Khaouni Sofiane

‫ﻭﺯﺍﺭﺓ ﺍﻟﺘﻌﻠﻴــــــﻢ ﺍﻟﻌـــــﺎﱄ ﻭﺍﻟﺒﺤـــــﺚ ﺍﻟﻌـﻠﻤﻲ‬
MINISTERE DE L’ENSEIGNEMENT ET DE LA RECHERCHE SCIENTIFIQUE
‫ﺟـــــﺎﻣﻌﺔ ﻓــﺮﺣﺎﺕ ﻋﺒــﺎﺱ ﺳﻄﻴﻒ‬

UNIVERSITE FERHAT ABBAS – SETIF
Faculté des Sciences de l’ingénieur
Département d’électrotechnique
Mémoire
Présenté pour l’obtention du diplôme de
Magister en électrotechnique
Option : Automatique
Par
KHAOUNI SOFIANE
Thème
Modélisation et Surveillance des Systèmes

Dynamiques Hybrides par Automates Hybrides
Soutenu le :30 / 06 / 2010 devant le jury :
LAMAMRA Athmane M. C. à l’université de Ferhat Abbas de Sétif Président

SAIT Belkacem M. C. à l’université de Ferhat Abbas de Sétif Rapporteur
KHAMLICHE Mabrok M. C. à l’université de Ferhat Abbas de Sétif Examinateur
HEMSAS Kamel Eddine M. C. à l’université de Ferhat Abbas de Sétif Examinateur
ABDELAZIZ Morad M. C. à l’université de Ferhat Abbas de Sétif Examinateur
‫ﺷﻜﺮ ﻭﻋﺮﻓﺎﻥ‬
‫ﺃﺑﺪﺃ ﺑﺎﺳﻢ ﺍﷲ ﻭﲪﺪﻩ ﻭﺍﻟﺜﻨﺎﺀ ﻋﻠﻴﻪ‪ ،‬ﻭﺷﻜﺮﻩ ﻗﺒﻞ ﻛﻞ ﺷﻲﺀ‪ .‬ﻓﻬﻮ ﺳﺒﺤﺎﻧﻪ ﺃﻫﻞ ﺍﻟﺜﻨﺎﺀ ﻭﺍﳊﻤﺪ‪ ،‬ﻭﺑﻪ‬
‫ﺍﻻﺳﺘﻌﺎﻧﺔ ﻭﻋﻠﻴﻪ ﺍﻟﺘﻜﻼﻥ‪ ،‬ﻭﻻ ﺣﻮﻝ ﻭﻻ ﻗﻮﺓ ﻟﻨﺎ ﺇﻻ ﺑﻪ‪ ﴿ ،‬ﻭﻣﺎ ﺗﻮﻓﻴﻘﻲ ﺇﻻ ﺑﺎﷲ ﻋﻠﻴﻪ ﺗﻮﻛﻠﺖ﴾‪.‬‬
‫ﰒ ﺍﻟﺼﻼﺓ ﻭﺍﻟﺴﻼﻡ ﻋﻠﻰ ﺭﺳﻮﻝ ﺍﷲ ﺍﳍﺎﺩﻱ ﺍﻷﻣﲔ‪ ،‬ﺫﻱ ﺍﳋﻠﻖ ﺍﻟﻌﻈﻴﻢ‪ ،‬ﻭﻋﻠﻰ ﺁﻟﻪ ﻭﺻﺤﺒﻪ ﻭﻣﻦ ﺳﺎﺭ‬
‫ﻋﻠﻰ ‪‬ﺠﻪ ﺇﱃ ﻳﻮﻡ ﺍﻟﺪﻳﻦ‪.‬‬
‫ﻛﻤﺎ ﻭﺃﺗﻘﺪﻡ ﺑﺎﻟﺸﻜﺮ ﺍﳉﺰﻳﻞ ﺇﱃ ﻣﺆﻃﺮﻱ ﻭﺃﺳﺘﺎﺫﻱ ﺍﻟﺪﻛﺘﻮﺭ ﺍﻟﺴﻴﺪ ﺻﺎﻳﺖ ﺑﻠﻘﺎﺳﻢ ﺍﳌﺪﻳﺮ ﻭﺍﳌﺸﺮﻑ‬
‫ﻋﻠﻰ ﻋﻤﻠﻲ ﻫﺬﺍ‪ .‬ﺃﺷﻜﺮﻩ ﻋﻠﻰ ﺗﺄﻃﲑﻩ ﱄ‪ ،‬ﻭﻋﻠﻰ ﺃﻥ ﻣﻜﻨﲏ ﻣﻦ ﺩﺧﻮﻝ ﻋﺎﱂ ﺍﻟﺒﺤﺚ ﺍﻟﻌﻠﻤﻲ ﻣﻦ ﺑﺎﺑﻪ‬
‫ﺍﻟﻮﺍﺳﻊ‪ ،‬ﻭﻋﻠﻰ ﺻﱪﻩ ﻋﻠﻰ ﻇﺮﻭﰲ ﺍﳌﺘﺬﺑﺬﺑﺔ ﻃﻮﺍﻝ ﻣﺎ ﻳﺰﻳﺪ ﻋﻠﻰ ﻋﺎﻣﲔ ﻣﻦ ﺍﻟﺰﻣﻦ‪ .‬ﺣﻴﺚ ﱂ ﻳﺘﻮﺍﻥ ﺃﺑﺪﺍ‬
‫ﰲ ﺗﺸﺠﻴﻌﻲ‪ ،‬ﻭﱂ ﻳﺪﺧﺮ ﺟﻬﺪﺍ ﰲ ﺇﻋﺎﻧﱵ ﻭﺗﺰﻭﻳﺪﻱ ﺑﺎﳌﺮﺍﺟﻊ ﺍﻟﻼﺯﻣﺔ‪.‬‬
‫ﻭﺷﻜﺮﻱ ﺍﳊﺎﺭ ﺃﺑﺜﻪ ﺇﱃ ﺍﻟﺴﻴﺪ ﻟﻌﻤﺎﻣﺮﺓ ﻋﺜﻤﺎﻥ ﺍﻟﺪﻛﺘﻮﺭ ﲜﺎﻣﻌﺔ ﻓﺮﺣﺎﺕ ﻋﺒﺎﺱ ﻭﺭﺋﻴﺲ ﳉﻨﺔ ﺍﻟﺘﺤﻜﻴﻢ‪،‬‬
‫ﻭﺇﱃ ﻛﻞ ﻣﻦ ﺍﻟﺴﺎﺩﺓ ﺍﻟﺪﻛﺎﺗﺮﺓ ﺃﻋﻀﺎﺀ ﳉﻨﺔ ﺍﻟﺘﺤﻜﻴﻢ‪ :‬ﺍﻟﺴﻴﺪ ﲪﺴﺎﺱ ﻛﻤﺎﻝ ﻭﺍﻟﺴﻴﺪ ﲬﻠﻴﺶ ﻣﱪﻭﻙ‬
‫ﻭﺍﻟﺴﻴﺪ ﻋﺒﺪ ﺍﻟﻌﺰﻳﺰ ﻣﺮﺍﺩ‪.‬‬
‫ﻭﻻ ﺃﻧﺴﻰ ﺃﻥ ﺃﺷﻜﺮ ﻭﺍﻟﺪﻱ ﺍﻟﻌﺰﻳﺰﻳﻦ ﺍﻟﻠﺬﻳﻦ ﱂ ﻳﻔﺘﺮﺍ ﰲ ﺗﺸﺠﻴﻌﻲ ﻭﺇﻋﺎﻧﱵ‪ ،‬ﻭﻛﺬﻟﻚ ﺯﻭﺟﱵ ﺍﻟﱵ‬
‫ﻭﻗﻔﺖ ﻣﻌﻲ ﰲ ﺃﺣﻠﻚ ﺍﻟﻈﺮﻭﻑ‪.‬‬
‫ﻭﺃﺧﲑﺍ ﺃﺷﻜﺮ ﻛﻞ ﻣﻦ ﻗﺪﻡ ﱄ ﻳﺪ ﺍﻟﻌﻮﻥ ﻣﻦ ﻗﺮﻳﺐ ﺃﻭ ﻣﻦ ﺑﻌﻴﺪ‪.‬‬
‫‪i‬‬
DEDICACE
Je dédier ce modeste travail
Ma source d’inspiration, de motivation et de bénédiction . . . Ma mère

