Académique Documents
Professionnel Documents
Culture Documents
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
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
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
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
Liste de figures
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
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
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 ),
Introduction gnrale
Introduction gnrale
Dans la section suivante, on donnera une revue non exhaustive de plusieurs mthodes de
diagnostic partir de diffrentes perspectives.
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.
Une classification des dfauts partir de leurs volutions temporelles les dfinit comme :
-
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 :
-
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
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] :
-
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
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
Redondance analytique
(Analyse multisignaux)
Espace de parit
Observateurs
Identification paramtrique
Modle
mathmatique
du systme
Prise de dcision
Actions correctrices
13
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.
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
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
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.
17
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.
18
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].
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)
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
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.
22
Classe 1
Classe 3
Classe 2
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].
24
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.
26
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.
28
E 2 (H,U) = uij xi c k
( 1.2 )
i =1 k =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.
30
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)
31
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
32
A)
Cas de lapprentissage
B)
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.
34
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 )
T-conorme (union)
Connectif
T(X,Y)
S(X,Y)
X Y
1- (1-X)(1-Y) = X+Y-XY
Min (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
Intersection
Union
ET
OU
Probabilistes
Produit
Somme
Flous
Minimum
Maximum
Connectifs
Conjonctions
Mixtes
0.5
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.
36
degrs dappartenance marginale (j) par rapport chaque descripteur. Le calcul du degr
dappartenance marginale ou partielle dpend du type de descripteur correspondant :
A)
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)
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 x j )
( 1.6 )
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
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 )
( 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 )
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
ELEMENT
ENSEMBLE
de CLASSES
Cration classe
Cl
Cl= CK+1
j = 0,,P
NON
C0 = Cl
OUI
Affectation de Xn la classe l
AUTO-APPRENTISSAGE
i = 0,,K
RECONNAISSANCE
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
CONFIGURATION
CLASSIFICATION
Donnes :
entranement
Espace de Description
Mode d'Apprentissage
Donnes :
test
Matrice
Appartenances - GAD
paramtres LAMDA
OUI
NON
VALIDATION
Affectation
tats
fonctionnement
Mod
Modle de
Comportement
Donnes
en ligne
Reconnaissance
tat courant
Modle de
comportement
ANALYSE
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
Permet
indiffremment
lapprentissage
non
supervis
( clustering )
et
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
42
44
Une base de donnes des corps purs et un ensemble de mthodes pour estimer les
proprits des mlanges appels aussi modles thermodynamiques.
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.
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 :
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
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
47
Desktop : cest lespace principal de HYSYS pour visualiser les fentres lors de la
conception.
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
DEBUT HYSYS
&
CREATION
NOUVEAU FICHIER
Simulation CASE
ENVIRONNEMENT
COLUMN
ENVIRONNEMENT
BASIS
ENVIRONNEMENT
OIL
ENVIRONNEMENT
ENVIRONNEMENT
SUB-FLOWSHEET
MAIN
ENVIRONNEMENT
SUB-FLOWSHEET
49
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).
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.
50
MAIN
FLOWSHEET
SUBFLOWHEET
A
SUBFLOWHEET
C
COLUMN
SUBFLOWHEET
B
SUBFLOWHEET
D
COLUMN
SUBFLOWHEET
F
SUBFLOWHEET
E
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
53
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
( 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
55
seffectue partir dun point de rgime permanent. La construction du modle pour une
utilisation suivant ces deux modes est donne ci-aprs.
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 )
- EA
RT
( 2.4 )
56
Figure 2-7 Fentre des proprits de loxyde de propylne du courant Prop Oxide
57
58
Variable
manipule
Variable
rgule
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.
Reactor TC
FIC-100
Column PC
Column TC
Action
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
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 :
-
( 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
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.
C 6 H 10 O3 + C 4 H 8 O
C 7 H 14 O2 + C 3 H 6 O2
( 2.6 )
Ou
H+
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
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.
64
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]
65
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.
