-TCOOL
NORMAL
NoState
26
15
27
28
10

d'oxyde
Rcupration de baisse du
REC_B-OXY_N dbit d'oxyde
NORMAL
NoState
30
NoState
10
Opration Normale du
procd
AL_B-OXYDE
29
31
Description d'tat
Baisse facteur frquence
NORMAL
Opration Normale du
procd
Opration Normale du
procd
La Figure 4-7 montre les diffrents tats fonctionnels dtects en utilisant les 6 descripteurs
slectionns dans le cas de la simulation des diffrents dfauts prsents prcdemment. On
peut constater la dtection correcte de tous les dfauts, ainsi que, la dtection des diffrents
tats dalarmes.
103
Figure 4-7 Identification des 15 tats fonctionnels avec 6 descripteurs
4.2.4 Reconnaissances de dfauts inconnus

Il est vident que ltape du suivi repose sur le rsultat de la phase de modlisation du
comportement (section 4.2.3 ) du procd chimique, ce qui pose le problme de la validit du
modle de comportement. Il est probable que toutes les classes ne soient pas connues a priori,
lexpert peut avoir une certaine connaissance sur quelques situations prsentes dans
lensemble dapprentissage, mais il peut savrer difficile den identifier dautres. Il est
possible que les classes ne soient pas correctement reprsentes par les observations
disponibles initialement; et il se peut aussi que, pour certaines situations, lacquisition de
donnes soit difficile ; il sagit, souvent, de situations critiques qui ne se produisent pas
frquemment. Dans ces conditions, rien ne permet dassurer lexhaustivit de la connaissance
du comportement du processus car les donnes historiques ne peuvent pas couvrir la vie
entire du processus [Kempowsky 2004a].
A) Dfauts inconnus continus
Dans cette dernire partie, nous avons fait la reconnaissance de diverses situations de dfauts
inconnus (magnitude et drive diffrentes, simultanit de dfauts) afin de vrifier et valider
notre modle comportemental.
104
Dabord nous avons fait la simulation de deux dfauts de faon continue avec amplitude et
drives diffrentes de celles utilises pour construire le modle de comportement. Ces dfauts
sont : la hausse de loxyde de propylne 74 Kgmole/h et la hausse de la temprature du
fluide de refroidissement du racteur 18 C. La Figure 4-8 illustre le scnario simul, avec
les deux dfauts conscutifs.
Dfaut : Oxyde (74 Kgmole/h)
Dfaut : TinletCoolant (18 C)
Figure 4-8 Scnario de deux dfauts conscutifs critiques
La Figure 4-9 montre le rsultat de la reconnaissance en utilisant les 6 descripteurs

slectionns et le modle des tats fonctionnels construit (voir tableau prcdent). On peut
constater quil y a cration de 6 tats et ltat zro (tat de non-reconnaissance). En regardant
le tableau du modle de comportement, nous pouvons vrifier que ltat 10 correspond
lopration normale du procd, ltat 14 correspond lalarme de hausse doxyde, ltat 13
correspond la hausse de la temprature du fluide de refroidissement du racteur, ltat 3
correspond la rcupration de la hausse doxyde et les tats 8 et 9 sont des transitoires lis
la phase de mise en rgime permanent du procd. On peut observer sur cette figure, que les
tats dalarme des deux dfaillances sont bien identifis, ce qui confre plus de scurit au
processus.
105
Figure 4-9 Reconnaissance avec 6 descripteurs des dfauts conscutifs : hausse doxyde et hausse de
Dans ce qui suit, nous avons fait la simulation de deux dfauts conscutifs moins critiques par
rapport aux prcdents avec une amplitude et des drives diffrentes de celles utilises lors de
la conception du modle de comportement. Ces dfauts sont : une baisse de loxyde de
propylne 62 Kgmole/h et une baisse de la temprature du fluide de refroidissement du
racteur 13 C. Le scnario simul est illustr sur la Figure 4-10, avec les deux dfauts
conscutifs.
Dfaut : Oxyde (62Kgmole/h)
Dfaut : TinletCoolant (13C)
Figure 4-10 Scnario de deux dfauts conscutifs non critiques
Sur la Figure 4-11, on montre le rsultat de la reconnaissance en utilisant les 6 descripteurs

slectionns et le modle des tats fonctionnels. On peut constater quil y a cration de 6 tats
et ltat zro (tat de non-reconnaissance). Ltat 10 correspond lopration normale du
106
procd, ltat 15 correspond lalarme de la baisse doxyde, ltat 6 correspond la baisse

de la temprature du fluide de refroidissement du racteur, et les tats 13, 9 et 8 sont des
transitoires. On peut observer sur cette figure, que ltat 6 est rpt lors de la phase de
dtection de lalarme de baisse doxyde, mais cest un problme sans importance puisque le
nombre dchantillons que contient cet tat est trs petit (3 lments). En revanche, un
problme plus grave est que ltat dalarme de la baisse doxyde (tat 15) est reconnu trs
tardivement et, en plus, une grande partie de ce dfaut est reste inconnue (tat zro).
La solution ce problme est lajout dun descripteur pour amliorer la dtection des tats
fonctionnels tudis. Ce descripteur peut tre ajout en utilisant une nouvelle analyse de
lentropie.
Cette analyse est similaire celle effectue lors des tapes prsentes dans la section 4.2.2
seule diffrence est que, dans cette mthode, on a pris lensemble des dfauts en mme temps
pour les calculs de lentropie (voir la section 3.3.3). Dabord, on obtient le profil des classes
partir de la classification. Chaque ligne reprsente une classe (soit lopration normale ou soit
un dfaut) et chaque colonne un descripteur.
107
Tableau 4-L Profil des classes de la classification partir de 6 descripteurs
Normal
Dfaut
Dfaut
Dfaut
Dfaut
Dfaut
Dfaut
Dfaut
Dfaut
0.33 0.59 0.40 0.36 0.60 0.40 0.56 0.55 0.55 0.55 0.56 0.56 0.55 0.56 0.54 0.44 0.38 0.43 0.56 0.41 0.52
0.83 0.60 0.40 0.33 0.60 0.45 0.36 0.43 0.42 0.42 0.47 0.51 0.51 0.51 0.54 0.48 0.43 0.97 0.56 0.02 0.54
0.05 0.60 0.40 0.38 0.60 0.38 0.69 0.62 0.63 0.63 0.62 0.59 0.58 0.58 0.54 0.41 0.34 0.12 0.56 0.69 0.51
0.33 0.59 0.40 0.36 0.60 0.40 0.57 0.56 0.55 0.55 0.56 0.56 0.55 0.56 0.54 0.44 0.37 0.26 0.56 0.41 0.52
0.33 0.60 0.40 0.36 0.60 0.40 0.57 0.56 0.55 0.55 0.56 0.56 0.56 0.56 0.54 0.44 0.37 0.69 0.56 0.41 0.52
0.33 0.59 0.40 0.27 0.60 0.52 0.57 0.56 0.55 0.55 0.56 0.56 0.55 0.56 0.54 0.44 0.37 0.43 0.56 0.41 0.52
0.33 0.61 0.40 0.92 0.60 0.11 0.57 0.56 0.55 0.55 0.57 0.56 0.56 0.56 0.54 0.44 0.37 0.42 0.56 0.42 0.52
0.21 0.59 0.38 0.08 0.07 0.94 0.78 0.67 0.67 0.59 0.14 0.13 0.13 0.12 0.52 0.86 0.75 0.29 0.56 0.93 0.72
0.39 0.60 0.41 0.73 0.96 0.07 0.38 0.44 0.45 0.50 0.92 0.92 0.92 0.93 0.55 0.09 0.10 0.55 0.56 0.06 0.35
d1 d2
d3
d4
d5
d6
d7
d8 d9 d10 d11 d12 d13 d14 d15 d16 d17 d18 d19 d20 d21
A partir de ce profil, on normalise (pour obtenir un espace probabilis), on calcule lentropie,

le gain dinformation du systme en utilisant la valeur maximale de lentropie dans le systme
(log 9= 2.197), et finalement, le gain relatif en pourcentage. Le rsultat final des calculs est le
suivant :
Tableau 4-M Valeurs du gain relatif
(6.82 0.00 0.01 7.06 4.11 7.86 1.15 0.40 0.41 0.24 3.04 3.14 3.15 3.31 0.00 4.22 3.78 5.87 0.00 10.64 0.63)
La Figure 4-12 montre le rsultat sous forme graphique. Le rsultat principal de ce critre de
slection est quil convient dajouter le descripteur de la temprature sur le plateau 10 de la
colonne de distillation (10_MainTS), puisque la valeur du gain de ce descripteur dans ce
critre est plus grande que la valeur du descripteur pourcentage douverture de la vanne pour
contrler le niveau de liquide dans le racteur (ReactorLC_OP), qui a t choisi grce
lautre critre dvelopp dans la section 4.2.2.
Ce rajout dune variable supplmentaire est cohrent puisquil permet davoir une information
supplmentaire sur la composition du mlange au bouilleur de la colonne de rectification,
reflet dune variation de la composition lalimentation de cette colonne, qui elle-mme peut
tre conscutive une baisse de loxyde lalimentation du procd.
A partir de cette constatation, nous avons 7 descripteurs pour la reconnaissance des diverses
situations inconnues.
108
10.00
GAIN RELATIF
8.00
6.00
4.00
2.00
R
ea
ct
or
R
ea
_V
ct
es
or
se
_V
lP
R
es
re
ea
se
ss
ct
lT
ur
or
em
e
_L
pe
iq
ui
r
a
dP
tu
re
er
ce
nt
R
Le
ea
ve
ct
l
or
TC
C
R
oo
_O
e
ac
la
P
nt
to
_U
rL
C
til
_O
ity
O
P
ut
le
tT
em
p
1_
M
ai
nT
S
2_
M
ai
nT
S
3_
M
ai
nT
S
4_
M
ai
nT
S
5_
M
ai
nT
S
6_
M
ai
nT
S
7_
M
ai
nT
S
8_
M
ai
nT
S
9_
M
ai
nT
10
S
R
_M
eb
ai
D
nT
ut
y_
S
H
ea
C
tF
C
ol
l
on
ow
um
de
nP
C
ns
on
C
er
_O
dD
_V
ut
P
es
y_
se
U
lP
ti l
re
ity
ss
O
ut
le
tT
G
em
ly
co
p
l_
_T
em
p
0.00
DESCRIPTEURS
Figure 4-12 Gain relatif pur lensemble des situations
La Figure 4-13a montre les rsultats obtenus aprs lauto-apprentissage des 8 dfauts, en
utilisant les 7 descripteurs slectionns. On peut constater que la nouvelle classification peut
dtecter les 8 dfauts de manire satisfaisante. Les paramtres utiliss pour cette classification
sont : un niveau dexigence de 0.9, une variabilit maximale de 0.1, la fonction
dappartenance Binomiale et le connectif Min-Max.
b)
109
a)
Figure 4-13 Identification des dfauts et tats fonctionnels avec les 7 descripteurs slectionns
Ltape suivante est la dfinition des tats fonctionnels reprsentatifs en agrgeant les classes
cres telles que reprsentes sur la Figure 4-13b. Lassignation des classes aux tats a t
effectue de la faon suivante (Tableau 4-N).
On peut observer que ltat dopration normale du procd est compos des classes 15 et 18.
En comparant ce modle avec le modle de comportement avec 6 descripteurs (Tableau 4-K),
nous pouvons vrifier lexistence dun plus petit nombre de classes (37 classes) et dtats (17
tats) dans ce modle. En plus, on peut voir dans ce nouveau modle, la disparition de ltat
REC-HAUSSE, et la cration de trois nouveaux tats : REC_H-TCOOL, AL_B-FREQV et
AL-H-FREQV. En gnral, nous pouvons dire que ce dernier modle est meilleur que le
prcdent, puisquil permet de mieux discriminer les dfaillances et de donner plus dtats
dalarmes.
Cette tape de la procdure a donc permis de crer un modle de comportement du procd
bas sur la classification des 7 descripteurs slectionns.
110
Tableau 4-N Modle de comportement avec 7 descripteurs

Numro de
classe
Numro
d'tat
Etat
fonctionnel
B-TCOND
H-OXYDE
3, 4
Description d'tat
Baisse de la temprature
Condenseur
Hausse du dbit d'oxyde
REC_H-OXY_N du dbit d'oxyde
Numro de
classe
Numro
d'tat
Etat
fonctionnel
15, 18, 25, 27,

28, 33
10
NORMAL
Opration Normale du
procd
17
11
H-FREQV

19, 31, 35
12
AL_B-FREQV
20
13
B-FREQV
Baisse du dbit d'oxyde

B-OXYDE
6, 7, 8, 24, 32
REC_B-OXY_N
10
B-TCOOL
11
H-TCOOL
12
13, 14, 34
H-TCOND
du dbit d'oxyde
Baisse de la Temprature
du fluide de refroid.du
racteur
Hausse de la Temprature
du fluide de refroid. Du
racteur
Hausse de la temprature
Condenseur
de la Temprature du
REC_H-TCOOL fluide de refroid. Du
racteur
Description d'tat
Alarme de Baisse facteur

frquence (vitesse de
raction)
Baisse facteur frquence
Alarme de Hausse de
Temprature du fluide de
AL_H-TCOOL refroidissement racteur
21, 26
14
22
15
AL_H-OXYDE
Alarme de hausse de
dbit d'oxyde
23, 30
16
AL_B-OXYDE

d'oxyde
AL_H-FREQV
Alarme de Hausse facteur

frquence (vitesse de
raction)
37
17

9, 16, 29, 36
NoState
La Figure 4-13b montre les rsultats de lidentification des tats fonctionnels du procd en
utilisant les 7 descripteurs slectionns. On peut constater que tous les dfauts, ainsi que, les
tats dalarmes sont correctement dtects.
Rappelons que lajout dun descripteur supplmentaire avait pour but damliorer
lidentification dtats inconnus. Reprenons le scnario simul prcdemment incluant les
deux dfauts mconnus (Figure 4-10). En effectuant la classification en mode
reconnaissance avec cette fois les 7 descripteurs, on obtient les rsultats reprsents sur la
Figure 4-14. On constate que, mme si lon retrouve une toute petite priode au tout dbut de
lapparition de la baisse doxyde o il ny a pas reconnaissance immdiate du dfaut (on
rappelle que lors de lapprentissage le dfaut simul avait une amplitude et une drive
beaucoup plus importante), grce lutilisation du descripteur supplmentaire, on a pu
dtecter ce dfaut beaucoup plus tt et seul le tout dbut nest pas reconnu contrairement ce
qui avait t obtenu avec les 6 descripteurs.
111
Normal
Alarme Baisse Oxyde