Mon maître de passion, de patience et de persévérance . . . Mon père
Ma fidèle . . . Ma femme
Mes frères et mes soeurs
Mes enfants . . . Ishak et Mohamed
Mes amis . . . surtout Soltani Kheireddine
K. Sofiane
ii
TABLE DES MATIERES
. . . . générale
Introduction .............................................................. 01
Chapitre. I. :. .Surveillance
. . . . . . . . . . .des . . .systèmes
. . . . . . . .automatisés
........................................ 03
I.1. Introduction
.................................................................. 04
I. 2. Définitions
.................................................................. 05
I. 3. Fonctions
. . . . . . . de . . la
. . surveillance
....................................................... 08
I. 3. .1.. .La. . détection
............................................................. 09
I. 3. .2.. .Le. . diagnostic
............................................................. 11
I. .3.. .2.. .1.. .La. . localisation
......................................................... 11
. I.. .3.. .2.. .1.. .a.. .Les
. . .résidus
. . . . . . structurés
. . . . . . . . (structurels)
...................................... 11
. I.. .3.. .2.. .1.. .b.. .Les
. . . résidus
. . . . . . directionnels
.............................................. 13
I. .3.. .2.. .2.. .L’identification
........................................................... 14
I. 4. Méthodes
. . . . . . . de . . la
. . surveillance
....................................................... 14
I. 4. .1.. .Choix
. . . . . de . . la
. . méthode
. . . . . . . .de. . surveillance
............................................ 16
I. 4. .2.. .Les
. . . méthodes
. . . . . . . . de . . .surveillance
. . . . . . . . . .sans
. . . .modèle
. . . . . . (directes)
............................. 16
I. 4. .3.. .Les
. . . méthodes
. . . . . . . . de . . .surveillance
. . . . . . . . . .avec
. . . .modèle
................................... 20
I. .4.. .2.. .1.. .Estimation
. . . . . . . . .paramétrique
.................................................. 21
I. .4.. .2.. .1.. .Estimation
. . . . . . . . .d’état
.................................................. 22
. I.. .4.. .2.. .1.. .a.. .Observateurs
....................................................... 22
. I.. .4.. .2.. .1.. .b.. .Espace
. . . . . .de. . parité
............................................... 23
I. 5. Conclusion
.................................................................. 23
Chapitre. II . . :. Etude
. . . . . .des
. . . Systèmes
. . . . . . . . .Dynamiques
. . . . . . . . . . .Hybrides
................................. 24
II. 1. Introduction
.................................................................. 25
II. 2. Notions
. . . . . . de
. . .Systèmes
. . . . . . . .Dynamiques
. . . . . . . . . . Hybrides
. . . . . . . . (SDH)
............................... 26
II. 2.. 1.
. . Définition
. . . . . . . . . des
. . . Systèmes
. . . . . . . . Dynamiques
. . . . . . . . . . .Hybrides
. . . . . . . .(SDH)
........................ 26
II. 2.. 2.
. . Principales
. . . . . . . . . .classe
. . . . .de
. . phénomènes
. . . . . . . . . . . hybrides
................................... 27
II.. 2.
. . 2.
. . 1.
. . SDH
. . . . .à. commutation . . . . . . . . .″Switching″
. . . . . . . . . . . autonome ................................. 27
II.. 2.
. . 2.
. . 2.
. . SDH
. . . . .à. commutation
. . . . . . . . . . . contrôlée
.......................................... 28
II. 3. Exemples
. . . . . . . .illustratifs
.......................................................... 28
II. 3.. 1.
. . Le
. . .thermostat
............................................................ 28
II. 3.. 2.
. . Le
. . .jeu
. . .de
. . billard
....................................................... 30
II. 3.. 3.
. . L’embrayage
............................................................... 31
II. 4. Modélisation
. . . . . . . . . . des
. . . .systèmes
. . . . . . . hybrides
............................................. 32
II. 4.. 1.
. . Approche
. . . . . . . . .de
. . modélisation
.................................................... 32
II.. 4.
. . 1.
. . 1.
. . L’approche
. . . . . . . . . . continue
................................................. 32
II.. 4.
. . 1.
. . 2.
. . L’approche
. . . . . . . . . . évènementielle
................................................. 32
II.. 4.
. . 1.
. . 3.
. . L’approche
. . . . . . . . . . mixte
................................................. 32
II. 4.. 2.
. . Modèle
. . . . . . .de
. . l’automate
. . . . . . . . . hybride
............................................. 33
II. 5. Conclusion
.................................................................. 34
Chapitre III : Structure générique de SDH et Automate Hybride 35