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:
Entres dnergie
Sorties dnergie
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
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
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 )
( 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
( 3.4 )
IG
H(C)
H (C d k )
0
Figure 3-1 Concept du gain de linformation
69
I G = H (C ) H (C d k )
( 3.5 )
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.
A.
70
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.
A11
A12
A1p
A21
A22
A2p
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
H max = Log 2
71
( 3.8 )
tape 3. Lentropie probabiliste de SHANNON par rapport chaque descripteur H(Aj) est
( 3.9 )
i =1
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 )
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
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
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
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).
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
74
dfinir un seuil pour choisir le nombre final de descripteurs pertinents, de sorte quils
permettent de dtecter toutes les dfaillances tudies pralablement.
A( F +1)1
A1P
A2 P
O
M
L A( F +1) P
A12
A22
M
A( F +1) 2
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) :
-
( 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
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.
B.
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
( 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
)(
))
i =1
Fin
oui
Fin des
paires
?
Calcul du gain
dinformation
Choix des capteurs les
plus pertinents
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
=
2
(A
i =1
ij
)2
78
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
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.
Dfaillances
Espace de
mesure
Processus
LAMDA :
Auto-apprentissage
Profil de
classes
Entropie
Descripteurs
slectionns
Hors ligne
81
Processus
Descripteurs
slectionns
LAMDA
Auto-apprentissage
Classification
de situations
Modle de
comportement
(tats Fonctionnels)
Hors ligne
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.
Processus
LAMDA
Reconnaissance
Dtection
Localisation
Identification
Modle de
comportement
83
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)
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
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
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.
88
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
Nom
Numro
Descrip.
Nom
Numro
Descrip.
Nom
15
16
10
17
Puissance dlivre au
bouilleur (Kj/h)
(Variable manipule)
11
18
12
19
Pression Condenseur
(Variable rgule)
13
20
Temprature de sortie du
fluide de refroidissement du
condenseur (C)
14
21
90
Tableau 4-B Gamme des valeurs des perturbations pour lesquelles le systme reste stable
Dfaillance
Gamme de valeurs
Minimum Nominal Maximum
50
68.04
80
11
11
15
Units
Kgmole/h
25
1.70E+13
2.20E+13
Moles de ractif
consomm/s/unit
de volume
15
19
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].
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.
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
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
Ro
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
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.
tape 1 : Espace probabilis. Cette tape initiale est ncessaire pour pouvoir appliquer le
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
H (C ) = log n
95
( 4.1 )
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 :
(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 )
linformation comme tant la diffrence entre lEntropie maximale et lEntropie par rapport
chaque descripteur (voir lquation 3.5):
(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
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
45
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
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
temprature
de
sortie
du
fluide
de
refroidissement
du
condenseur
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
NOM DFAUT
Baisse A (Frq. Naturelle)
Hausse A (Freq. Naturelle)
Baisse TempInletCond
Hausse TempInletCond
Baisse TempInletCool
Hausse TempInletCool
Baisse Oxyde
Hausse Oxyde
DESCRIPTEURS SLECTIONNS
CondDuty_UtilityOutletTemp
Reactor_VesselPressure
ColumnPC_OP
ColumnPC_OP
ReactorTC_OP
Coolant__UtilityOutletTemp
ReactorLC_OP
CondDuty_UtilityOutletTemp
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
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
Rcupration de la baisse
REC_B-OXY_N
du dbit d'oxyde
Rcupration de la baisse
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
du fluide de refroid. du
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
30
NoState
10
Opration Normale du
procd
AL_B-OXYDE
29
31
Description d'tat
Baisse facteur frquence
(vitesse de raction)
NORMAL
Opration Normale du
procd
pas d'assignation d'tat
pas d'assignation d'tat
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
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.
105
Figure 4-9 Reconnaissance avec 6 descripteurs des dfauts conscutifs : hausse doxyde et hausse de
la temprature du fluide de refroidissement du racteur
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.