Baisse coolant temp.
Normal
Oxyde(62)
Normal
TinletCool(13)
Normal
Ce paragraphe a permis de montrer que dans le cas o un des dfauts est mal reconnu, il est
possible damliorer sa dtection en rajoutant un descripteur supplmentaire en regardant
ceux qui donnent les gains dinformation relatifs les plus levs non plus uniquement dans le
cas o lon considre la dtection dun dfaut particulier par rapport ltat de
fonctionnement normal mais en considrant lensemble des dfauts.
B)
Dfauts inconnus simultans
Lultime validation de la procdure dveloppe concerne la dtection de dfauts simultans. Il

est clair quen pratique cette parfaite simultanit est peu probable, nanmoins, il est
intressant dobserver le comportement de loutil de diagnostic face cette situation
inconnue. Le scnario utilis pour ce test est la superposition de deux dfauts :
i) Hausse de la temprature du liquide de refroidissement du racteur : la valeur de la pente

dincrment de temprature est de 0.035 C/min faisant passer la temprature de sa valeur
nominale (15 C) jusqu la valeur finale de la dfaillance (22 C).
112
ii) Hausse de la vitesse de raction : ce dfaut est engendr en modifiant le facteur de

frquence de la loi dArrhenius. Le facteur de frquence est modifi depuis sa valeur
nominale (1.70E+13) et passe 2.00E+13.
Il est important de mentionner que ces dfauts ont des valeurs et stablissent selon des
drives diffrentes de celles des scnarii tudis lors de lapprentissage qui a permis de
dvelopper le modle dtats fonctionnels. Lobjectif principal est de retrouver travers le
modle dtats construit prcdemment les diffrents dfauts isols, ainsi que les tats
dalarme de ces dfauts et de vrifier la non-reconnaissance de dfauts simultans (tats de
fonctionnement non modliss) puisquils nont jamais t appris .
Au fur et mesure de la prsentation de nouvelles observations, des nouvelles situations
peuvent apparatre dans la structure initiale. De mme, les classes existantes peuvent aussi
voluer au cours du temps. Pour ces raisons, il est ncessaire que le systme de surveillance
prsente un caractre adaptable, non seulement au moment de la construction du modle de
comportement (phase dapprentissage) mais, aussi, au moment de lidentification des
nouvelles situations. Pour ceci, deux principes dapprentissage sont prvus : un apprentissage
hors ligne et un apprentissage en ligne. Lapprentissage hors ligne est utilis dans ltape de
caractrisations de situations, mais aussi pour essayer de caractriser des nouvelles situations
qui peuvent se prsenter lorsquun nombre suffisant dobservations nest plus reconnu,
compte tenu des classes existantes. Lapprentissage en ligne permet de modifier en continu les
classes existantes et, mme, den crer des nouvelles, tout au long de ltape du suivi.
Dans ce qui suit, nous donnons le rsultat obtenu lors de la reconnaissance dun scnario de
simultanit de dfauts, partir du modle de comportement avec 7 descripteurs:
Scnario : Dans ce cas le dfaut : hausse de la vitesse de raction, est cr exactement en
mme temps que le dfaut : hausse de la temprature du liquide de refroidissement du

racteur, mais il est supprim plus tt (voir la Figure 4-15)
113
Dfaut : Vitesse raction (A)
Dfaut : TinletCoolant
T1
T2
T3
T4
Figure 4-15 Scnario : dfauts simultans
On peut vrifier sur la Figure 4-16 quil y a cration de 4 tats et de ltat zro (tat de nonreconnaissance). Ltat 10 reprsente lopration normale du procd, ltat 14 correspond au
dfaut dalarme de hausse de la temprature du fluide de refroidissement du racteur, les tats
11 et 17 correspondent au dfaut de hausse de la vitesse de raction et lalarme de ce mme
dfaut, respectivement (voir le modle de comportement du Tableau 4-N).
?Freq (A) ?
Alarme ? TCool
Normal
Normal
Non reconnu
Normal
Freq - TCool
TCool
Normal
Figure 4-16 Identification dtats de dfauts simultans : scnario 1
Ltat zro reprsente les dfauts simultans et, il nest pas reconnu, puisquil na pas t
considr pendant la construction du modle de comportement. Pour le reconnatre, il faut
114
faire un apprentissage supervis (supervised learning) pour affecter la classe NIC (Non
Information Classe) une classe reprsentant ces dfauts simultans (voir la Figure 4-17).
Figure 4-17 Application de lapprentissage supervis
Finalement, aprs cet apprentissage on peut faire la reconnaissance des tats, et on peut
constater la bonne reconnaissance de ltat numro 18 (cest un nouvel tat cr) pour
reprsenter la nouvelle dfaillance (Figure 4-18). Nous pouvons constater dans le Tableau 4-N
que la classe 18 nexistait pas dans le modle construit pralablement.
Figure 4-18 Reconnaissance des tats de dfauts simultans aprs apprentissage supervis
115
Lannexe D montre les rsultats des autres scnarii de dfauts simultans tudis.
4.2.5 Utilisation des autres critres

Comme il a t vu au chapitre 3, il existe deux autres critres pour mesurer linformation :
lentropie non probabiliste et la variance. Sans reprendre toutes les tapes du processus
permettant de dterminer les capteurs partir de la classification ralise sur lensemble des
capteurs possibles, nous donnons dans le Tableau 4-O les rsultats en appliquant ces deux
critres dans le cas de la procdure dite par paire. Comme nous le voyons sur ce tableau, les
capteurs slectionns par le critre de la variance sont parfaitement identiques ceux
slectionns par le critre de lentropie probabiliste. Ce rsultat conforte ceux obtenus
prcdemment. En revanche, le critre de lentropie non probabiliste ne donne pas
sensiblement les mmes rsultats. Si lon regarde lensemble final des capteurs slectionns,
cest le mme que pour les deux autres critres : au total on a les mmes 6 descripteurs. Ce
qui diffrencie les rsultats obtenus avec ce critre des autres est la correspondance capteur
slectionn/dfaut. Toutes les permutations (sauf une) sont physiquement explicables : par
exemple utiliser la valeur de louverture de la vanne de rgulation de la temprature dans le
racteur comme capteur pour un dfaut de hausse de la temprature du fluide de
refroidissement parat correct, dailleurs cest ce qui a t choisi pour la baisse de la
temprature par tous les critres. Le seul cas sujet discussion est celui de dfaut de hausse de
la temprature du fluide de refroidissement au condenseur qui serait mieux identifi avec la
pression dans le racteur comme capteur ; ce qui parat difficile expliquer physiquement
puisque la colonne de distillation est en aval du racteur.
De ces rsultats et de ceux obtenus sur lautre procd (lOPR), il ressort que les critres
Entropie probabiliste et Variance donnent les mmes rsultats. En revanche, certaines
diffrences peuvent apparatre avec le critre dentropie non-probabiliste en particulier sur
des couplages capteur/dfaut difficilement explicables. Cest pourquoi dans tout ce qui suit,
nous donnerons uniquement les rsultats obtenus avec le critre de lEntropie probabiliste.
116
Tableau 4-O Capteurs slectionns suivant les trois critres

NOM DFAUT
Baisse A (Freq Naturelle)
DESCRIPTEURS SLECTIONNS
PROBABILISTE
VARIANCE
NON-PROBABILISTE
CondDuty_UtilityOutletTemp CondDuty_UtilityOutletTemp CondDuty_UtilityOutletTemp
Hausse A (Freq Naturelle) Reactor_VesselPressure
ColumnPC_OP
ColumnPC_OP
ColumnPC_OP
ColumnPC_OP
ColumnPC_OP
ReactorTC_OP
ReactorTC_OP
ReactorTC_OP
ReactorTC_OP
Baisse Oxyde
ReactorLC_OP
ReactorLC_OP
Hausse Oxyde
CondDuty_UtilityOutletTemp CondDuty_UtilityOutletTemp ReactorLC_OP
4.3 Application de la mthodologie sur le nouveau procd OPR

Les synthses des produits chimiques ou pharmaceutiques, largement effectues dans des
racteurs discontinus ou semi-continus, sont souvent fortement limites par des contraintes
lies la dissipation de la chaleur produite par les ractions. Un nouveau concept de racteurs
d'change thermique, OPEN PLATE REACTOR (OPR) , dvelopp par ALFA LAVAL AB
permet la mise en oeuvre de ractions chimiques complexes avec une commande thermique
trs prcise [Haugwitz et al., 2004 ; Haugwitz et al., 2005].
L OPR consiste en 3 blocs avec diffrentes configurations thermiques. Le racteur OPR
est form dun nombre de plaques dans lesquelles les ractifs sont mlangs et la raction se
produit. De chaque cot de la plaque o seffectue la raction, il y a une plaque de
refroidissement, travers laquelle circule de leau froide. La Figure 4-19 montre un schma
de lOPR avec les numros des cellules de modlisation.
117
Courant principal
60
Courant inject
.
.
.
29
30
31
Block 1
61
62
59
63
.
.
.
.
.
.
33
89
32
90
Block 2
Block 3
91
OPR
Figure 4-19 Reprsentation de lOPR avec lindice des cellules de modlisation
X_MAIN reprsente la fraction molaire de chaque compos dans le fluide principal. X_INJ
celle dans le fluide secondaire appel aussi fluide inject. Attention, ces valeurs sont donnes
uniquement pour information, elles ne constituent pas des descripteurs car elles ne peuvent
pas tre mesures en-ligne sur le racteur.
Les donnes acquises pour lanalyse de lentropie et du diagnostic ont t obtenues partir
dun simulateur dvelopp en Fortran (Data Processing Tool) par Sbastien ELGUE (Alfa
Laval Vicarb). La formulation dynamique du modle mne un systme dquations
diffrentielles et algbriques (DAE). La rsolution de ce systme est obtenue au moyen dun

solveur d'quations algbriques et diffrentielles : DISCo [Elgue et al., 2004 ; Sargousse et al.,
1999].
LOPR peut-tre amplement quip de capteurs. Exprimentalement, il y a plusieurs capteurs
de temprature internes pour donner une information sur ltat actuel de la raction. Grce au
simulateur ddi, une tude exhaustive sur ces capteurs a pu tre possible. Le Tableau 4-P
montre les diffrents variables succeptibles dtre utilises comme mesure. Parmi ces
variables, seules elles qui sont facilement mesurables en ligne ont t retenues : toutes les
concentrations (12) nont t considres. De mme toutes les variables sur lesquelles ont t
effectues les perturbations nont pas t gardes puisque lidentification dune perturbation
sur ces variables devenait triviale. Ces variables sont les tempratures dalimentation (courant
principal et inject) les dbits des deux courants dalimentation, le dbit et la temprature
118
dalimentation de lutilit : soit 6 variables. Il y a donc 27 capteurs possibles qui constituent

lensemble initiel sur lequel portera la recherche.
La conception et la validation du modle de comportement pour le racteur OPR ont t
tudies sur deux ractions : la raction du thiosulfate et la raction destrification (voir la
section 2.5). Ces deux ractions prsentent deux cas extrmes, la premire est une raction
hautement exothermique tandis que, la raction destrification est trs lente et faiblement
exothermique.
Tableau 4-P Description des variables : modle OPR
NOM VARIABLE
TP_IN_1
TP_IN_2
TP_B1_1
TP_B1_2
TP_B1_3
TP_B1_4
TP_B1_5
TP_B1_10
TP_B1_15
TP_B1_20
TP_B1_27
TP_B2_1
TP_B2_5
TP_B2_10
TP_B2_15
TP_B2_20
TP_B2_27
TP_B3_1
TP_B3_5
TP_B3_10
TP_B3_15
TP_B3_20
TP_B3_27
FP_IN_1
FP_IN_2
FP_OUT
PP_IN_1
PP_IN_2
PP_OUT
FU_IN
TU_B1_IN
TU_B1_OU
TU _OUT
DESCRIPTION
temp. alim courant principal
temp. alim courant inject
temp. fluide procd bloc 1 cellule 1
dbit alimentation courant principal
dbit alimentation courant inject
dbit fluide procd en sortie
pression alimentation courant principal
pression alimentation courant inject
pression fluide procd en sortie
dbit alimentation fluide utilit
temp. alimentation fluide utilit
temp. fluide utilit sortie cellule 1
temp. sortie fluide utilit
No. DE CELLULE DE
CALCUL
1
3
3
4
5
6
7
8
17
22
29
33
37
42
47
52
59
63
67
72
77
82
89
1
3
91
1
3
91
2
2
30
90
X_MAIN_1
X_MAIN_2
X_MAIN_3
X_MAIN_4
X_MAIN_5
X_MAIN_6
X_INJ_1
X_INJ_2
X_INJ_3
X_INJ_4
X_INJ_5
X_INJ_6
fraction molaire alim. courant principal, compos 1

fraction molaire alim. courant inject, compos 1
119
1
1
1
1
1
1
3
3
3
3
3
3
4.3.1 Raction destrification