III. 1. Introduction
.................................................................. 36
III. 2. La
. . .structure
. . . . . . . générique
. . . . . . . . .des
. . .SDH
............................................ 36
III. 2.
. .1.
. .Le
. . .procédé
........................................................... 36
III.
. .2.
. .1.
. .2.
. .Aspect
. . . . . . continu
.................................................... 36
III.
. .2.
. .1.
. .3.
. .Aspect
. . . . . . discret
.................................................... 36
iii
III. 2.
. .2.
. .Les
. . . spécifications
. . . . . . . . . . . .de. . fonctionnement
............................................. 39
III.
. .2.
. .2.
. .1.
. .Les
. . . . . . . . . . . .continues
........................................... 39
III.
. .2.
. .2.
. .2.
. .Les
. . . . . . . . . . . .discrètes
........................................... 40
III. 3. Les
. . . automates
. . . . . . . . .hybrides
...................................................... 40
III. 3.
. .1.
. .Définition
. . . . . . . . .informelle
..................................................... 41
III. 3.
. .2.
. .Définition
. . . . . . . . .formelle
..................................................... 43
III. 4. Exemples
. . . . . . . . illustratifs
.......................................................... 44
III. 4.
. .1.
. .Le
. . .thermostat
........................................................... 44
III. 4.
. .2.
. .Le
. . .jeu
. . .de. .billard
...................................................... 45
III. 5. Sémantique
.................................................................. 46
III. 6. Notion
. . . . . . d’atteignabilité
............................................................ 47
III. 7. Simulation
. . . . . . . . . d’un
. . . . système
. . . . . . . hybride
.............................................. 47
III. 8. Application
. . . . . . . . . .sur
. . .le. .benchmark
. . . . . . . . . de
. . .l’AS
. . . .193
................................... 49
III. 8.
. .1.
. .Description
. . . . . . . . . .du. . système
.................................................. 49
III. 9. Conclusion
.................................................................. 51
Chapitre. IV . . .:. Surveillance

. . . . . . . . . . . des
. . . Systèmes
. . . . . . . . .Dynamiques
. . . . . . . . . . .Hybrides
........................... 53
IV. 1. Introduction
.................................................................. 54
IV. 2. Générateur
. . . . . . . . . .de. .résidus
...................................................... 54
IV. 2.. . 1.
. . L’espace
. . . . . . . .de
. . parité
. . . . . (Relation
. . . . . . . . de
. . .Redondance
. . . . . . . . . .Analytique
. . . . . . . . . RRA)
................. 55
IV.. . 2.
. . 1.
. . 1.
. . Principe
. . . . . . . général
................................................... 55
IV.. . 2.
. . 1.
. . 2.
. . Utilisation
. . . . . . . . . des
. . . RRA
. . . . .pour
. . . .la. .surveillance
................................... 60
IV.. . 2.
. . 1.
. . 3.
. . Calcul
. . . . . .des
. . .RRA
................................................. 62
. IV.
. . . 2.
. . 1.
. . 3.
. . 1.
. . Le
. . .cas
. . .linéaire
................................................ 62
. IV.
. . . 2.
. . 1.
. . 3.
. . 2.
. . Le
. . .cas
. . .non
. . . linéaire
. . . . . . .(par
. . . .élimination)
.................................. 64
IV. 3. Surveillance
. . . . . . . . . . .des. . .systèmes
. . . . . . . .dynamiques
. . . . . . . . . .hybrides
.................................. 67
IV. 3.. . 1.
. . Introduction
.............................................................. 67
IV. 3.. . 2.
. . Modèle
. . . . . . .de
. . bon
. . . .fonctionnement
. . . . . . . . . . . . .des. . .SDH
................................. 68
IV. 3.. . 3.
. . Description
. . . . . . . . . .et. .caractérisation
. . . . . . . . . . . . des
. . . défaillances
................................... 69
IV. 3.. . 4.
. . Utilisation
. . . . . . . . . des
. . . résidus
. . . . . . pour
. . . . .la. .surveillance
. . . . . . . . . .des
. . .SDH
........................ 70
IV.. . 3.
. . 4.
. . 1.
. . Discernabilité
. . . . . . . . . . . .entre
. . . . modes
.......................................... 70
IV.. . 3.
. . 4.
. . 2.
. . Surveillance
. . . . . . . . . . .des
. . .défaillances
. . . . . . . . . .survenant
. . . . . . . . dans
. . . . un
. . .mode
................... 71
IV.. . 3.
. . 4.
. . 3.
. . Surveillance
. . . . . . . . . . .des
. . .défaillances
. . . . . . . . . .influençant
. . . . . . . . . la
. . dynamique
. . . . . . . . . .discrète
............. 72
IV. 4. Exemple
. . . . . . . .d’illustration
.......................................................... 72
IV. 4.. . 1.
. . Description
. . . . . . . . . .du
. . système
.................................................. 72
IV. 4.. . 2.
. . Simulation
. . . . . . . . . de
. . .l’évolution
. . . . . . . . . du
. . .système
...................................... 75
IV. 4.. . 3.
. . Génération
. . . . . . . . . .des
. . .résidus
................................................. 76
IV.. . 4.
. . 3.
. . 1.
. . Equations
. . . . . . . . .de. .mesures
............................................... 76
IV.. . 4.
. . 3.
. . 2.
. . Défaillances
. . . . . . . . . . .considérées
............................................... 77
IV.. . 4.
. . 3.
. . 3.
. . Génération
. . . . . . . . . .des
. . .résidus
. . . . . .par
. . .la. .méthode
. . . . . . . de
. . .l’élimination
........................ 77
IV. 4.. . 4.
. . Etude
. . . . . des
. . . résidus
...................................................... 82
IV. 4.. . 4.
. . 1.
. . Fonctionnement
. . . . . . . . . . . . . .normal
. . . . . .(sans
. . . . défaillances)
.................................... 83
IV. 4.. . 4.
. . 2.
. . Fonctionnement
. . . . . . . . . . . . . .défaillant
.............................................. 88
IV. 5. Conclusion
.................................................................. 90
. . . et
Conclusion . . perspectives
............................................................. 92
Annexe A : Les. .bases
. . . . . . . . . .de
. . Groebner
.................................................... 95
..................................................................
Bibliographie 100
iv
LISTE DES FIGURES
Figure I.1. :. Anomalies