106
Figure 4-11 Reconnaissance avec 6 descripteurs des dfauts conscutifs : baisse doxyde et baisse de
la temprature du fluide de refroidissement du racteur
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
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
(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
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
Numro
d'tat
Etat
fonctionnel
B-TCOND
H-OXYDE
3, 4
Description d'tat
Baisse de la temprature
du fluide de refroid. du
Condenseur
Hausse du dbit d'oxyde
Rcupration de la hausse
REC_H-OXY_N du dbit d'oxyde
Numro de
classe
Numro
d'tat
Etat
fonctionnel
10
NORMAL
Opration Normale du
procd
17
11
H-FREQV
19, 31, 35
12
AL_B-FREQV
20
13
B-FREQV
6, 7, 8, 24, 32
REC_B-OXY_N
10
B-TCOOL
11
H-TCOOL
12
13, 14, 34
H-TCOND
Rcupration de la baisse
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
du fluide de refroid. du
Condenseur
Rcupration de la hausse
de la Temprature du
REC_H-TCOOL fluide de refroid. Du
racteur
Description d'tat
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
AL_H-FREQV
37
17
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
Normal
Oxyde(62)
Normal
TinletCool(13)
Normal
Figure 4-14 Reconnaissance avec 7 descripteurs des dfauts conscutifs : baisse doxyde et baisse de
la temprature du fluide de refroidissement du racteur
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)
112
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:
113
Dfaut : TinletCoolant
T1
T2
T3
T4
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
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).
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.
116
DESCRIPTEURS SLECTIONNS
PROBABILISTE
VARIANCE
NON-PROBABILISTE
Reactor_VesselPressure
Reactor_VesselPressure
Baisse TempInletCond
ColumnPC_OP
ColumnPC_OP
ColumnPC_OP
Hausse TempInletCond
ColumnPC_OP
ColumnPC_OP
Reactor_VesselPressure
Baisse TempInletCool
ReactorTC_OP
ReactorTC_OP
ReactorTC_OP
Hausse TempInletCool
Coolant_UtilityOutletTemp
Coolant_UtilityOutletTemp
ReactorTC_OP
Baisse Oxyde
ReactorLC_OP
ReactorLC_OP
Coolant_UtilityOutletTemp
Hausse Oxyde
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
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
118
DESCRIPTION
temp. alim courant principal
temp. alim courant inject
temp. fluide procd bloc 1 cellule 1
temp. fluide procd bloc 1 cellule 2
temp. fluide procd bloc 1 cellule 3
temp. fluide procd bloc 1 cellule 4
temp. fluide procd bloc 1 cellule 5
temp. fluide procd bloc 1 cellule 10
temp. fluide procd bloc 1 cellule 15
temp. fluide procd bloc 1 cellule 20
temp. fluide procd bloc 1 cellule 27
temp. fluide procd bloc 2 cellule 1
temp. fluide procd bloc 2 cellule 5
temp. fluide procd bloc 2 cellule 10
temp. fluide procd bloc 2 cellule 15
temp. fluide procd bloc 2 cellule 20
temp. fluide procd bloc 2 cellule 27
temp. fluide procd bloc 3 cellule 1
temp. fluide procd bloc 3 cellule 5
temp. fluide procd bloc 3 cellule 10
temp. fluide procd bloc 3 cellule 15
temp. fluide procd bloc 3 cellule 20
temp. fluide procd bloc 3 cellule 27
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
119
1
1
1
1
1
1
3
3
3
3
3
3
120
0.1
0.09
0.95
0.08
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
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
121
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
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
temp. fluide procd bloc 2 cellule 5
temp. fluide procd bloc 2 cellule 5
temp. fluide utilit sortie cellule 1
temp. fluide procd bloc 2 cellule 10
pression fluide procd en sortie
dbit fluide procd en sortie
temp. fluide procd bloc 1 cellule 2
temp. fluide procd bloc 1 cellule 3
temp. fluide procd bloc 1 cellule 1
temp. fluide procd bloc 1 cellule 3
pression fluide procd en sortie
dbit fluide procd en sortie
temp. fluide procd bloc 1 cellule 3
temp. fluide procd bloc 1 cellule 1
dbit fluide procd en sortie
pression fluide procd en sortie
124
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
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
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
60
0.16
50
Arrt total
30
0.08
du fluide
utilit
20
0.04
10
0
0
5000
10000