La raction destrification est une raction lente et faiblement exothermique. Pour l'acclrer,
il faut chauffer le milieu ractionnel. Dans ce cas, le fluide utilit sert de fluide de chauffage.
Il y a moins de contraintes de scurit que dans le cas de la raction du thiosulfate.
Les perturbations dans l'OPR pour la raction destrification ont t ralises partir de
variations en simulation sur les tempratures, les dbits et les compositions des diverses
variables (ractif principal, ractif inject, dbit dutilit). Au total, ce sont 16 dfauts qui ont
t appliqus au racteur (voir la Figure 4-20).
Les dfaillances dans l'OPR ont t simules sous forme de perturbations sur les tempratures
et les dbits du ractif principal (C4H8O), du ractif secondaire ou inject (C6H10O3) et sur le
systme de refroidissement (systme utilit), ainsi que sur la composition dans les ractifs
principal et secondaire.
120
0.1
0.09
0.95
0.08
X_INJ molaire secondaire

Fraction
0.05
0.85
0.04
Ractif Secondaire
0.9
Fraction
X_MAIN molaire principal
X_INJ molaire secondaire
Fraction
Fraction
X_MAIN molaire principal
0.06
0.8
0.03
0.02
0.75
0.01
0.7
1
55
109 163 217 271 325 379 433 487 541 595 649 703 757 811 865 919 973 1027 1081 1135 1189 1243 1297
b) Perturbations de composition
90
80
70
TP_IN1 C
Temp.Cfluide principal
TP_IN1
TP_IN1
Temprature
fluide principal
TP_IN2 C
60
Temp (C) / Dbit (L/h)
Ractif Principal
0.07
TP_IN2 Cfluide secondaire

TP_IN2
Temp.
Temprature
fluide secondaire
FP_IN1 L/H
FP_IN1
L/H
FP_IN1 fluide
Dbit
principal
FP_IN2 L/H
FP_IN2
L/H
FP_IN2 fluide secondaire
Dbit
FU_IN M3/H
FU_IN M3/H
Dbit fluide utilit (m3/h)
TU_B1_IN C
TU_B1_IN
C
C
Temprature
fluide utilit
50
40
30
20
10
0
1
56
111 166 221 276 331 386 441 496 551 606 661 716 771 826 881 936 991 1046 1101 1156 1211 1266 132
a) Perturbations sur le fluide utilit et sur les tempratures

Figure 4-20 Perturbations ralises sur la raction destrification
121
4.3.1.1 Slection des descripteurs : Application la raction destrification
Pour obtenir le modle de comportement, tout dabord nous avons ralis un autoapprentissage en utilisant comme base dapprentissage, les volutions de tous les descripteurs
suite aux variations de conditions opratoires. Les rsultats de cette classification sont
regroups sur la Figure 4-21. Les paramtres utiliss pour cette classification sont : un niveau
dexigence de 0.8, une variabilit maximale de 0.087, la fonction dappartenance Gauss 1 et
le connectif Min-Max.
Nous pouvons constater la cration de 46 classes ; le rsultat le plus important est que nous
avons dtect de faon stable et concise chaque dfaut survenu sur le racteur, tape pralable
lapplication du gain dinformation pour la slection des descripteurs les plus pertinents.
Le Tableau 4-Q donne les classes qui reprsentent les divers dfauts et qui ont t utilises
pour la slection des descripteurs.
Figure 4-21 Dtection des dfauts avec les 27 descripteurs : raction destrification
122
Tableau 4-Q Classes qui reprsentent les divers dfauts : raction destrification
NUMRO DE CLASSE
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
22
34
NOM DFAUT
H-TU_B1_IN
H-X_INJ
B-TU_B1_IN
B-X_INJ
H-FP_IN1
NORMAL
B-FP_IN1
H-TP_IN1
H-FU_IN
B-TP_IN1
B-FU_IN
H-FP_IN2
B-FP_IN2
H-TP_IN2
B-TP_IN2
H-X_MAIN
B-X_MAIN
Le rsultat de lauto-apprentissage est le profil des classes, lequel contient la valeur moyenne
normalise de chaque descripteur pour chaque classe qui reprsente un dfaut. A partir de ce
rsultat, le gain dinformation peut tre calcul pour chaque dfaut, en prenant comme
rfrence ltat normal. Comme prcdemment, nous avons form des paires de situations de
la faon suivante : NormalDfaut, avec la finalit de dvelopper les calculs du gain
dinformation comme ceci a t expliqu dans le chapitre prcdent.
Le Tableau 4-R donne les descripteurs slectionns aprs avoir appliqu la procdure de
slection des capteurs grce au calcul du gain dinformation. Comme prcdemment, le
critre de choix a t de prendre le descripteur avec un gain dinformation le plus lev par
rapport chaque dfaut sur le racteur (voir le Tableau 4-P pour la description des
descripteurs).
123
Tableau 4-R Descripteurs slectionns : raction destrification

PAIRE DE SITUATION
NORMAL-H-TU_B1_IN
NORMAL-H-X_INJ
NORMAL-B-TU_B1_IN
NORMAL-B-X_INJ
NORMAL-H-FP_IN1
NORMAL-B-FP_IN1
NORMAL-H-TP_IN1
NORMAL-H-FU_IN
NORMAL-B-TP_IN1
NORMAL-B-FU_IN
NORMAL-H-FP_IN2
NORMAL-B-FP_IN2
NORMAL-H-TP_IN2
NORMAL-B-TP_IN2
NORMAL-H-X_MAIN
NORMAL-B-X_MAIN
DESCRIPTEUR SLECTIONN
TP_B2_5
TP_B2_5
TU_B1_OU
TP_B2_10
PP_OUT
FP_OUT
TP_B1_2
TP_B1_3
TP_B1_1
TP_B1_3
PP_OUT
FP_OUT
TP_B1_3
TP_B1_1
FP_OUT
PP_OUT
DESCRIPTION
Dans ce tableau nous pouvons constater la prsence de 8 descripteurs diffrents.

Sans revenir sur chacun des choix, essayons den dgager les grandes caractristiques. Cinq
des 8 descripteurs sont des mesures de temprature du fluide procd le long du racteur.
Puisquil ny a pas de mesure en ligne des concentrations, la source dinformation sur un
changement du fonctionnement du racteur reste le profil de temprature le long du racteur.
Ces points de mesure slectionns sont positionns la sortie des premires cellules du
premier bloc (les 3 premires cellules) et deux cellules du bloc 2. La localisation de ces points
dans le racteur correspond bien aux points o la raction chimique est la plus intense, cest-dire o la vitesse de la raction est maximale. La temprature du fluide utilit en sortie du
premier bloc sera une variable affecte par une modification de la temprature de ce mme
fluide lalimentation. Un dfaut sur la quantit produite sera perceptible sur les variables
comme la pression fluide procd ou le dbit du fluide procd en sortie. Cette quantit peut
tre altre suite une modification des dbits lalimentation (fluide inject ou fluide
principal, ou une variation de la concentration du ractif principal).
La section suivante est consacre au dveloppement du modle de comportement en utilisant
seulement ces descripteurs slectionns.
124
4.3.1.2 Conception du modle de comportement pour la raction destrification
Le modle de comportement doit renfermer les classes qui dfinissent les dfauts, ainsi que,
les situations dalarmes de telle sorte quil permette danticiper la dtection des dfauts. Sur la
Figure 4-22a, on montre le rsultat didentification des dfauts et des alarmes avec les 8
descripteurs slectionns. Il y a cration de 47 classes cause de la valeur trs petite de la
variabilit maximale (0.087). Les autres paramtres utiliss pour cette classification sont les
suivants : un niveau dexigence de 0.8, la fonction dappartenance Gauss 1 et le connectif
Min-Max. Le modle de comportement rsultant pour cette raction est donn dans le Tableau
4-S avec le nom du dfaut, lensemble des classes qui composent ltat du procd et le
numro de ltat. Dans la colonne des classes, outre les diffrentes classes regroupes,
figurent les ventuels pr-dfaut et post-dfaut. Ils reprsentent les tats dalarme avant et
aprs que le dfaut se soit tabli. Par exemple, dans le dfaut baisse du dbit dalimentation
du fluide dutilit (FU_IN) la classe 12 correspond ce dfaut stabilis, et il ny a pas de
pr-dfaut ni de post-dfaut. Le dfaut hausse de temprature de lalimentation de fluide
utilit est reprsent par la classe 2, tandis que, les classes 17, 34, 45 sont des alarmes de
pr-dfaillance, et les classes 18 et 45 correspondent la rcupration du procd vers ltat
normal, partir de ce dfaut. La cration des tats 17 (TP_IN) et 18 (TP_IN) a t effectue
pour rendre compte dun mme phnomne hausse ou baisse de la temprature affectant le
fluide principal ou le fluide inject. Sur la Figure 4-22a, on observe que les classes 28 et 25
correspondent au dbut du dfaut (pr-dfaut) hausse de la temprature du fluide principal
et au pr-dfaut hausse de la temprature du fluide inject , mais aussi la remonte de la
temprature lors du retour lopration normale depuis une baisse de la temprature du fluide
principal ou du fluide inject (post-dfaut). Dans ce cas, il nous est apparu cohrent de
regrouper ces classes comme ltat d alarme de hausse de la temprature du fluide
dalimentation (soit principal ou inject) (TP_IN). La situation est similaire pour les classes
42 et 46. Dans ce dernier cas, nous pouvons dfinir ces classes comme ltat dalarme de
baisse de la temprature du fluide dalimentation (soit principal ou inject) (TP_IN).
En prenant comme base le modle du Tableau 4-S , on peut construire le modle dtats
fonctionnels comme le montre la Figure 4-22b. Nous pouvons constater la cration de 19 tats
fonctionnels. Par exemple, ltat numro 1 correspond lopration Normale et le dfaut
baisse du fluide utilit (FU_IN) correspond ltat numro 11.
125
Tableau 4-S Modle de comportement de la raction destrification
1
2
DFAUT
NORMAL
FU_IN
FU_IN
TU_B1_IN
TU_B1_IN
FP_IN_1
FP_IN_1
TP_IN_1
TP_IN_1
FP_IN_2
10
11
12
13
14
15
FP_IN_2
TP_IN_2
TP_IN_2
X_MAIN
X_MAIN
X_INJ
16
X_INJ
Tendance TP_IN
Tendance TP_IN
CLASSES
1, 9, 44
7
12
2
Alarme : 17, 34, 45 - Retour : 45, 18
4
Alarme : 19, 36 - Retour : 30
6
Alarme : 40 - Retour : 38
8
Alarme : 31
10
Alarme : 18
11
13
Alarme : 26 - Retour : 21
14
15
16
32
23
5
3
Transitoire : 41
Transitoire : 25, 28
Transitoire : 42, 46
b)
TAT
1
7
11
2
4
6
8
9
10
12
13
14
15
19
16
5
3
17
18
126
a)
Figure 4-22 Identification de dfauts et dalarmes avec les 8 descripteurs : raction destrification
4.3.1.3 Reconnaissances de dfauts inconnus : Application la raction destrification
La validation de cette mthodologie a t effectue dans le cadre du projet ICSI, en

collaboration avec lquipe Procds de la Chimie Fine du LGC et elle sest voulue
raliste, cest--dire correspondre la reconnaissance a priori par loprateur des dfaillances
survenant sur le procd. Pour faire la reconnaissance en utilisant le modle construit dans la
section prcdente, un fichier de donnes acquises partir de la simulation de scnarii
effectue sur le simulateur de racteur nous a t fourni sans prciser le type de perturbation
effectu ni sil y avait existence de dfauts simultans. Le seul renseignement tait le nombre
de perturbations (5) et leur date :
Perturbation
Dbut
Fin
Perturbation 1
10
50
Perturbation 2
90
130
Perturbation 3
170
210
Perturbation 4
250
290
Perturbation 5
330
370
127
Sur la Figure 4-23a nous pouvons visualiser la reconnaissance des dfauts inconnus en
utilisant le modle de comportement. Les paramtres utiliss pour cette phase de
reconnaissance sont : un degr dexigence plus faible (0.57) que celui utilis pour la
construction du modle, afin dtre moins strict et ainsi assigner le dfaut une classe. Avec
laide du tableau donnant les tats du modle de comportement, nous pouvons dcrypter ce
qui sest pass dans le racteur. Les classes 19 et 36 reprsentent des alarmes de prdfaillance correspondant un dbut de baisse de la temprature du fluide utilit
(TU_B1_IN) (voir le Tableau 4-P).
b)
a)
Figure 4-23 Classification de dfauts inconnus : raction destrification
128
La Figure 4-23b prsente les rsultats de lidentification des tats fonctionnels. On peut y
noter la cration de la classe zro (correspondant des lments non reconnus), ainsi que les
autres tats fonctionnels.
Nous pouvons remarquer que les perturbations 2 et 3 ne sont pas identifies. En ce qui
concerne la quatrime perturbation, lamplitude de cette perturbation tant trs faible les
lments ont t assigns la classe normale.
Connaissant les perturbations qui ont t appliques, essayons de dgager quelques
conclusions. La premire perturbation a t effectue sur la fraction massique de 2-butanol
(ractif inject) qui est passe de 0.994 0.991. Cette perturbation est bien reconnue. La
deuxime perturbation concerne une faible variation sur la temprature dalimentation de
lutilit dans le bloc 1 (TU_B1_IN) qui passe de 70C 65C. Cette baisse na pas pu tre
identifie lors de la phase de reconnaissance. La perturbation 4 concerne la baisse du fluide
utilit (FU_IN) qui passe de 3 2 m3/h. Cette variation est l aussi trop faible pour tre
dtecte : la raction tant trs faiblement exothermique, limpact dune telle variation na que
peu dincidence sur la raction, cest pour cela que ltat identifi est ltat normal. Les
perturbations 3 et 5 sont des dfauts simultans et donc jamais prsents dans la base
dapprentissage lors de la phase de conception du modle de comportement. La pertubation 3
correspond en ralit une hausse du dbit du ractif inject (FP_IN_2) et en mme temps
dune baisse de la fraction massique de 2-butanol avec la mme amplitude que pour la
perturbation 1. Ces deux changements de conditions opratoires vont dans un sens oppos et
donc leurs effets sannulent : on alimente plus mais plus dilu. La dernire perturbation
correspond aux dfauts simultans baisse de la temprature dutilit et baisse du dbit de
fluide utilit (TU_B1_IN et FU_IN) mais lamplitude de la variation sur la temprature
de lutilit est deux fois plus importante (de 70C 60C) ; celle sur le dbit restant inchange
par rapport la perturbation 4. Dans ce cas, ltat reconnu est celui correspondant la
dfaillance sur la temprature de lutilit ; les deux effets des perturbations tant dans ce cas
dans le mme sens (un dfaut de chauffage). On voit donc que, lorsque la variation sur la
temprature est assez importante et du mme ordre de grandeur que celle du scnario utilis
pour construire le modle de comportement, le systme peut le reconnatre.
On peut noter que malgr un chec, grce au modle de comportement on a pu identifier la
plupart des dfauts et que dans le cas de dfauts simultans, il a t possible didentifier au
moins lun des deux. Dans lexemple suivant, nous montrons comment le modle peut tre
modifi lorsque de nouveaux tats ne sont pas reconnus (en particulier les dfauts simultans).
129
4.3.2 Raction du thiosulfate