. . . . . . . . . .et. .Observations
. . . . . . . . . . .classées
. . . . . . .par. . .criticité
. . . . . . croissante
......................... 07
Figure I.2. :. Fonctions
. . . . . . . . .de. . la
. . surveillance
................................................... 09
Figure I.3. :. Test
. . . . de
. . .cohérence
. . . . . . . . (test
. . . . de
. . .détection,
. . . . . . . . test
. . . de
. . .consistance)
............................ 10
Figure I.4. :. Résidus
. . . . . . . directionnels
......................................................... 13
Figure I.5. :. Résidus
. . . . . . . directionnels
. . . . . . . . . . . pour
. . . . la
. . localisation
........................................ 14
Figure I.6. :. Différentes
. . . . . . . . . .méthodes
. . . . . . . . de. . .surveillance
........................................... 16
Figure I.7. :. Estimation
. . . . . . . . . .paramétrique
. . . . . . . . . . .pour. . . .la. .détection
. . . . . . . .et. .le. .diagnostic
. . . . . . . . des
. . . défauts
.............. 22
Figure II.1
. . :. a)
. . commutation
. . . . . . . . . . . à. .la. .valeur
. . . . .seuil
. . . . x. 1. . . . b)
. . .saut
. . . de
. . .la. .région
. . . . . (x
. .2.–. x. 1.). . . . . . . . . . 28
Figure II.2
. . :. Système
. . . . . . . hybride
. . . . . . .à. commutation
. . . . . . . . . . . contrôlée
..................................... 28
Figure II.3
. . :. Modèle
. . . . . . .du
. . thermostat
...................................................... 29
Figure II.4
. . :. Trajectoire
. . . . . . . . . de
. . .la. .température
................................................. 30
Figure II.5
. . :. Trajectoire
. . . . . . . . . d’une
. . . . . boule
. . . . . de. . .billard
......................................... 31
Figure II.6
. . :. Système
. . . . . . . d’embrayage
. . . . . . . . . . . mécanique
............................................. 31
Figure II.7
. . :. Exemple
. . . . . . . .d’un
. . . .automate
. . . . . . . .hybride
........................................... 34
Figure III.1
. . .: .Exemple
. . . . . . . d’une
. . . . . structure
. . . . . . . .physique
.......................................... 37
Figure III.2
. . .: .Partie
. . . . .d’un
. . . . automate
. . . . . . . .hybride
............................................. 39
Figure III.3
. . .: .Modèle
. . . . . . du
. . .thermostat
. . . . . . . . .avec. . . .les
. . .spécifications
. . . . . . . . . . . de. . .fonctionnement
....................... 40
Figure III.4
. . .: .Schéma
. . . . . . .illustratif
. . . . . . . d’un
. . . . .automate
. . . . . . . hybride
.................................... 41
Figure III.5
. . .: .Sommet
. . . . . . .initial
. . . . . et
. . sommet
. . . . . . .puits
......................................... 42
Figure III.6
. . .: .Schéma
. . . . . . .général
. . . . . .d’un
. . . . automate
. . . . . . . .hybride
..................................... 42
Figure III.7
. . .: .Exemple
. . . . . . . de
. . .l’affectation
. . . . . . . . . . lors
. . . .du. . franchissement
. . . . . . . . . . . . .d’une
. . . . .transition
.................. 43
Figure III.8
. . .: .Automate
. . . . . . . . hybride
. . . . . . .modélisant
. . . . . . . . . l’exemple
. . . . . . . . .du . . thermostat
........................... 44
Figure III.9
. . .: .Trajectoire
. . . . . . . . . d’une
. . . . . boule
. . . . .de. . billard
......................................... 45
Figure III.10
. . . .: .Modèle
. . . . . . .automate
. . . . . . . .hybride
. . . . . . du
. . .mouvement
. . . . . . . . . .de . . la
. . boule
....................... 46
Figure III.11 : L’organigramme de l’algorithme de simulation des systèmes
. . . . .dynamiques
. . . . . . . . . . hybrides
................................................... 48
Figure III.12
. . . .: .Système
. . . . . . . de
. . benchmark
. . . . . . . . . .de . . l’AS
. . . . .193................................... 49
Figure III.13
. . . .: .Automate
. . . . . . . . hybride
. . . . . . .pour
. . . .le. .benchmark
........................................ 50
Figure III.14
. . . .: .Les
. . . niveaux
. . . . . . .du . . .liquide
. . . . . .h.1 .et. .h.2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
Figure III.15
. . . .: .Chronogramme
. . . . . . . . . . . . .de . . modes
.............................................. 52
Figure IV.1
. . .: .Système
. . . . . . . hybride
. . . . . . .de . . deux
. . . . .réservoirs
......................................... 73
Figure IV.2
. . .: .L’automate
. . . . . . . . . .hybride
. . . . . . du. . .système
. . . . . . .(4.40)
.................................... 75
Figure IV.3
. . .: .Les
. . . niveaux
. . . . . . . de
. . .liquides
. . . . . . dans
. . . . .les
. . deux
. . . . .réservoirs
............................... 75
Figure IV.4
. . .: .Le
. . .chronogramme
. . . . . . . . . . . . de . . .l’évolution
. . . . . . . . .des. . .modes
................................ 76
Figure IV.5
. . .: .Résidus
. . . . . . .pour
. . . .mode
. . . . .1. (système
. . . . . . . .sain)
. . . . . .a). .Résidu
. . . . . .r.6 . . .b). . Résidu
. . . . . . r.7. . . . . . . . . . 83
Figure IV.6
. . .: .Résidus
. . . . . . .pour
. . . .mode
. . . . .2. (système
. . . . . . . .sain)
. . . . . .a). .Résidu
. . . . . .r.6 . . .b). . Résidu
. . . . . . r.7. . . . . . . . . . 83
Figure IV.7
. . .: .Résidus
. . . . . . .pour
. . . .mode
. . . . .3. (système
. . . . . . . .sain)
. . . . . .a). .Résidu
. . . . . .r.6 . . .b). . Résidu
. . . . . . r.7. . . . . . . . . . 84
Figure IV.8
. . .: .Résidus
. . . . . . .pour
. . . .mode
. . . . .4. (système
. . . . . . . .sain)
. . . . . .a). .Résidu
. . . . . .r.6 . . .b). . Résidu
. . . . . . r.7. . . . . . . . . . 84
Figure IV.9
. . .: .Résidus
. . . . . . .pour
. . . .mode
. . . . .5. (système
. . . . . . . .sain)
. . . . . .a). .Résidu
. . . . . .r.6 . . .b). . Résidu
. . . . . . r.7. . . . . . . . . . 84
Figure IV.10
. . . .: .Résidus
. . . . . . .pour
. . . .mode
. . . . .6. (système
. . . . . . . .sain)
. . . . . .a). .Résidu
. . . . . .r.6 . . .b). . Résidu
. . . . . . r.7. . . . . . . . . 85
Figure IV.11
. . . .: .Résidus
. . . . . . .pour
. . . .mode
. . . . .7. (système
. . . . . . . .sain)
. . . . . .a). .Résidu
. . . . . .r.6 . . .b). . Résidu
. . . . . . r.7. . . . . . . . . 85
Figure IV.12
. . . .: .Résidus
. . . . . . .pour
. . . .mode
. . . . .8. (système
. . . . . . . .sain)
. . . . . .a). .Résidu
. . . . . .r.6 . . .b). . Résidu
. . . . . . r.7. . . . . . . . . 85
v
Figure IV.13.1
. . . . . :. Résidu
. . . . . . r. 67
. . pour
. . . . mode
. . . . . 1. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
Figure IV.13.2
. . . . . :. Résidu
. . . . . . r. 67
. . pour
. . . . mode
. . . . . 2. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
Figure IV.13.3
. . . . . :. Résidu
. . . . . . r. 67
. . pour
. . . . mode
. . . . . 3. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
Figure IV.13.4
. . . . . :. Résidu
. . . . . . r. 67
. . pour
. . . . mode
. . . . . 4. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
Figure IV.13.5
. . . . . :. Résidu
. . . . . . r. 67
. . pour
. . . . mode
. . . . . 5. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
Figure IV.13.6
. . . . . :. Résidu
. . . . . . r. 67
. . pour
. . . . mode
. . . . . 6. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
Figure IV.13.7
. . . . . :. Résidu
. . . . . . r. 67
. . pour
. . . . mode
. . . . . 7. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
Figure IV.13.8
. . . . . :. Résidu
. . . . . . r. 67
. . pour
. . . . mode
. . . . . 8. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
Figure IV.14. Résidu r6, r7, r67 pour mode 1 (système défaillant)
. . . . .a). .Résidu
. . . . . .r6. . . . . . . . b)
. . Résidu
. . . . . . r. 7. . . . . . . c)
. . Résidu
. . . . . . r. 67. . . . . . . . . . . . . . . . . . . . 89
. . . . .a). .Résidu
. . . . . .r6. . . . . . . . b)
. . Résidu
. . . . . . r. 7. . . . . . . c)
. . Résidu
. . . . . . r. 67. . . . . . . . . . . . . . . . . . . . 90
vi
LISTE DES TABLEAUX
Tableau I.1
. . .: .Criticité
. . . . . . .croissante
. . . . . . . . des
. . . anomalies
............................................ 08
Tableau I.2
. . .: .Table
. . . . .de
. . signatures
. . . . . . . . .théoriques
.............................................. 12
Tableau I.3
. . .: .Table
. . . . .de
. . signatures
. . . . . . . . .théoriques
. . . . . . . . .de. .trois
. . . .résidus
. . . . . . pour
. . . . trois
..................... 13
Tableau IV.1
. . . . :. Construction
. . . . . . . . . . .des
. . . modes
............................................... 73
Tableau IV.2
. . . . :. Table
. . . . . de
. . .signatures
. . . . . . . . des
. . . fautes
.......................................... 82
Tableau IV.3
. . . . :. Non
. . . . discernabilité
. . . . . . . . . . . des
. . . .modes
.......................................... 86
vii
NOMENCLATURE
m : Seuil inférieur du thermostat.