15000
20000
Temps (s)
0
25000
Fraction molaire
Temperature / Dbit
40
130
131
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
132
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
temp. fluide procd bloc 2 cellule 10
temp. fluide procd bloc 2 cellule 10
temp. fluide utilit sortie cellule 1
temp. fluide procd bloc 1 cellule 10
temp. fluide procd bloc 2 cellule 20
dbit fluide procd en sortie
temp. fluide procd bloc 1 cellule 10
pression fluide procd en sortie
temp. fluide procd bloc 1 cellule 10
temp. fluide procd bloc 1 cellule 1
temp. fluide procd bloc 1 cellule 4
temp. fluide procd bloc 1 cellule 10
temp. fluide procd bloc 1 cellule 10
temp. fluide procd bloc 1 cellule 5
temp. fluide procd bloc 1 cellule 4
temp. fluide procd bloc 1 cellule 10
temp. fluide procd bloc 1 cellule 5
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
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
Pr-dfaut : 58 Post-dfaut : 46
1
17
3
2
134
DFAUT
CLASSES
7
Pr-dfaut : 24
9
Pr-dfaut : 26, 47
11
Pr-dfaut : 28 Post-dfaut : 53
12
Pr-dfaut : 29 Post-dfaut : 13
14
Pr-dfaut : 45
15
Pr-dfaut : 43 Post-dfaut : 43
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
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
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
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
-
Conclusions et perspectives
141
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
dextraire des informations plus pertinentes que la valeur brute du signal : pente,
pics, tendances, frquences, suivant les caractristiques recherches (dfaillance
de capteur, drives, )
142
Conclusions et perspectives
RFRENCES
[ATSDR] Agency for Toxic
http://www.atsdr.cdc.gov/
Substances
and
Disease
Registry
disponible
sur:
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
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
148
Rfrences
Rfrences
149
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.
152
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
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 )
Le tableau A-2 montre les valeurs normalises des descripteurs pour chaque lment:
154
lments normaliss d1 d2
d3
Classes professeur
0 0.2 0.8
C1
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/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
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
C1
C2
0.125
0.13
0.11
C1
0.899
0.889
C1
Minimum
0.5
0.372
0.327
NIC
Maximum
0.5
0.663
0.672
C2
Connectifs
Produit
i, j = i, j +
(x
i, j )
N +1
( A.2 )
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
1
(0.1 0.5 ) = 0.3
2
( A.3 )
157
158
ANNEXE B.
160
161
Le programme de rcupration des mesures sur HYSYS et de gnration des dfaillances sous
Visual Basic est le suivant :
162
163
var1717 = Format$(var17,"#.000")
var1818 = Format$(var18,"#.000")
var1919= Format$(var19,"#.000")
var2020 = Format$(var20,"#.000")
var2121 = Format$(var21,"#.000")
'------------------------------------------------------------------------' COMMUNICATION AVEC L'OUTIL SALSA
'
'
'
'
F$ = 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
End Sub
ANNEXE C.
C. PROPRIETES DE LENTROPIE
166
167
p
i =1
log
qi
0
pi
X-1
Ln X
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
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
k+k =
pk
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 )
( C.3 )
Proprit 3
LEntropie est une fonction convexe de (p1, p2,,pn), en effet
n
i =1
i =1
( C.4 )
f i : [0,1] [0,1]
g : [0,1] IR +
p p log p
( p1 , p 2 ,..., p n ) pi
et
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
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.
Dfaut : TinletCoolant
T1
T2
T3
T4
T5
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
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
constater la bonne reconnaissance de ltat numro 18 (cest un nouvel tat cr) pour
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
Dfaut : TinletCoolant
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
constater la bonne reconnaissance de ltat numro 18 (cest un nouvel tat cr) pour
reprsenter le nouveau dfaut.
175
Dfaut : TinletCoolant
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