La raction du thiosulfate est une raction trs rapide et fortement exothermique. Elle
ncessite un refroidissement permanent par un fluide utilit (de leau). La forte exothermicit
entrane de nombreuses contraintes de scurit.
Les dfaillances dans l'OPR pour la raction du thiosulfate ont t simules sous forme de
perturbations sur les mmes variables que dans lexemple prcdent : tempratures et les
dbits du ractif principal (Na2S203), du ractif secondaire ou inject (H2O2) et sur le systme
de refroidissement (systme utilit), ainsi que sur la composition dans les ractifs principal et
secondaire, mais les amplitudes des variations sont plus importantes. La diffrence majeure
avec la raction prcdente cest qu il y a arrt total du fluide utilit. Au total ce sont 17
dfauts qui ont t appliqus au racteur (la dernire perturbation entre 20800 et 21400
seconds correspond un arrt total du fluide utilit) (voir la Figure 4-24).
Les ractions sont mises en uvre avec un excs de H2SO4 (ractif principal), lequel est
dabord introduit dans le racteur avec un dbit fix 40 l/h. Quand ltat stable est atteint, le
ractif secondaire NaOH est inject raison de 10 l/h.
Variations des conditions opratoires
Temperature fluide principal
60
0.16
Temperature fluide secondaire

Dbit fluide principal (L/h)
Dbit fluide secondaire (L/h)
Dbit fluide utilit (m3/h)
50
Temperature fluide utilit

0.12
Fraction molaire Thio fluide principal

Fraction molaire H2O2 fluide secondaire
Arrt total
30
0.08
du fluide
utilit
20
0.04
10
0
0
5000
10000
15000
20000
Temps (s)
Figure 4-24 Variations des conditions opratoires : raction du thiosulfate
0
25000
Fraction molaire
Temperature / Dbit
40
130
4.3.2.1 Slection des descripteurs : Application la raction du thiosulfate mise en

uvre dans le racteur Open Plate Reactor
Comme premire tape de la conception du modle de comportement, nous avons effectu un

auto-apprentissage partir de la base dapprentissage constitue de toutes les volutions des
descripteurs lors des variations des conditions opratoires. Le but de cet auto-apprentissage
est dobtenir une classification stable de chaque dfaut simul, pour avoir un profil de classes
bien dfinies. La Figure 4-25, donne le rsultat de cette classification. Les paramtres utiliss
pour cette classification sont : un niveau dexigence de 0.6, une variabilit maximale de 0.1, la
fonction dappartenance Gauss 1 et le connectif Max-Min.
Nous pouvons constater la cration de 55 classes ; le rsultat le plus important cest que nous
avons dtect de faon stable et concise chaque dfaut sur le racteur.
Le Tableau 4-T donne les classes obtenues partir de la base dapprentissage constitue des
variations de tous les descripteurs (27) suite aux variations des conditions opratoires.
Figure 4-25 Dtection de dfauts avec 27 descripteurs : raction du thiosulfate
131
Tableau 4-T Dfauts reprsents par les classes

NUMRO DE CLASSE
1
2
4
5
6
7
8
9
10
11
12
13
15
17
18
23
34
37
NOM DFAUT
NORMAL
Baisse Dbit_Utilit
Hausse Dbit_Utilit
Baisse Temp_Utilit
Hausse Fracc_Mol_Second
Hausse Temp_Utilit
Baisse Dbit_Principal
Hausse Fracc_Mol_Principal
Hausse Dbit_Principal
Baisse Fracc_Mol_Principal
Baisse Temp_Principal
Hausse Temp_Principal
Baisse Dbit_Second
Hausse Dbit_Second
Hausse Temp_Second
Arret utilit
Baisse Temp_second
Baisse Fracc_Mol_Second
Le rsultat de lauto-apprentissage est le profil de classes, lequel contient la valeur moyenne

normalise de chaque descripteur pour la classe qui reprsente le dfaut. A partir de ce
rsultat nous pouvons calculer lentropie pour chaque dfaut, en prenant comme rfrence
ltat normal. C'est--dire, nous avons form les paires de situations de la faon suivante :
Normal Dfaut, avec la finalit de dvelopper les calculs de lentropie comme nous lavons
fait dans la section 4.2.2 de ce chapitre.

Le Tableau 4-U prsente les descripteurs slectionns aprs avoir raliser les calculs du gain
dinformation. Le critre de choix a t de prendre le descripteur avec un gain dinformation
le plus grand par rapport chaque situation.
Dans ce tableau, nous pouvons constater quil y a 9 descripteurs diffrents (voir le Tableau
4-P pour la description de chaque descripteur).
On retrouve comme prcdemment principalement des capteurs de temprature dans les deux
premiers blocs. La raction est cette fois-ci trs exothermique et comme il ny a pas de
rgulation de temprature au sein du racteur, lvolution des tempratures le long des blocs
est porteuse dinformation : plus la raction est rapide plus il y a production de chaleur, plus il
y a chauffement du fluide procd (puisque la temprature augmente et que le dbit de fluide
utilit reste inchang, plus la raction sacclre). Donc le fait de trouver des mesures de
temprature du fluide procd en sortie des blocs 1 et 2, en plus des tempratures dans les
premires cellules est cohrent avec ce phnomne dexothermicit. On remarque que le
profil de temprature dans le premier bloc contient lui tout seul beaucoup : 4 sur 9 au total.
132
La section suivante est consacre la construction du modle de comportement en utilisant

seulement ces descripteurs slectionns.
Tableau 4-U Descripteurs slectionns : raction du thiosulfate

PAIRE DE SITUATION
Normal - Baisse Dbit_Utilit
Normal - Hausse Dbit_Utilit
Normal - Baisse Temp_Utilit
Normal - Hausse Fracc_Mol_Second
Normal - Hausse Temp_Utilit
Normal - Baisse Dbit_Principal
Normal - Hausse Fracc_Mol_Principal
Normal - Hausse Dbit_Principal
Normal - Baisse Fracc_Mol_Principal
Normal - Baisse Temp_Principal
Normal - Hausse Temp_Principal
Normal - Baisse Dbit_Second
Normal - Hausse Dbit_Second
Normal - Hausse Temp_Second
Normal - Arret utilit
Normal - Baisse Temp_second
Normal - Baisse Fracc_Mol_Second
DESCRIPTEUR SLECTIONN
TP_B2_10
TP_B2_10
TU_B1_OU
TP_B1_10
TP_B2_20
FP_OUT
TP_B1_10
PP_OUT
TP_B1_10
TP_B1_1
TP_B1_4
TP_B1_10
TP_B1_10
TP_B1_5
TP_B1_4
TP_B1_10
TP_B1_5
DESCRIPTION
4.3.2.2 Conception du modle de comportement : Application la raction du

thiosulfate mise en oeuvre dans le racteur Open Plate Reactor
Le modle de comportement doit comprendre les classes qui dfinissent les dfauts, ainsi que,
les situations dalarmes de telle sorte quil soit capable danticiper la dtection des dfauts. La
Figure 4-26 montre le rsultat didentification des dfauts et des alarmes avec 9
descripteurs pour lexemple de la raction du thiosulfate. Il y a cration dun grand nombre de
classes (61 au total) cause de la valeur trs petite de la variabilit maximale (0.07). Une
valeur suprieure de ce paramtre na pas permis de trouver les classes que correspondent aux
alarmes des dfauts. Les autres paramtres utiliss pour cette classification sont : un niveau
dexigence de 0.51, la fonction dappartenance Gauss 1 et le connectif Max-Min.
Le Tableau 4-V donne le modle de comportement du racteur lors de la mise en oeuvre de la
raction du thiosulfate. Dans ce tableau, nous avons report le nom du dfaut, lensemble des
classes qui composent ltat du procd et le numro de ltat. Pour chaque classe lie un
dfaut, nous avons fait figurer un pr-dfaut et un post-dfaut (alarme et retour,
respectivement); ils reprsentent les tats dalarme avant et aprs respectivement, que le
dfaut se soit manifest. Par exemple pour le dfaut baisse du dbit dalimentation du fluide
utilit (FU_IN) la classe 2 correspond la dfaillance lorsquelle est parfaitement tablie,
133
tandis que, la classe 39 correspond lapparition de ce dfaut, et les classes 19 et 55

correspondent la rcupration du procd vers ltat normal, partir de ce dfaut tabli. Une
autre particularit dans ce modle est lexistence de ltat numro 16 qui reprsente une
rcupration du dfaut Baisse de fluide utilit (B-POST-FU) et est forme par les classes
19 et 55.
Figure 4-26 Identification de dfauts et alarmes avec 9 descripteurs : raction du thiosulfate
Tableau 4-V Modle de comportement de la raction du thiosulfate

DFAUT
CLASSES
TAT
NORMAL
5, 20, 48
FU_IN
FU_IN
TU_B1_IN
TU_B1_IN
2
Pr-dfaut : 39, Post-dfaut : 19, 55
34
Pr-dfaut 22 : Post-dfaut : 22
4
Pr-dfaut : 40 Post-dfaut : 40
3
1
17
3
2
134
DFAUT
CLASSES
7
Pr-dfaut : 24
9
Pr-dfaut : 26, 47
11
12
14
Pr-dfaut : 45
15
52
Pr-dfaut : 30
16
Pr-dfaut : 41
TAT
FP_IN_1
FP_IN_1
TP_IN_1
TP_IN_1
FP_IN_2
10
FP_IN_2
11
TP_IN_2
12
TP_IN_2
13
X_MAIN
14
X_MAIN
37
Pr-dfaut : 10, 42 Post-dfaut : 42
15
X_INJ
54
19
16
X_INJ
18
Pr-dfaut :17, 31, 49 Post-dfaut : 32
15
19, 55
16
17 Arrt FU_IN
B-POST-FU
6
8
10
11
12
13
18
14
En prenant comme base le modle donn dans le Tableau 4-V, on peut reprsenter les tats
fonctionnels du racteur (raction du thiosulfate) et obtenir la Figure 4-27. Nous pouvons
constater la cration de 19 tats fonctionnels. A gauche de la figure se trouve la liste des tats
existants. Par exemple, ltat numro 1 correspond au dfaut 1 (DF1), en regardant le Tableau
4-V ce dfaut correspond la baisse du fluide utilit (FU_IN) et ltat numro 4 correspond
lopration normale du racteur.
135
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
Figure 4-27 Reprsentation des tats fonctionnels du racteur: raction du thiosulfate
4.3.2.3 Reconnaissances de dfauts inconnus : Application la raction du thiosulfate
Comme prcdemment, la validation de cette mthodologie a t effectue en ralisant une

reconnaissance en utilisant le modle construit dans la section prcdente sur des donnes de
simulation de scnarii, qui nous ont t fournies sans prciser le type de perturbation effectue
ni sil y avait existence de dfauts simultans. Le seul renseignement tait le nombre de
perturbations et leur date :
Perturbation
Dbut
Fin
Perturbation 1
15
75
Perturbation 2
135
195
Perturbation 3
255
315
Perturbation 4
375
435
Perturbation 5
495
555
Perturbation 6
615
675
La Figure 4-28 permet de visualiser les rsultats obtenus lors de la phase de reconnaissance de
ces dfauts non connus au pralable en utilisant le modle de comportement de la raction du
thiosulfate. Avec laide du tableau du modle, nous pouvons dcrypter ce qui sest pass dans
136
le racteur. Par exemple, la classe 8 correspond une hausse de la composition du ractif

principal. La classe 39 reprsente une alarme de pr-dfaillance de baisse du dbit dutilit.
Cest un cas similaire pour la classe 58 qui correspond lalarme de pr-dfaillance de hausse
de la temprature du fluide utilit, mais dans ce cas, il existe un problme de reconnaissance
car la mme classe est prsente au dbut de la classification. En revanche, la perturbation
numro 5 est assigne la classe 61, laquelle est une classe inexistante dans le modle. Ce
peut tre un nouveau dfaut non pris en compte pour la conception du modle ou une
simultanit de dfauts.
Figure 4-28 Classification des dfauts inconnus : raction du thiosulfate
Reprenons maintenant les dfaillances qui ont t rellement simules.