M : Seuil supérieur du thermostat.
0 : Valeur initiale de la température du chambre.
x0, y0 : Repères de la position initiale de la boule de billard.
v: La vitesse de la boule de billard.
vx, vy : Composantes de v.
Ji : Inertie de chaque masse embrayée.
i : Couple de l’embrayage sur chaque masse.
i : Vitesse de rotation de chaque masse.
Qin : Débit d’entrée du liquide au réservoir.
Qout : Débit de sortie du liquide.
S: La section du réservoir.
h0 : Niveau initial du liquide.
h(t) : Niveau du liquide en fonction du temps.
S1, S2 : Section du réservoir R1 et R2 respectivement.
Qp : Débit de la pompe.
h1, h2 : Niveaux de liquide dans les deux réservoirs R1 et R2.
C2, C3 : Conduites entre les deux réservoirs.
Q1, Q4 : Les débits sortant respectivement des réservoirs R1 et R2.
Q2, Q3 : Les débits sortant du réservoir R1 vers R2 à travers les
conduites C2 et C3.
g: La gravité.
Qp1, Qp2 : Le débit des deux pompe P1 et P2.
f1, f2, f3, f4, f5, f6, f7 : Les défaillances affectant les différentes parties du système
de deux réservoirs.
r1, r2, r3, r4, r5, r6, r7, r67 : Résidus structurés.
viii
INTRODUCTION GENERALE
Pendant les dernières décennies, grâces aux progrès technologiques liés principalement à la
rapidité de traitement des données et les grandes capacité de stockage de l’information, les
industries, toutes catégories confondues, ont considérablement évolué grâce aux moyens de
haute technologie appliquée aux domaines de la gestion de production, de supervision et la
surveillance.
Le développement de l’automatisation des systèmes industriels vise à améliorer leurs
performances. Cette course à la performance a conduit à l’élaboration de systèmes de plus en
plus complexes multipliant les risques de dysfonctionnement pouvant mettre en péril le
système lui-même et son environnement.
Par conséquent, pour un grand nombre d’application, il est nécessaire d’implanter un système
de surveillance afin de détecter, d’isoler voire d’identifier tout dysfonctionnement [1].
Le système de surveillance doit réaliser les trois tâches suivantes :
– La détection. Elle consiste à prendre une décision binaire : soit le système fonctionne
correctement, soit un défaut (défaillance) s’est produit. Le cas échant, la procédure doit
déterminer l’instant d’occurrence du défaut.
– La localisation. Elle consiste à déterminer le composant défectueux.
– L’identification. Elle consiste à déterminer l’allure de la défaillance en vue de déterminer le
type de maintenance ou de correction (accommodation, reconfiguration) à réaliser sur
l’installation. Cette étape nécessite la connaissance d’un modèle de la défaillance [2].
Dans ce contexte, de nombreuses approches sont développées, en vue de la détection de
défaillances et du diagnostic, par les différentes communautés de recherche en automatique, et
en informatique. Les méthodes se différencient par rapport au type de connaissance a priori
sur le processus qu'elles nécessitent. Ainsi, elles peuvent être classées, de façon générale,
comme des méthodes à base de modèles, et méthodes sans modèle.
Les méthodes à base de modèles considèrent un modèle structurel du comportement du
processus basé sur des principes physiques fondamentaux. Ces modèles peuvent être de type
quantitatif, exprimés sous forme d'équations mathématiques ou bien de type qualitatif,
exprimés par exemple sous forme de relations logiques. Les méthodes sans modèle exploitent
les compétences, le raisonnement et les connaissances des experts sur le processus pour les
transformer en règles, de manière à résoudre des problèmes spécifiques [3].
Sachant que nous ne disposons pas souvent d’un modèle de comportement réel, un travail
de simulation s’impose. Au cours de ces vingt dernières années, les outils informatiques pour
la modélisation et la simulation des procédés se sont développés conjointement avec les outils
et techniques informatiques. La technologie des ordinateurs a considérablement évolué et les
langages ont progressé, passant d'une approche procédurale à une approche orientée objet.
Dans les années 90, les simulateurs dynamiques se sont améliorés en termes de structure et de
1
fonctionnalité ; ils ont profité, notamment, d'avancées importantes dans la résolution de
grands systèmes d'équations.
L’objectif de ce mémoire est la modélisation des systèmes dynamiques hybrides par les
automates hybrides, et l’application de la technique de la relation de redondance analytique
RRA pour la surveillance de ces systèmes en prenant compte comme application le système
de deux bacs (benchmark).
Pour ce type de système, peu de travaux ont été consacrés à la détection, la localisation ou
le diagnostic des défaillances. De plus, même en fonctionnement normal, une des hypothèses
classiquement formulée pour la commande discrète de ces systèmes, est que le mode dans
lequel se trouve le système (le mode courant) est à tout instant connu. Ceci est une hypothèse
parfois très forte qui n’est pas toujours vérifiée sur une installation industrielle et qui nécessite
une instrumentation (capteurs) parfois abondante, performante et coûteuse. La détermination
du mode courant est donc une fonctionnalité supplémentaire que doit présenter la couche
logicielle de surveillance.
Ce mémoire est organisé en quatre chapitres comme suit :
Le premier chapitre fait l’objet de la présentation générale de la surveillance des systèmes
automatisés, les notions, les fonctions et les méthodes de base de la surveillance ont été
établies.
Le deuxième chapitre est consacré à une étude détaillée des Systèmes Dynamiques
Hybrides (SDH). Cette étude comprend une large définition de ce type de systèmes, ainsi les
différentes classes de ce genre de systèmes. Des exemples illustratifs sont présentés.
Dans le troisième chapitre on s’intéresse à la structure générique des SDH. Nous avons
détaillé une approche de modélisation dite mixte, et nous avons choisi pour cette méthode les
automates hybrides, dans la mesure où cette dernière tient compte des informations continues
et discrètes dans la même structure. Enfin, nous avons illustré la méthode sur le système du
benchmark de l’AS 193.
Le quatrième chapitre comprend la modélisation et la surveillance des systèmes
dynamiques hybrides, une présentation détaillée de la méthode de surveillance choisie dans
notre travail qu’est la méthode de l’espace de parité qui est une méthode de surveillance à
base de modèle. Cette méthode sera étudiée pour des systèmes linéaires et non linéaires, pour
ces derniers, une méthode d’élimination des inconnues spécifique, c’est la méthode de la base
de Groebner qui sera utilisée, enfin une application sur un système non linéaire (un système
dérivé du benchmark de l’AS 193).
Enfin, nous terminerons notre travail par une conclusion générale et quelques perspectives.
2
CHAPITRE I
SURVEILLANCE DES SYSTEMES AUTOMATISÉS
I.1. Introduction.
I.2. Définitions.
I.3. Fonctions de la surveillance.
3.1.1. La détection.
3.1.2. Le diagnostic.
3.1.2.1. La localisation.
3.1.2.3. L’identification.
I.4. Méthodes de la surveillance.
I.4.1. Choix de la méthode de surveillance.
I.4.2. Les méthodes sans modèle analytique (directes).
I.4.3. Les méthodes avec modèle analytique.
Chapitre I Surveillance des systèmes automatisés
I. 1. Introduction :
Les systèmes automatisés de production sont caractérisés par une complexité croissante.
Cette complexité le rend vulnérables aux défaillances, celles-ci étant à l’origine de coûts
importants en termes de sécurité (risque d’accidents, de pollutions, ...), et en termes de
disponibilités (diminution de la productivité). Cette vulnérabilité justifie l’introduction de
modules de surveillance.
La fonction de surveillance a pour premier objectif d’accroître la sécurité de l’installation.
Ainsi, cette fonction a principalement été développée pour des systèmes critiques tels les
installations chimiques, les centrales nucléaires, les plates-formes pétrolières et
l’aéronautique.
Parmi les facteurs qui contribuent à l’amélioration de la disponibilité, de la qualité et de la
sûreté de fonctionnement ainsi qu’à la réduction des coûts des installations industrielles, les
méthodes de surveillances sont devenues une aide significative, en particulier pour
l’exploitation de Systèmes Automatisés de Production (S.A.P.). La surveillance regroupe
l’ensemble des algorithmes de détection et de localisation des défaillances, elle s’intègre dans
le cadre plus général de la supervision et permet d’améliorer la qualité ainsi que de réduire les
coûts, en intervenant au cours des phases du cycle de vie du produit que sont:
La conception : une méthode d’analyse préventive peut être utilisée dès les premières étapes
d’un projet pour déterminer au mieux les défaillances possibles ainsi que leurs effets :
"diagnostic de conception",
La production : les défauts peuvent être identifiés et localisés en cours de production. Le
diagnostic permet de corriger ou d’arrêter la fabrication de produits puisqu’ils ne pourront
satisfaire le cahier des charges,
L’utilisation : une procédure d’arrêt et/ou de retrait peut être déclenchée si la sécurité est mise
en péril par l’occurrence d’un défaut lors d’une phase d’utilisation. Une localisation précise
des défaillances pourra permettre d’améliorer la maintenabilité et la disponibilité en indiquant
les composants à remplacer. Ici, l’intérêt du diagnostic est de fournir les informations qui
définissent une politique de maintenance appropriée.
Le système de surveillance doit réaliser les trois tâches suivantes :
1 – La détection.
2 – La localisation.
3 – L’identification.
Beaucoup de systèmes de surveillance ne comportent que les deux premières étapes.
L'identification d'une défaillance n'est réalisée que lorsqu'une action de reconfiguration de la
commande ou des objectifs à atteindre est envisagée. Lorsqu'un algorithme de surveillance ne
comporte que ces deux étapes, il est qualifié d'algorithme de FDI (Fault Detection and
Isolation).
4
I. 2. Définitions :
Il semble intéressant, dans un premier temps, de rappeler les principaux termes utilisés
dans les notions de la surveillance des systèmes. Reposant principalement sur le travail
effectué par [4], [5], [6].
Définition I.1. La surveillance :

Représente l’ensemble des moyens mis en œuvre destinées à observer l’état d’une entité
dans le but de faire face aux aléas d’un système au cours de la phase d’exploitation.
Le suivi en temps réel des signaux permet de reconstituer l’état réel du système commande
en tenant compte de ces différents modes de fonctionnement et de faire toutes les inférences
nécessaires pour produire des données utilisées.
L’exploitation de ces données permet par la suite de :
Dresser des historiques de fonctionnement.
Le cas échéant, mettre en œuvre un processus de traitement de défaillance. Les performances
d’un système de surveillance peuvent être améliorées grâce aux actions sur les différentes
fonctions du système de surveillance, à savoir la fonction détection et la fonction diagnostic
qui consiste a la localisation et l’identification de la défaillance.
L’objectif de la surveillance consiste à déterminer à chaque instant le mode de
fonctionnement du système par ses manifestations extérieures. Il s’appuie sur une
connaissance a priori des modes de fonctionnement et sur une connaissance instantanée
matérialisée par une nouvelle observation de l’état du système. Son principe général consiste
à confronter les données relevées au cours du fonctionnement réel du système avec la
connaissance que l’on a de son fonctionnement normal ou défaillant. Si le mode de
fonctionnement identifié est un mode défaillant, le système de surveillance pourra localiser sa
cause. La fonction la surveillance est donc de chercher une causalité liant le symptôme, la
défaillance et son origine
Définition I.2. Le système de surveillance :