Perturbation 1 : Dbit dutilit de 0.916 m3/h 0.3 (FU_IN)
Perturbation 2 : Fraction massique du thiosulfate de 0.0137 0.017 (X_MAIN)
Perturbation 3 : Temprature de lutilit de 13.37 15C (TU_B1_IN)
Perturbation 4 : Dfauts simultans : hausse de la fraction massique du thiosulfate de 0.0137
0.0175 et baisse du dbit dutilit de 0.916 m3/h 0.3 (X_MAIN + FU_IN).
Perturbation 5 : Dfauts simultans : hausse de la fraction massique du thiosulfate de 0.0137
0.0165 et baisse du dbit dutilit de 0.916 m3/h 1.5 (X_MAIN + FU_IN).
Perturbation 6 : 3 dfauts simultans : hausse de la fraction massique du thiosulfate de 0.0137
0.0165 et baisse du dbit dutilit de 0.916 m3/h 0.6 et hausse de la temprature
de lutilit de 13.37 14.8C (X_MAIN + FU_IN + TU_B1_IN).
137
Il y a donc 3 dfaillances qui sont bien reconnues, celles correspondant aux perturbations 1, 2
et 3. Dans les cas 1 et 3, on a trouv 2 alarmes puisque dans les deux perturbations, les
variations du dbit dutilit et de la temprature de lutilit sont plus petites que celles
prsentes lors de la conception du modle et ont donc t assimiles des pr-dfauts.
Dans le cas de dfaillances simultanes, seule une des dfaillances est reconnue : la baisse du
dbit dutilit dans le cas n4 et la hausse de la temprature de lutilit dans le cas n6. La
perturbation n5 nest pas identifie comme tant un tat de dfaillance : les effets conjugus
des 2 perturbations sannulent : on alimente avec un ractif plus concentr mais on refroidit
plus ce qui correspond bien une opration dite normale (par exemple sil y avait un
rgulateur pour maintenir la temprature en sortie du bloc 1, face une augmentation de la
fraction massique dun ractif, il augmenterait le dbit dutilit).
Sur la Figure 4-29, on prsente le rsultat de lidentification des tats fonctionnels. Ici on peut
remarquer ltat zro correspondant la classe zro ou classe NIC (non reconnue), ainsi que
les autres tats fonctionnels.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
Figure 4-29 Identifications des tats fonctionnels : raction du thiosulfate
138
4.4 Conclusions
Nous avons dvelopp une mthodologie gnrique, qui permet au final de dterminer le
nombre de capteurs pertinents et leur emplacement partir du rsultat dune classification
effectue en utilisant tous les descripteurs possibles.
La technique de classification utilise est la technique de classification floue LAMDA, mais
tant autre technique aurait pu tre choisie du moment quelle fournit un profil de classes sur
lequel peut sappuyer la procdure de calcul de la quantit dinformation (bas sur lentropie)
que fournit tout descripteur.
Pour la cration du modle de comportement du procd de production de glycol simul sur
HYSYS, nous avons fait la simulation de diverses perturbations avec des drives
(changements lents) jusqu la valeur maximale permise de telle sorte que, la situation du
procd soit rcuprable vers un tat de fonctionnement. Nous avons modlis les divers tats
fonctionnels du procd par rapport chaque dfaut, et nous avons dtect de faon
satisfaisante les diffrents tats de fonctionnement (dfauts avec drives et amplitudes
diffrentes que celles utilises lors de la phase de conception du modle de comportement).
En revanche, il na pas t possible de reconnatre les dfauts simultans. Nanmoins, nous
avons montr quil tait possible de refaire un apprentissage et daffecter un nouvel tat
cette situation non prsente dans la base dapprentissage initiale.
En ce qui concerne le racteur OPR, nous avons montr les rsultats obtenus avec 2 ractions
chimiques diffrentes : une raction destrification qui est une raction faiblement
exothermique et la raction du thiosulfate, laquelle est une raction trs exothermique. Pour
concevoir le modle de comportement, nous avons initialement simul des perturbations de
type changement brusque. cause de cela, nous navons pas pu reconnatre quelques dfauts
de trs faibles amplitudes lors de la phase de reconnaissance. De mme, il a t parfois
difficile de reconnatre des dfauts simultans non prsents dans la base dapprentissage
initiale.
5. CONCLUSIONS ET PERSPECTIVES
Le rsultat le plus important dans ce mmoire de thse, est que lon dispose maintenant des
outils gnriques qui permettent de localiser lemplacement des capteurs qui vont permettre
de caractriser les diffrents dfauts ou tats de fonctionnement dun procd et didentifier
correctement ces dfauts en ligne, ces capteurs tant des capteurs de mesure facilement
disponible sur un procd (temprature, pression, dbits, pourcentage douverture de vanne).
Nous avons dvelopp une mthode de placement de capteurs qui permet la redondance
matrielle tout en permettant de rduire les cots dans la conception dune unit industrielle.
Cette mthodologie sappuie sur le concept de gain dinformation qui est bas sur lentropie
de SHANNON qui permet deffectuer la discrimination entre plusieurs situations et qui a t
utilise dans diverses approches comme la planification exprimentale. Comme le montrent
les rsultats dans le cas du modle de la production de glycol construit sur le simulateur
HYSYS, grce aux mesures de signaux facilement disponibles (tempratures, pression, dbit,
pourcentage douverture de vanne), il a t possible de dtecter des dfauts soit dans
lalimentation du procd chimique soit dans une des units (racteur), avec un nombre rduit
de descripteurs slectionns. Ces dfauts ont une incidence sur la qualit des composs
produits en sortie de linstallation. La dtection de ces dfauts de qualit a t effectue sans
avoir recours un capteur de composition (indisponible en pratique la plupart du temps) mais
en tenant compte dune mesure dune temprature dans un section correctement identifi de la
colonne de rectification. Cette information, si elle est correctement traite permet donc de
remonter la source du dysfonctionnement : dfaut sur lalimentation principale de
linstallation ou dfaut sur le racteur. Dans ce cas prcis, la position des capteurs
lintrieur de la colonne (choix des plateaux sur lesquels positionner les capteurs de
temprature) est importante pour maximiser linformation et donc amliorer ou tout
Conclusions et perspectives
140
simplement permettre ultrieurement le diagnostic. Ce que lon peut aussi mettre en exergue
cest lapport, en terme de richesse dinformation, des variables de commande par rapport aux
variables rgules qui, si les rgulateurs fonctionnent correctement restent toujours dans une
marge relativement proche des consignes. Il est intressant de noter que cette mesure de
discrimination a bien montr que les variables rgules des divers rgulateurs ne sont pas
porteuses dinformation pertinente sur le procd et quil vaut mieux suivre lvolution des
variables manipules ou des autres variables dites libres qui portent elles beaucoup plus
dinformation indirecte sur la dfaillance.
La validation de cette mthodologie sest effectue grce la classification en phase de
reconnaissance de dfauts inconnus ; phase de reconnaissance en ligne dans le cas du
procd de production de propylne glycol simul sur HYSYS grce au dveloppement dune
interface de communication entre loutil de diagnostic SALSA et HYSYS. Il en est ressorti
que grce la possibilit sous HYSYS de simuler des dfaillances de manire graduelle, le
systme de diagnostic, au travers du modle de comportement, a pu ensuite dtecter les
alarmes de dfauts (pr-dfauts), ce qui est trs important pour la scurit et pour la
rcupration rapide du procd vers un tat dopration normale, et ainsi viter les dommages
sur le produit et lunit elle-mme.
Concernant les rsultats obtenus pour le racteur OPR , cause du type de dfaillances
appliques (trs abruptes), on na pas pu compltement dtecter les diverses alarmes de
dfaillances. Le rsultat le plus important est que le systme de diagnostic a t capable de
dtecter les dfauts de composition en utilisant seulement 8 des 27 descripteurs disponibles
sur le racteur sans avoir recours une mesure directe de la composition et ce malgr la
faiblesse de cette dfaillance. La validation sur lunit pilote installe au Laboratoire de Gnie
Chimique est une des phases suivantes du projet ICSI.
Aussi bien la mthode de placement de capteurs que la mthode de diagnostic ont besoin de
dfaillances tudies pralablement sur le procd, celles-ci peuvent tre gnres soit
-
laide de simulation et alors la stratgie de placement de capteurs peut tre

incre comme une tape particulire de la procdure de conception dune
unit de production. Lagrgation de dfaillances est facile, par contre, rien
ne permet dassurer lexhaustivit de la connaissance du comportement du
processus.
141
partir dhistoriques de dfaillances et alors la mthodologie de placement

de capteur peut tre utilise comme un moyen de synthtiser linformation
donner loprateur (ne donner que linformation essentielle)
Quel que soit le domaine dapplication, il est clair quil est impossible denvisager que toutes
les dfaillances aient t tudies de manire exhaustive. Il aurait fallu par exemple faire
lanalyse dautres dfaillances comme celles affectant les actionneurs vannes, pompes,
agitateurs ou de dfauts intermittents pouvant simuler par exemple la dfaillance dune vanne
de rgulation. Nous avons montr quil tait possible dadapter le modle de comportement
au fur et mesure de la prsentation de nouvelles observations, de nouvelles situations. On
peut imaginer aussi quun retour sur la simulation puisse permettre une nouvelle application
de la mthodologie de placement de capteurs et la conception dun nouveau modle de
comportement en ligne pour le diagnostic et donc linstallation de nouveaux capteurs (lorsque
cela est possible sur une installation existante) : cette phase de maintenance des fins de
diagnostic pourrait tre intgre dans la vie du processus.
La dtection de dfauts inconnus (assignation la classe NIC pendant la reconnaissance en
ligne) a t dmontre dans certains cas. En revanche, il est arriv quil ne soit pas possible de
dtecter un nouveau dfaut : la non-dtection de dfauts (confondre la dfaillance avec

lopration normale du processus) est un problme grave puisque ceci peut affecter la scurit
de lenvironnement (oprateur, unit, produit). Un autre problme qui peut se prsenter
pendant la reconnaissance de dfauts en ligne, cest de confondre un dfaut avec un autre, et
de ne pas identifier limportance de la nouvelle dfaillance. Ces problmes nous conduisent
la question suivante :
Est-il possible de concevoir une technique pour indiquer les capteurs ou descripteurs
manquants dans un procd pour en faire le diagnostic et la supervision ?
Pour permettre lapplication de cette technique de manire plus gnrale, nous proposons
comme futurs travaux de dvelopper une mthodologie qui permette au final :
-
dextraire des informations plus pertinentes que la valeur brute du signal : pente,
pics, tendances, frquences, suivant les caractristiques recherches (dfaillance
de capteur, drives, )
de slectionner des informations de type qualitative qui seraient donnes de

manire spcifique par loprateur.
142
Pour ce faire, il est important de pouvoir juger de la validation de la classification obtenue

grce linterprtation des classes obtenues. Ltablissement de critres gomtriques ou
autres sur la distribution des classes devrait permettre de mieux savoir quelle technique de
classification ou algorithme utiliser (dans ce travail nous avons utilis la fonction
binomiale pour faire la classification de dfauts sur lexemple simul avec HYSYS et
gauss dans le cas du racteur OPR ) et ainsi aider lexpert pendant la phase de
conception du modle de comportement.
Concernant ce modle de comportement, des travaux sont actuellement mens dans le cadre
du projet ICSI en collaboration avec Mme Irne Gaillard (matre de Confrences lIPST,
effectuant sa recherche au CERTOP (Centre dEtudes et de Recherches Travail,
Organisation et Pouvoir , spcialiste dergonomie du travail). Lobjectif est tout dabord
dvaluer lapport dun tel outil pour les oprateurs lors de la surveillance dunits de
production complexes mais aussi dextraire des expriences (qui devraient tre menes sur un
panel doprateurs) des caractristiques nouvelles quun outil de diagnostic de ce type
devraient fournir.
De manire gnrale, on peut dire quil existe encore de travaux mener dans le domaine du
diagnostic des procds complexes. En effet, un systme de diagnostic dans labsolu devrait
pourvoir accepter et mler des informations de type mesures comme ctait le cas dans ce
travail mais aussi issues de la connaissance de la physique des phnomnes mis en jeu
(rsidus gnrs grce des simulations dynamiques en ligne des processus) et/ou de
macro-connaissance de type qualitative construite partir dune modlisation simple du
procd.
RFRENCES
[ATSDR] Agency for Toxic
http://www.atsdr.cdc.gov/
Substances
and
Disease
Registry
disponible
sur:
[Aguilar-Martin et al., 1999] Aguilar-Martin J., Waissman-Vilanova, J., Sarrate-Estruch, R.,

et Dahou, B. Knowledge based measurement fusion in bio-reactors, IEEE EMTECH,
1999.
[Aguilar-Martin, 1980] Aguilar-Martin J., Balssa M., R.D.M. Estimation rcursive dune
partition. Exemple dapprentissage et auto-apprentissage dans R. Technical Report No.
880139, LAAS-CNRS, 1980.
[Anderberg, 1973] Anderberg, M. R., Cluster Analysis for Applications. Academic Press,
Inc., New York, NY., 1973.
[Bailey, 1984] Bailey, S. J., From desktop to plant floor, a CRT is the control operators
window on the process. Control Engineering, vol. 31, no. 6, pp. 86-90, 1984.
[Ball et al., 1965] Ball, G. H., D. J., ISODATA, a novel method of data analysis and
classification. Technical report Stanford University, Stanford, CA., 1965.
[Basseville, 1987] Basseville, M., Benveniste A., Moustakides G. V., et Rouge A., Optimal
Sensor Location for detecting Changes in Dynamical Behavior. IEEE Transactions on
automatic control, vol. AC-32, no. 12, dcembre 1987.
[Benuzzi et al, 1991] Benuzzi A., Zaldivar J.M., Safety of chemical batch reactors and
storage tanks. Eds Kluwer Academic Publishers, Dordrecht and Norwell, Massachusetts,
pp. 439, 1991.
144
Rfrences
[Bezdek, 1981] Bezdek J. C. Pattern recognition with fuzzy objective function algorithms,
Plenum Press, New York, 1981.
[BLS, 1998] Bureau of Labor Statistics. Occupational injuries and illnesses in the united
states by industriy. Washington, DC: Government Printing Office, 1998.
[Chan et al., 1989] Chan, M., Aguilar-Martin J., J. Carret, N., Celsis, P., et Vergnes, J. M.,
Classification techniques for feature extraction in low resolution tomographic evolutives
images :application to cerebral blood flow estimation. In 12th Conf. GRESTI, 1989.
[CHEM] Projet CHEM disponible sur : http://www.chem-dss.org/
[De Luca et al., 1972] De Luca, A., Termini, S., A definition of a nonprobabilistic entropy in
the setting of fuzzy sets theory. Inform. Contr. 20 (4), pp. 301-312, 1972.
[Devatine et al., 2003] Devatine A., Prat L., Cognet P., Cabassud Michel, Gourdon C.,
Chopard F., Process Intensification, performances evaluation of a new concept Open
Plate Reactor ECCE 4, 21-25, Granada, Spain, sept. 2003.
[Diday, 1973] Diday, E. The dynamic cluster method in non-hierarchical clustering. J.
Comput. Inf. Sci. 2, pp. 61-88, 1973.
[Dochain et al., 1996] Dochain D., Tali- Maamar, Babary J. P., influence of the sensor
location on the practical observability of a fixed-bed bioreactor, Proc. 13th IFAC World
congress, San Francisco, CA, pp. 491-496, 1996.
[Dochain et al., 2001] Dochain Denis et al., Automatique des Bio procds. Hermes sciences
publications 2001.
[Dubes, 1987] Dubes, R. C.. How many clusters are best ? an experiment. Pattern
Recognition, vol. 20, no. 6, pp. 645-663, novembre 1987.
[Dunn, 1973] Dunn J. C.. A fuzzy Relative of the ISODATA process and its use in detecting
compact well-separated clusters, Journal of cybernetics, vol. 3, pp. 32-57, 1973.
[Elgue et al., 2004] Elgue S., Devatine A., Prat L., Cognet P., Cabassud M., Gourdon C.,
Chopard, F., Dynamic simulation of a novel intensified reactor, Escape 14, Lisbonne,
16-19 mai, 2004.
Rfrences
145
[Fernandez, 2002] Fernandez Pellon-Zambrano, R., Desarrollo de algoritmos para la

clasificacin de secuencias, tesis de maestra, Universidad de las Amricas, Puebla
(UDLAP), 2002.
[Frank et al., 2000] Frank P. M., Ding S. X., et Marcu T., Model-Based fault diagnosis in
technical process. Transactions of the Institution of Measurement and Control, vol. 22
no. 1, pp. 57-101. 2000.
[Galvan et al., 1996] Galvan M., Zaldivar J., Hernndez H.,Molga E., The use of neural
networks for fitting complex kinetic data, Computers and Chemical Engineering, vol.
20, no. 12, pp. 1451-1465, aot 1996.
[Garcia et al., 1998] Garcia E., Morant F. Aplicaciones de los modelos de eventos discretos
obtenidos mediante el operador de composicin sincrona XIX Jornadas de
Automatica, Madrid., pp. 199-204, 1998.
[Garcia et al., 1999] Garcia E., Morant F., Diagnostico de fallos modular y control
supervisor para un proceso qumico de mezclas XX Jornadas de Automatica,
Salamanca, pp. 267-272, 1999.
[Gower et al., 1969] Gower, J. C. and Ross, G. J. S. Minimum spanning trees and singlelinkage cluster analysis. Appl. Stat. 18, 54-64, 1969.
[Haugwitz et al., 2004] Haugwitz S. and Hagander P., Process Control of an Open Plate
Reactor, In proceedings of Reglermte, May 2004.
[Haugwitz et al., 2005] Haugwitz S. and Hagander P., Temperature control of an Open Plate
Reactor, IFAC world Congress, Prague, Czech Republic, July 2005.
[Himmelblau et al., 1978] Himmelblau, D. M. Fault Detection and Diagnosis in Chemical
and petrochemical processes. Amsterdam: Elsevier press, 1978.
[HYSYS, 1995] Manuel Reference Hyprotech, version 1.0, 1995
[HYSYS, 2002a] Manuel Customization Guide version 3.1, Hyprotech 2002, disponible sur:
http://itll.colorado.edu/HYSYSDoc/Doc/HYSYS/CustomGd.pdf
[HYSYS, 2002b] Manuel Get Started version 3.1, Hyprotech 2002 disponible sur:
http://itll.colorado.edu/HYSYSDoc/Doc/HYSYS/GetStart.pdf
146
Rfrences
[Isermann, 1984] Isermann R. Process fault diagnosis based on modelling and estimation
methods- A survey. Automatica, vol 20, pp. 387-404, 1984.
[Jain et al., 1988] Jain A. K. et Dubes, R. C., Algorithms for clustering Data Prentice- Hall
advanced references series. Prentice-Hall, Inc., Upper Saddle River, N. J., 1988.
[Jain et Dubes,1988] Jain, A. K. and Dubes, R. C. Algorithms for Clustering Data. PrenticeHall advanced reference series.Prentice-Hall, Inc., Upper Saddle River, NJ., 1988.
[Kempowsky, 2004a] Kempowsky T. Surveillance de procds base de mthodes de
classification : Conception dun outil daide pour la dtection et le diagnostic des
dfaillances . Thse de doctorat, Institut National des Sciences Appliques, Toulouse,
France, dcembre 2004.
[Kempowsky, 2004b] Kempowsky T., SALSA users manual. Rapport LAAS-CNRS no.
04160, 2004.
[King, 1967] King, B. Step-wise clustering procedures, Journal of the American Statistical
Association, vol. 69, pp. 86-101, 1967.
[Kninchin, 1957] Kninchin A. I., Mathematical Foundations of Information Theory, Dover
publications, New York, 1957.
[Koodmen, 1989] Koodmen F., LAMDA : Logiciel dAnalyse de Donnes
Multidimensionnelles par Apprentissage et Reconnaissances de Formes. Manuel de
reference et dutilisation. LAAS-CNRS, Toulouse. 1989.
[Kramer et al., 1993] Kramer M. A., et Mah R. S. H., Model-Based Monitoring. In: Rippin
D., Hale J., et Davis J. (Eds), Proceedings of the second International Conference on
foundations of computer-aided process operations (FOCAPO), pp. 45-68,1993.
[Kumar et al., 1978] Kumar S., Seinfeld J. H., Optimal location of measurements in tubular
reactors, Chemical Engineering Science, vol. 33, pp. 1507-1516, 1978.
[Lafortune, 1991] S. Lafortune et E. Chen, A relational algebraic approach to the
representation and analysis of discrete-event systems in proceedings of the American
Control Conference, Boston, MA, pp. 2893-2898, 1991.
[Laser, 2000] Laser, M.. Recent safety and environmental legislation. Trans IchemE, vol. 78
(B), pp. 419-422, 2000.
Rfrences
147
[Lees, 1996] Lees, F. P. Les prevention in process industries : hazard identification,

assesment and control. London:Butterworth-Heinemann, 1996.
[Lu et al., 1978] Lu, S. Y. et Fu, K. S. A sentence-to sentence clustering procedure for pattern
analysis. IEEE . IEEE Transactions on systems, man and cybernetics, vol. 8, pp. 381389, 1978.
[Mamdani, 1977] Mamdani E., application of fuzzy logic to approximate reasoning using
linguistic system. Fuzzy sets and systems, vol. 26, pp. 1182-1191, 1977.
[Mao et al., 1996] Mao, J., et Jain, A. K., A self-organizing network for hyperellipsoidal
clustering (HEC). IEEE Transactions on Neural Networks, vol. 7, pp.16-29, 1996.
[Maquin et al., 2000] Maquin Didier et al. Diagnostic des systmes linaires. Hermes
Science Europe, 2000.
[McQueen, 1967] McQueen, J. Some methods for classification and analyis of multivariate
observations. In proceedings of the Fifth Berkeley Symposium on Mathematical
Statistics and Probability, pp. 281-297, 1967.
[Murtagh, 1984] Murtagh, F., A survey of recent advances in hierarchical clustering
algorithms which use cluster centers. Comput. J., vol. 26, pp. 354-359, 1984.
[NSCI, 1999] National Safety Council Injury facts, Chicago: National Safety Council. 1999.
[Orantes, 2003] Orantes A., Le Lann M.V., Jempowsky T., Aguilar-Martin J., Deteccin de
fallas de un proceso qumico complejo por abstraccin de informacin. 10th
International Congress on Computer Science Research (CICC03), Oaxtepec, Mexico,
pp. 314-322, octobre, 2003.
[Orantes, 2004] Orantes A., Le Lann M. V., Aguilar-Martin J., Classification as an aid tool
for the selection of sensors used for fault detection and isolation. Rapport LAAS
No04527, octobre 2004.
[Papadimitriou, 2003] Papadimitrou, C., Optimal sensor placement methodology for
parametric identification of structural systems. Journal of sound and vibration, vol. 278,
pp. 923-947, 2003.
[Piera et al., 1989] Piera N., Desroches P., Aguilar-Martin J., LAMDA : An incremental
conceptual clustering method. Rapport du LAAS No. 89420. Laboratoire danalyse et
darchitecture des systmes du CNRS, dcembre 1989.
148
Rfrences
[Piera-carret, 1990] Piera-carret, N., Desroches, P., et Aguilar-Martin, J. Variation points

in pattern recognition. Pattern Recognition Letters, vol. 11, pp. 519-524, 1990.
[Qureshi et al., 1980] Qureshi, Z. H., Ng T.S., Goodwin G. C., Optimum experimental
design for identification of distributed parameter systems, International Journal of
Control, vol. 31, pp. 21-29, 1980.
[Rakoto-Ravalontsalama et al., 1995] Rakoto-Ravalontsalama N., Aguilar-Martin J.
Supervision de processus laide du systme expert G2. 1995.
[Ramadge, 1987] Ramadge P. J. et Wonham W. M., Modular Feedback logic for discrete
event systems, SIAM Journal of Control and Optimization, vol. 25, no. 5, pp. 12021218, mai 1987.
[Sampath et al., 1994] Sampath M., Sengupta R., Lafortune S., Sinnamohideen K. and
Teneketzis D., Failure diagnosis using discrete-event models IEEE Transactions on
Control Systems, vol. 4, no. 2, pp. 105-124, mars 1994.
[Sampath et al., 1995] Sampath M., R. Sengupta, S. Lafortune, K. Sinnamohideen and D.
Teneketzis, Dioagnosability of discrete-event systems IEEE Transactions on
Automatic Control, vol. 40, no. 9, pp. 1555-1575, 1995.
[Sargousse et al., 1999] Sargousse A., Le Lann J.M., Joulia X., Jourda L., 1999, DISCo : un
nouvel environnement orient objet, MOSIM99, 6-8 octobre, Annecy, France.
[Shannon, 1948] Shannon C. E., A mathematical theory of communication, Bell System
Technical Journal, vol. 27, pp. 379-423 and 623-656, july and October, 1948.
[Silviu, 1977] Silviu Guiasu. Information Theory with Applications, McGraw-Hill, 1977.
[Sneath, 1973] Sneath, P. H. A. et Sokal, R. R., Numerical Taxonomy. Freeman, London,
UK, 1973.
[Symon, 1977] Symon, M. J. Clustering criterion and multi-variate normal mixture.
Biometrics 77, pp. 35-43, 1977.
[Takagi, 1985] Takagi T., Sugeno M., Fuzzy identification of systems and its application to
modelling and control. IEEE Transactions on systems, man and cybernetics, vol. 15, no.
1, pp. 116-132, 1985.
Rfrences
149
[Toscano, 2005] Toscano R., Commande et diagnostic des systmes dynamiques:

Modlisation, analyse, commande par PID et par retour dtat, diagnostic. Ellipses
dition Marketing, S. A., 2005.
[Ubrich et al., 1999] Ubrich O., Srinivasan B. Bonvin D., Stoessel F., Optimisation of a
semi-batch reaction system under safety constraints. 5th European Control Conference,
1999.
[Ubrich et al., 2001] Ubrich O., Srinivasan B. Bonvin D., Stoessel F., Optimal Feed Profile
for a second order reaction in a semi-batch reactor under safety contraints. Experimental
study. Lausanne, Switzerland, 2001.
[Venkatasubramanian et al., 2003] Venkatasubramanian V., Rengaswamy R. Yin K.,
Kavuri S., A review of process fault detection and diagnosis Part I: Quantitative modelbased methods, Computer and Chemical Engineering, 2003.
[Waissman-Vilanova, 2000] Waissman-Vilanova J., Construction dun modle
comportemental pour la supervision de procdes : application une station de
traitement des eaux. Thse de doctorat, Institut National Polytechnique de Toulouse,
France, 2000.
[Walter et al., ] Walter E. and Pronzato L., Identification of Parametric Models from
Experimental Data, Masson 1997.
[Ward, 1963] Ward, J. H. Jr. Hierarchical grouping to optimise an objective function. Journal
of the American Statistical Association, vol. 58, 236-244, 1963.
[Watanabe, 1985] Watanabe, K., Sasaki M., et Himmelblau, Determination of optimal
measuring sites for fault detection of non-linear systems, Int. J. Syst. Sci., vol. 16, pp.
1345-1364, Nov. 1985.
[Winter, 1992] Winter, Computer Aided Process Engineering: The Evolution Continues,
Chemical Engineering Progress, pp. 77, Feb. 1992.
[Winter, 1996] Winter, The State of Computing in the CPI 1996: Whats going on in the
classes of software most important to chemical engineers, 1996.
[Wouwer et al., 2000] Wouwer A. V, Point N., Porteman E., Remy M., An approach to the
selection of optimal sensor locations in distributed parameter systems, Journal of
process control, vol. 10, pp. 291-300, 2000.
150
Rfrences
[Zadeh, 1965] Zadeh, L. Fuzzy sets. Information Control, vol. 8, pp. 338-353, 1965.
[Zadeh, 1978] Zadeh L. A., Fuzzy sets a basis for a theory of possibility. Fuzzy sets and
systems, vol. 1, pp. 3-28, 1978.
[Zahn, 1971] Zahn, C. T.. Graph-Theoretical methods for detecting and describing gestalt
clusters. IEEE Trans. Comput. C-20 (Apr.), pp. 68-86., 1971.
[Zamprogna et al., 2004] Zamprogna E., Barolo M., et Seborg D. E., Optimal selection of
soft sensor inputs for batch distillation columns using principal component analysis.
Journal of process control, vol. 15, pp. 39-52, april 2004.
ANNEXE A.
A. EXEMPLE DE CALCUL DE LA METHODE LAMDA
152
ANNEXE A : Exemple de calcul de la mthode LAMDA
153
Pour mieux comprendre la mthode LAMDA, on donne dans ce qui suit un exemple de
classification en mode dapprentissage supervis (avec classes professeur ) utilisant des
descripteurs quantitatifs. A titre dexemple, on a choisi la fonction
Binomiale pour
calculer les MADs et le produit comme oprateur logique pour le calcul du GAD.
Tout dabord, prsentons le contexte de la classification (voir tableau A-1) :
Nombre de descripteurs = 3
Nombre dlments dj classs = 5
Nombre de classes professeur = 2 ( trois lments dans la classe 1, deux lments dans la
classe 2).
Tableau A-1 Valeurs brutes des descripteurs di pour chaque lment
lments d1 d2 d3 Classes professeur