Le système de surveillance a pour vocation première d’émettre des alarmes dont l’objectif
est d’attirer l’attention de l’opérateur de supervision sur l’apparition d’un ou plusieurs
événements susceptibles d’affecter le bon fonctionnement de l’installation, comme le
dépassement d’un seuil de sécurité au niveau du remplissage d’une cuve.
Compte tenu de la complexité des procédés, la génération d’alarmes est le moyen le plus
employé pour avertir l’opérateur de l’occurrence d’un événement anormal. Les alarmes sont
donc liées aux dysfonctionnements pouvant apparaître sur le système de production.
Définition I.3. Système physique :

Un système physique est un ensemble d’éléments (composants, constituants)
interconnectés ou en interaction organisés pour réaliser une fonction.
5
Définition I.4. Composant :

Un composant est une partie du système choisie selon des critères liés à la modélisation. Il
doit être simple à modéliser dans le sens où cela doit être naturel : il peut s’agir d’un
composant (physique ou logique) complet du système ou d’une partie parfaitement délimitée
de ce composant, d’un groupe de composants. Le comportement du composant élémentaire
n’est pas décomposable ou alors cette décomposition n’est pas souhaitée, il constitue une
"brique" du comportement du système.
Définition I.5. Modèle :

Un modèle d’un système physique est une description de sa structure et une représentation
comportementale ou fonctionnelle de chacun de ses composants. Une représentation
comportementale est constituée de relations entre diverses variables du système, appelées
classiquement relations de causes à effets. Une représentation fonctionnelle est plus abstraite
puisqu’elle ne s’adresse qu’aux objectifs présumés que le système physique doit remplir. Le
niveau structurel, quant à lui, s’appuie sur la structure réelle du système physique et décrit les
interconnections entre ses différents éléments ou constituants. Les niveaux comportemental et
fonctionnel comprennent des relations entre des grandeurs physiques (variables) et permettent
de mettre en évidence la présence d’un événement anormal ou anomalie. Le niveau structurel,
quant à lui, permet de déterminer l’élément affecté par le défaut. L’intérêt de cette
décomposition est de rappeler que, puisqu’un modèle contient toute l’information relative à
un système physique, il est utilisable ensuite par la procédure de la surveillance.
Définition I.6. L’anomalie :

Condition anormale diminuant ou supprimant l’aptitude d’une entité fonctionnelle à
accomplir une fonction requise. Ce terme générique permet de décrire tout ce qui n’est pas
conforme à une référence.
Définition I.7. Le défaut :

- anomalie de comportement au sein d’un système physique ; un défaut n'altère pas
nécessairement le fonctionnement d'un système physique mais peut présager d'une défaillance
à venir, ou :
− Tout écart entre la caractéristique observée sur le dispositif et la caractéristique de
référence, lorsque celui-ci est en dehors des spécifications.
− N'importe quel état indésirable d'un composant ou d'un système. Un défaut n'implique pas
nécessairement une défaillance.
− Déviation non permise d'au moins une propriété ou un paramètre caractéristique du système
des conditions acceptables ou (et) standards.
− Un défaut est une anomalie de comportement au sein d'un système physique localisée au
niveau d’un composant.
6
Définition I.8. La défaillance :

Anomalie fonctionnelle au sein d’un système physique. C’est une cessation de l’aptitude
d’une unité fonctionnelle à accomplir une fonction requise avec les performances définies
dans les spécifications techniques. C’est-à-dire caractérise son incapacité à accomplir
certaines fonctions qui lui sont assignées. La défaillance est un passage d’un état à un autre,
par opposition à une panne qui est un état.
Les défauts incluent les défaillances mais la réciproque n'est pas vraie. Un système peut
remplir sa fonction tout en présentant une anomalie de comportement. Par exemple, une
machine électrotechnique peut produire un bruit anormal tout en entraînant correctement une
charge, en supposant que telle soit sa fonction. Le bruit anormal est un défaut qui peut
permettre de présager d'une défaillance à venir. La recherche de défauts est donc
fondamentale en diagnostic.
Définition I.9. La panne :

Inaptitude d’un dispositif à accomplir sa fonction vitale.
Il est clair que dès l’apparition d’une défaillance, caractérisée par la cessation du dispositif à
accomplir sa fonction, on déclarera le dispositif en panne. Par conséquent, une panne résulte
toujours d’une défaillance.
Définition I.10. Le symptôme :