X1
2 16
X3
10 1 20
X4
6 10
X5
La premire tape consiste normaliser les lments par rapport aux valeurs maximale et
minimale de chaque descripteur suivant la relation :
x =
j x
x x
j
min
x
max
min
( A.1 )
Les valeurs maximale et minimale pour chaque descripteur sont :

d1 d2 d3
Maximum (xmax) 10 6 20
Minimum (xmin)
Le tableau A-2 montre les valeurs normalises des descripteurs pour chaque lment:
154
Tableau A-2 Valeurs normalises des descripteurs pour chaque lment
lments normaliss d1 d2
d3
Classes professeur
0 0.2 0.8
C1
0.3 0.2 0.25
C1
X
X
X5
C2
0.4 1
0.5
C2
0.5 1
C1
Ltape suivante est le calcul des paramtres (les s) des classes professeur et de la classe
NIC, en valuant la moyenne des valeurs normalises :
Pour la classe 1 :
1(d1/C1) = (0 + 0.3 + 0.5) / 3 = 0.267

2(d2/C1) = (0.2 + 0.2 + 1) / 3 = 0.467
3(d3/C1) = (0.8 + 0.25 + 0) / 3 = 0.35
Les paramtres de la classe 1 sont donc : C1=[0.267, 0.467, 0.35]
Pour la classe 2 :
1(d1/C2) = 0.7
2(d2/C2) = 0.5
3(d3/C2) = 0.75
Les paramtres de la classe 2 sont : C2=[0.7, 0.5, 0.75]
Pour la classe NIC ou classe zro :
En utilisant la fonction Binomiale comme fonction dappartenance, les paramtres de la classe
zro sont : C0=[0.5, 0.5, 0.5]
Lobjectif est de classer un nouvel lment X6 sur la base des paramtres des classes dj
existantes.
Soit cet lment X6 avec les valeurs normalises suivantes :
d1 d2 d3
X6 0.1 0.1 0.9
155
On calcule tout dabord les degrs dappartenance marginale (MAD) par rapport chaque
descripteur :
j
x C = 1
i, j
i, j
j i
1 x
O i,j est le paramtre j de la classe i, xj est la valeur du descripteur j de ce nouvel lment, et

(xj/Ci) est le degr dappartenance du descripteur j du nouvel lment la classe i existante.
Pour la classe vide (NIC), dans ce cas, le degr dappartenance sera toujours de 0.5 xj :
xj C
)0 = (0.5) x (0.5) 1 x
j
= 0.5
Le rsultat des calculs des MADs par rapport llment X6 sont les trois vecteurs suivants :
(X6/C1) = [0.66, 0.52, 0.37]
(X6/C2) = [0.33, 0.5, 0.67]
(X6/C0) = [0.5, 0.5, 0.5]
On calcule ensuite les degrs dappartenance globale (GAD) de llment X6 en utilisant le
connectif produit :
GAD( X Ci ) = ndj=1 (x j Ci )
GAD( X C i ) = ( x1 C i ) ( x 2 C i ) (x3 C i )
O nd est le nombre de descripteurs. On obtient ainsi les trois degrs dappartenance globale :
GAD(X6/C1) = 0.130
GAD(X6/C2) = 0.110
GAD(X6/C0) = 0.125
Llment X6 appartient la classe dont le GAD est maximal, cest--dire, la classe C1 :
GAD(X6/C1) = 0.130
Les appartenances calcules par lapplication de diffrents connectifs et la dcision
dattribution la classe dappartenance maximale sont donnes ci-dessous :.
156
Tableau A-3 Rsultat de dcision

Appartenances
DCISION
NIC
C1
C2
0.125
0.13
0.11
C1
Somme probabiliste 0.75
0.899
0.889
C1
Minimum
0.5
0.372
0.327
NIC
Maximum
0.5
0.663
0.672
C2
Connectifs
Produit
cause de lincorporation du nouvel lment la classe 1, lactualisation des paramtres

associs aux descripteurs quantitatifs de cette classe est faite par la formule itrative de la
moyenne :
i, j = i, j +
(x
i, j )
N +1
( A.2 )
o i,j est la nouvelle valeur du paramtre du descripteur j de la classe i et N le nombre

dlments dans la classe.
x 1 /C 1 = 0.267 +
1
(0.1 0.267 ) = 0.184
N +1
( x2 /C1 ) = 0.284
( x3 /C1 ) = 0.625
Alors, la reprsentation de la classe C1 actualise est : C1 = [0.18, 0.28, 0.63]
Par ailleurs, si llment X6 avait appartenu la classe NIC, dans le cas o le minimum aurait
t choisi comme connectif, une nouvelle classe aurait t cre en modifiant les paramtres
de la classe NIC selon la relation suivante :
i , j = 0.5 +
(x
0.5)
N0 +1
o N0 reprsente le nombre initial dlments dans la classe zro.

Dans notre exemple, la nouvelle classe cre C3 aurait eu comme paramtres :
( x1 C 3 ) = 0.5 +
1
(0.1 0.5 ) = 0.3
2
( A.3 )
3,2 = (x2/C3) = 0.3

3,3 = (x3/C3) = 0.7
La reprsentation de la nouvelle classe C3 serait alors : C1 = [0.3, 0.3, 0.7]
157
158
ANNEXE B.
B. PROGRAMMATION SOUS HYSYS
160
ANNEXE B : Programmation sous HYSYS
ANNEXE B: Programmation sous HYSYS
161
Le programme de rcupration des mesures sur HYSYS et de gnration des dfaillances sous
Visual Basic est le suivant :
' Lexcution du macro commence toujours en Sub Main

'------------------------------------------------------------------------Sub Main
' Acquire une interface pour le fichier de simulation (case) active
Dim simcase As Object
Set simcase = ActiveCase
If simcase Is Nothing Then
' Si fichier de simulation nest pas active, prviens
' lutilisateur
MsgBox "No HYSYS case is open."
' et termine...
End
End If
'------------------------------------------------------------------------'
Open "C:\SALSA05v0-1\DataTr\d_out.dat" For Output As #2
Close #2
Simcase.Solver.Integrator.Reset ' rinitialise lintgrateur de
HYSYS
Do
'------------------------------------------------------------------------'Commence la modlisation dynamique sur HYSYS
' dabord il termine la simulation, aprs il continue lexcution du
' programme
Simcase.Solver.Integrator.RunFor(1,"minutes")
'------------------------------------------------------------------------'------------------------------------------------------------------------' Rcupration de toutes les variables sur HYSYS :
' item(1)= racteur
' item(2)= colonne de distillation
' item(3)= Contrleur de temprature du racteur
' item(4)= Contrleur de niveau du racteur
' Rcupration de la pression du racteur
Var1 = Simcase.Flowsheet.operations.Item(1).VesselPressure
' Rcupration de la temprature du racteur
Var2 = Simcase.Flowsheet.operations.Item(1).VesselTemperature
' Rcupration Du niveau du racteur
Var3 = Simcase.Flowsheet.operations.Item(1).liquidPercentLevel
' Rcupration de la variable de sortie du Contrleur TC
Var4 = Simcase.Flowsheet.operations.Item(3).OpValue
' Rcupration de la variable de sortie du Contrleur LC
Var5 = Simcase.Flowsheet.operations.Item(4).OpValue
' Rcupration de la temprature de sortie Du dbit utilit
162
' dans le racteur

Var6 = Simcase.Flowsheet.operations.Item(1).UtilityOutletTemperature
' Rcupration des tempratures sur les plateaux de la colonne
Set
var77
=
Simcase.Flowsheet.Operations.Item(2).ColumnFlowsheet
Temp_Profile = var77.Temperatures
' Rcupration du dbit dnergie RebDuty sur le bouilleur
Var17 = Simcase.Flowsheet.energystreams.Item(2).HeatFlow.Getvalue("KJ/h")
Set var88= Simcase.Flowsheet.Operations.Item(2).ColumnFlowsheet.operations
' Rcupration de la variable de sortie du Contrleur PC dans la
' colonne
var18 = var88.Item(4).OP
' Rcupration de la pression du condenseur dans la colonne
var19 = var88.Item(1).VesselPressure
Set var99 = var77.operations 'pfd COL1
' Rcupration de la temprature de sortie dutilit dans le
' condenseur dans la colonne
var20 = var99.Item(4).ControlValve.OutletTemperature
' Rcupration de la temprature sur le dbit de glycol
var21 = simcase.Flowsheet.materialstreams("Glycol").TemperatureValue
'------------------------------------------------------------------------' assignation des tempratures de la colonne des autres variables
var77_Temp = Temp_Profile(1)
'Dfinir les variables avec formats du type : ##.###
var11 = Format$(var1,"#.000")
var77 = Format$(var77_Temp,"#.000")
var1111= Format$(var11_Temp,"#.000")
var1616= Format$(var16_Temp,"#.000")
ANNEXE B: Programmation sous HYSYS
163
var1717 = Format$(var17,"#.000")
var1818 = Format$(var18,"#.000")
var1919= Format$(var19,"#.000")
var2020 = Format$(var20,"#.000")
var2121 = Format$(var21,"#.000")
'------------------------------------------------------------------------' COMMUNICATION AVEC L'OUTIL SALSA
'
'
'
'
Si existe un fichier appel: d_out.dat cr par loutil SALSA, alors

engendre un nouveau fichier d_in.dat en contenant les valeurs des
descripteurs classer, et supprime le fichier d_out.dat
Sil nexiste pas, il lattende jusqu sa cration
F$ = Dir$("C:\SALSA05v0-1\DataTr\d_out.dat")
If F$ <> "d_out.dat" Then
Do
F$ = Dir$("C:\SALSA05v0-1\DataTr\d_out.dat")
Loop Until F$ = "d_out.dat"
Kill("C:\SALSA05v0-1\DataTr\d_out.dat")
Open "C:\SALSA05v0-1\DataTr\d_in.dat" For Output As #1
Print #1, var11;" "; var44;" "; var55;" "; var66;" "; var1616;
" "; var1818;" "; var2020;
Close #1
Else
Kill("C:\SALSA05v0-1\DataTr\d_out.dat")
Open "C:\SALSA05v0-1\DataTr\d_in.dat" For Output As #1
Print #1, var11;" ";var44;" ";var55;" ";var66;" "; var1616;" ";
var1818;" "; var2020;
Close #1
End If
'------------------------------------------------------------------------' Acqurir le temps actuel de simulation
Tiempo = Simcase.Solver.Integrator.GetTime("minutes")
'------------------------------------------------------------------------' GNRATION DE DFAILLANCES SIMULTANES
Select Case Tiempo
' Opration normale du processus
Case 0 To 20
' Dfaillance du dbit doxyde et de temprature de refroidissement dans
le ' racteur
Case 20 To 120
oxy=
simcase.Flowsheet.materialstreams.item(0).MolarFlow.getvalue
("kgmole/h")
oxy2 = oxy - 0.0604
Simcase.Flowsheet.materialstreams.item(0).MolarFlow.SetValue
oxy2, "kgmole/h"
164
Cool_Inlet=
Simcase.Flowsheet.operations.Item(1).UtilityInletTemperature
'Rampa Cool 13
Cool_Inlet2 = Cool_Inlet - 0.02
Simcase.Flowsheet.operations.Item(1).UtilityInletTemperature.setvalu
e Cool_Inlet2, "C"
' Application constante des dfaillances
Case 120 To 250
'Simcase.Flowsheet.materialstreams.item(0).MolarFlow.SetValue
oxy2, "kgmole/h"
' Return lopration normale du processus
Case 250 To 400
Simcase.Flowsheet.materialstreams.item(0).MolarFlow.SetValue
68.04, "kgmole/h"
Simcase.Flowsheet.operations.Item(1).UtilityInletTemperature.setvalu
e 15, "C"
Case Else
End
' Termine Programme
End Select ' Termine CASE

'------------------------------------------------------------------------Loop Until False
End Sub
ANNEXE C.
C. PROPRIETES DE LENTROPIE
166
ANNEXE C : Proprits de lEntropie
167
Dans ce qui suit, nous donnons les proprits de lentropie.

Soient ( p1 , p 2 ,..., p n ) et (q1 , q 2 ,..., q n ) deux lois de probabilit, alors :
p
i =1
log
qi
0
pi
En effet x > 0 on a : Ln x x 1 (voir la Figure C-1 ) :
X-1
Ln X
Figure C-1 La fonction logarithme
Do Ln
qi
q
i 1 ,
pi
pi
Donc
p i log
i =1
soit log
qi
1
p i Ln a
i =1
qi
1 qi
p i Lna p i
q
1
p i i 1 =
qi
Ln a i =1
pi
p = Ln a (1 1) = 0
i
i =1
Proprit 1
LEntropie dune variable alatoire X n valeurs possibles est maximale et vaut log(n)
lorsque la loi de X est uniforme.
1
n
Il suffit dappliquer le lemme prcdent avec q1 = q 2 = ... = q n = , ainsi

n
i =1
p i log p i
i =1
p i log
1
1
1
=
log = log n
n
n
n
i =1
( C.1 )
Lincertitude sur X est la plus grande si toutes les valeurs possibles ont la mme probabilit
de se raliser.
168
Proprit 2
LEntropie augmente lorsque le nombre de valeurs possibles augmente.
En effet, soit X valeurs possibles { x1 , x 2 ,..., x n } de loi ( p1 , p 2 ,..., p n ) . Supposons que la valeur
xk
de probabilit p k soit fragmente en deux valeurs yk et zk de probabilits k, k, avec
k+k =
pk
k 0 et k 0. Alors, lentropie de la nouvelle variable alatoire Xainsi obtenue
scrit :
H ( X ') = H ( X ) + p k log p k k log k k log k
do
H ( X' ) H ( X ) = ( k + k ) log p k k log k k log k
( C.2 )
H ( X ') H ( X ) = k log p k + k log p k k log k k log k
( C.3 )
Or, la fonction logarithme tant strictement croissante, on a :

log p k > log k et log p k > log k
soit H ( X ') H ( X ) > 0, c' est dire : H ( X ') > H ( X )
Proprit 3
LEntropie est une fonction convexe de (p1, p2,,pn), en effet
n
i =1
i =1
H ( X ) = pi log p i = gof i ( p1 , p 2 ,..., p n )
( C.4 )
Avec fi lapplication projection sur laxe i :
f i : [0,1] [0,1]
g : [0,1] IR +
p p log p
( p1 , p 2 ,..., p n ) pi
et
g est convexe car

g ' ( p ) = log p
1 p
1
=
log p
Ln 2 p
Ln 2
( C.5 )
et
g ' ' ( p) =
1
<0
p
( C.6 )
Comme fi est une forme linaire, gofi est convexe et H(X) est convexe car somme de
fonctions convexes.
ANNEXE D.
D. DEFAUTS SIMULTANES
170
ANNEXE D : Dfauts Simultans
171
Dans ce qui suit, nous donnons les rsultats obtenus lors de la reconnaissance de divers
scnarii de dfauts simultans, partir du modle de comportement avec 7 descripteurs (voir
le Tableau 4-N).
Le scnario utilis pour ce test est la superposition de deux dfauts :
a) Hausse de la temprature du liquide de refroidissement du racteur : la valeur de la pente
dincrment de temprature est de 0.035 C/min faisant passer la temprature de sa valeur
nominale (15 C) jusqu la valeur finale de la dfaillance (22 C).
b) Hausse de la vitesse de raction : ce dfaut est engendr en modifiant le facteur de
frquence de la loi dArrhenius. Le facteur de frquence est modifi depuis sa valeur
nominale (1.70+E13) et passe 2.00E+13.
Scnario 1 : Dans ce scnario le dfaut : hausse de la vitesse de raction, est cr pendant

lapplication du dfaut : hausse de la temprature du liquide de refroidissement du racteur, et
supprim aprs avoir limin ce dernier dfaut (voir la Figure D-1).
T1
T2
T3
T4
T5
Figure D-1 Scnario 1 : dfauts simultans
Les rsultats de lidentification des tats fonctionnels du procd sont rapports sur la Figure
D-2. On peut constater quil y a cration de 6 tats fonctionnels et de ltat zro ou de nonreconnaissance. Dans ce cas, ltat 10 correspond ltat normal du procd (voir le tableau
4-N donnant les tats). Ltat 11 correspond ltat H-FREQV (hausse de la vitesse de
raction par modification du facteur de frquence), tandis que ltat 14 est une alarme de
hausse de temprature du fluide de refroidissement du racteur. Les autres tats (tats
transitoires) sont dus au comportement oscillatoire des signaux.
172
Normal
Tinlet cool
Freq - TCool
TCool
Normal
Figure D-2 Identification dtats de dfauts simultans : scnario 1
Ltat zro reprsente les dfauts simultans et, il nest pas reconnu, puisquil na pas t
considr pendant la construction du modle de comportement. Pour le reconnatre, il faut
faire un apprentissage supervis (supervised learning) pour affecter la classe NIC (Non
Information Classe) une classe reprsentant ces dfauts simultans.
Finalement, aprs cet apprentissage on peut faire la reconnaissance des tats, et on peut
reprsenter la nouvelle dfaillance (Figure D-3) . Nous pouvons constater dans le Tableau 4-N
que ltat 18 nexistait pas dans le modle construit pralablement.
173
Figure D-3 Scnario 1 : Reconnaissance de dfauts simultans aprs lapprentissage supervis
Scnario 2 : Dans ce scnario le dfaut : hausse de la vitesse de raction est cr et supprim

pendant lapplication du dfaut : hausse de la temprature du liquide de refroidissement du
racteur (voir la Figure D-4) :
T1
T2
T3
T4
T5
La Figure D-5 illustre les rsultats obtenus en phase de reconnaissance dtats fonctionnels.
On peut vrifier quil y a cration de 3 tats et ltat zro (tat de non-reconnaissance). Ltat
10 reprsente lopration normale du procd, ltat 14 est une alarme de hausse de
temprature du fluide de refroidissement du racteur et ltat 7 correspond au dfaut de
hausse de la temprature du fluide de refroidissement du racteur, mais il est apparu cause
174
du comportement oscillatoire des signaux et il nest compos que dun seul lment (voir le
modle de comportement donn dans le Tableau 4-N).
Normal
Tinlet cool
Freq - TCool
TCool
Normal
Ltat zro reprsente les dfauts simultans et il nest pas reconnu. Pour le reconnatre, on a
fait un nouvel apprentissage supervis (supervised learning) pour affecter la classe nonreconnue une classe reprsentant les dfauts simultans. La Figure D-6 illustre les rsultats
obtenus lors de la reconnaissance des tats partir de lapprentissage supervis, et on peut
reprsenter le nouveau dfaut.
175
Figure D-6 Scnario 2 : reconnaissance de dfauts simultans aprs lapprentissage supervis
Scnario 3 : Dans ce scnario le dfaut : hausse de la vitesse de raction, est cr plus tt et

supprim pendant lapplication de lautre dfaut : hausse de la temprature du liquide de
refroidissement du racteur (voir la Figure D-7).
T1
T2
T3
T4
T5
La Figure D-8, permet de vrifier quil y a cration de 4 tats et de ltat zro (tat de nonreconnaissance). Ltat 10 reprsente toujours lopration normale du procd, ltat 14 est
une alarme de hausse de temprature du fluide de refroidissement du racteur, ltat 11
correspond la hausse de la vitesse de raction (hausse du facteur de frquence).
176
Normal
Freq
Freq - TCool
TCool
Normal
Comme prcdemment, on peut constater quaprs apprentissage supervis, la simultanit

des dfauts est bien reconnue comme le montre la Figure D-9 o ltat numro 18 (nouvel tat
cr) reprsente la nouvelle dfaillance.
Figure D-9 Scnario 3 : reconnaissance de dfauts simultans aprs lapprentissage supervis
METHODOLOGIE POUR LE PLACEMENT DES CAPTEURS A BASE

DE METHODES DE CLASSIFICATION EN VUE DU DIAGNOSTIC
Rsum
Les travaux prsents se situent dans le domaine de laide la dcision pour la surveillance et
le diagnostic de systmes complexes tels que les procds chimiques. Notre travail a permis
de concevoir une mthodologie permettant de placer les capteurs les plus pertinents sur un
processus en vue de son diagnostic partir des donnes dhistoriques. Cette mthodologie est
base sur lassociation de mthodes de mesure de la quantit dinformation (entropie de
Shannon) dlivre par des signaux issus dun systme et de la classification de donnes. A
partir des donnes dvolution temporelle des capteurs (constituant lensemble de tous les
possibles) suite des scnarii de dfaillance (par exemple simuls sur un simulateur
dynamique), il est possible didentifier les capteurs les plus pertinents et dobtenir un modle
de comportement du processus un niveau dabstraction tel quil soit utilisable pour le
diagnostic. Une procdure pour une adaptation du modle dans le cas de reconnaissance
dfauts inconnus a t aussi propose. Des tests de faisabilit sur des cas concrets industriels
ont t effectus en simulation tout dabord en utilisant un simulateur dynamique de procds
mondialement distribu dans lindustrie : HYSYS puis sur un nouveau racteur chimique
dvelopp par le Laboratoire de Gnie Chimique de Toulouse. Ces travaux rentrent dans le
cadre dun projet financ par lInstitut pour une Culture de Scurit Industrielle (ICSI).
MOTS CLES :
Placement de capteurs, mesure de linformation, dtection et

localisation de dfaillances, diagnostic, classification, apprentissage.
SENSOR PLACEMENT METHODOLOGY FOR FAULT DETECTION

BASED ON CLASSIFICATION METHODS
Summary
The presented study is in the field of the decision-making aid for the monitoring and the
diagnosis of complex systems such as chemical processes. Our work permitted to design a
methodology allowing placing the most relevant sensors on a process for its diagnosis from
the analysis of historical data. This methodology is based on the association of methods used
for measurement of information quantity (Shannons entropy) delivered by signals coming
from a system and for the classification of data. From time evolution data of sensors
(constituting the set of all possible sensors) following scenarios of failure (for example
simulated on a dynamic simulator), it is possible to identify the most relevant sensors in the
set of the possible sensors and to obtain a model of the process with a level of abstraction
such as it is usable for the diagnosis. A procedure for the model adaptation in the case of
recognition of unknown failures has also been proposed Tests of feasibility on concrete
industrial cases have been carried out in simulation by using first of all a dynamic process
simulator universally distributed in industry: HYSYS then on a new chemical reactor
developed by the Laboratoire de Gnie Chimique of Toulouse. These works are part of a
project supported by the Institut pour une Culture de Scurit Industrielle (ICSI).
KEYWORDS:
sensor location, information measurement, fault detection and isolation,

diagnosis, classification, learning.

Or Antes Molina

Transféré par

Informations du document

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

Or Antes Molina

Transféré par

Droits d'auteur :

Formats disponibles

Anne 2005

Antonio ORANTES MOLINA

METHODOLOGIE POUR LE PLACEMENT DES

Table des matires

1.5.5 Loutil SALSA................................................................................................................................... 39

2. Modlisation et simulation de procds chimiques ..................................................... 43

3. Dveloppement de la mthodologie daide au placement de capteurs en vue du

4. Placement de capteurs et diagnostic de procds chimiques ...................................... 87

5. Conclusions et perspectives......................................................................................... 139

Liste des figures

Figure 3-3 Valeurs de lentropie probabilis pour 2 classes

A Dios por darme una vida maravillosa

de la quantit de linformation : lEntropie. La mthodologie

ce chapitre dcrit, galement,

diffrentes mthodes de classification. Nous prsentons aussi de manire dtaille la

1. DIAGNOSTIC DE PROCEDES CHIMIQUES

Diagnostic de procds chimiques

Les systmes industriels (nuclaire, chimique, ptrochimie, arospatiale) sont galement

Diagnostic de procds chimiques

1.2 Dtection de dfauts et diagnostic

Fonctionnement normal dun systme. Un systme est dit dans un tat de

Diagnostic de procds chimiques

Dtection de dfauts. La dtection dun dfaut consiste dcider si le systme se

Localisation dun dfaut. A lissue de la dtection dun dfaut, il sagit de dterminer

abrupts : la caractristique principale de ce type de dfauts est la discontinuit dans

intermittents : il sagit dun type de dfauts caractristiques de faux contacts ou de

graduels : ce type de dfauts est caractristique dun encrassement ou dune drive

Diagnostic de procds chimiques

Les caractristiques temporelles des dfauts sont inconnues.

Le modle nominal du systme est incertain.

Des bruits dtat et de mesure sont prsents.

Diagnostic de procds chimiques

Figure 1-2 Schma gnral dun systme de diagnostic

Changement paramtrique dans un modle. Un exemple de cette dfaillance est le

Changement structurel. On se rfre aux changements dans le processus mme.

Diagnostic de procds chimiques

d) Identification de nouveaut, on se rfre la capacit de dcider si le processus est en

1.3 Classification des mthodes de diagnostic

Diagnostic de procds chimiques

Evaluation des rsidus

Figure 1-3 Classification des mthodes de diagnostic

En ce qui concerne le diagnostic quantitatif, on peut distinguer deux types dapproches

Diagnostic de procds chimiques

techniques de traitement du signal. La mthode la plus simple consiste fixer un ou plusieurs

1.3.1 Diagnostic Quantitatif

Diagnostic de procds chimiques

Approches statistiques : Ces approches se basent sur lhypothse de changements

Diagnostic de procds chimiques

Figure 1-4 Architecture gnrale de la dtection de dfauts base de modles

Diagnostic de procds chimiques

(tats ou paramtres) ou laide dun raisonnement heuristique. Ltape de prise de dcision

B) Observateurs : La gnration de rsidus laide dune estimation dtat consiste

C) Estimation paramtrique : Lapproche destimation paramtrique considre que

Diagnostic de procds chimiques

inconvnients majeurs de la mthode rside dans la ncessit davoir un systme

1.3.2 Diagnostic Qualitatif

Diagnostic de procds chimiques

B) Rseaux de neurones artificiels (RNA): Un RNA est un systme informatique

comme modle du systme surveiller en tat normal et gnrer un rsidu derreur

comme systme dvaluation de rsidus pour le diagnostic,

Diagnostic de procds chimiques

D) Reconnaissance de formes : La reconnaissance des formes regroupe lensemble des

La dfinition prcise des l classes entre lesquelles va soprer la dcision. Cette

Le choix dun jeu de caractres pertinents pour la discrimination des vecteurs