Une ou plusieurs observations qui révèlent d’un dysfonctionnement.
Il s’agit d’un effet qui est la conséquence d’un comportement anormal. Ce terme permet le
regroupement d’indices de défauts ne présentant pas d’intérêt séparément.
Définition I.11. La perturbation :

Entrée du système physique qui n’est pas une commande. Autrement dit, c’est une entrée
non contrôlée.
La figure I.1 représente les anomalies suivant leur criticité.
Défaut
Anomalies
Défaillance
Normal Panne
Signe
Observations
Symptôme
Limite du Limite du Plus aucune

comportement fonctionnement fonction assurée
normal normal
Figure I.1 Anomalies et Observations classées par criticité croissante.
7
Il existe également une criticité croissante entre défaillance et panne. De la non conformité
(ou anomalie) dans le cas d’une défaillance, on passe à une inaptitude à accomplir une
fonction dans le cas d’une panne.
Ces notions sont illustrées à partir de l'exemple d’un moteur devant assurer une fonction de
ventilation (tableau I.1).
Définition illustrée Evènement Ecart au Aptitude à

comportement remplir la
nominal fonction de
(courant, vitesse) ventilation
Perturbation Variation de température extérieure (normal) Petit Total
Défaut Fort échauffement Moyen Total
Défaillance Déclenchement intermittent d’un relais Grand Partielle
thermique stoppant le ventilateur jusqu’à ce
que la température du moteur redescende à un
niveau acceptable.
Panne Suite aux forts échauffements répétitifs, les Grand Nulle
isolants sont progressivement endommagés:
un court-circuit apparaît; le moteur ne peut
plus tourner jusqu’à ce qu’une réparation soit
effectuée.
Tableau I.1 Criticité croissante des anomalies.
Remarque I.1. Effet de perturbations :

Contrairement à ce que pourrait laisser penser le tableau I.1, les écarts de comportement
relatifs à des perturbations ne sont pas nécessairement plus faibles que ceux associés aux
défauts. Par exemple, une perturbation telle qu’une variation du couple de charge sur un
moteur peut entraîner des écarts très importants par rapport à un comportement de référence,
sans que cette situation soit critique. Des écarts de comportement beaucoup plus faibles,
résultant par exemple de courts-circuits entre quelques spires d’une même phase,
correspondent par contre à une situation plus critique pour laquelle un diagnostic pourra être
envisagé.
Définition I.12. Le résidu :

Un résidu est un signal indicateur de défauts. Il reflète la cohérence des données mesurées
vis-à-vis du modèle comportemental du système. Autrement dit : le résidu est l’écart produit
par la comparaison entre le comportement réel et le comportement nominal du système.
I. 3. Fonctions de la surveillance :
Le rôle de la surveillance est de recueillir en permanence tous les signaux en provenance
du procédé et de la commande, de reconstituer l’état réel du système commandé et de faire
toutes les inférences nécessaires pour produire les données utilisées ou utilisables, en vue de :
- dresser des historiques de fonctionnement,
- le cas échéant, mettre en œuvre un processus de traitement de défaillances.
8
La surveillance regroupe les sous fonctions suivantes : la détection, le diagnostic qui

regroupe à son tour deux fonction telles que : la localisation et l’identification, comme illustre
la figure suivante :
Fonctions de la surveillance
Détection Diagnostic
Localisation Identification
Figure I.2 Fonctions de la surveillance.
I. 3. 1. La détection :
La détection, qui répond à la question "y a-t-il une (nouvelle) anomalie dans le système?",
permet de déterminer la normalité ou l’anormalité du système en fonctionnement. Autrement
dit : la détection vise à déterminer l’apparition et l’instant d’occurrence d’une faute.
On peut distinguer deux grandes classes d’anomalies :
La première regroupe les situations pour lesquelles le comportement du système devient
anormal par rapport à ses caractéristiques intrinsèques.
La seconde regroupe les situations dans lesquelles le comportement est anormal par rapport à
la loi de commande appliquée.
La détection consiste à comparer la signature courante à la signature de référence associée
aux modes de fonctionnement identifies et ensuite à prendre une décision en fonction du
résultat de la comparaison. D’autres techniques de détection s’appuient sur les dates limites
d’occurrences des signaux attendus, le suivi de l’évolution de l’état du système, les systèmes
experts, l’utilisation de capteur spécialisés et les techniques d’analyse de fréquence.
Dans les procédures de détections, les signatures utilisées sont des grandeurs scalaires, des
courbes ou des images. Sachant que le signal d’écart possède un comportement aléatoire, la
prise de décision nécessite la définition de seuils aux maxima et aux minima au-delà desquels
on déclarera un dysfonctionnement, c-à-d permet alors de caractériser le fonctionnement du
système de normal ou d’anormal.
La détection de symptômes d’anomalies liés aux éléments du procédé requiert
généralement l’élaboration d’un modèle à surveiller (procédé). Ce modèle peut être de bon
fonctionnement ou un modèle de dysfonctionnement. Par exemple, dans le cas des systèmes
discrets, un modèle correspondrait à un RdP et dans le cas de système continu un modèle
correspondrait à un ensemble d’équations différentielles. Sans modèle du système à surveiller,
9
la stratégie adoptée consiste en l’exploitation des informations données par les capteurs et les
détecteurs au niveau local du procédé.
Un test de détection (dit aussi test de cohérence ou test de consistance) a pour finalité de
vérifier si un ensemble d'informations représentatives de l'état d'un système physique est
cohérent avec la connaissance d'un comportement donné qui peut être normal ou anormal
comme le montre la figure I. 3. Le résultat de la comparaison produit un écart, appelé résidu.
Cet écart sera comparé à des seuils fixés à priori. Si le seuil de la détection est trop petit, il
peut y avoir des fausses alarmes. Si le seuil est trop grand, on aboutit à des manques à la
détection. Les informations sont associées à des variables; elles peuvent être des observations
qualitatives ou des mesures.
Comportement réel du Modèle du système en

système fonctionnement normal
Comportement réel Connaissance a

du système COMPARER priori du système.
Ecart
TESTER
Détection
Symptôme
Figure I.3 Test de cohérence (test de détection, test de consistance)
Une défaillance sera détectable si au moins un résidu permet de la détecter.

Les résidus sont obtenus en comparant des modèles s'exprimant sous la forme d'état et un
système réel. Lorsque le modèle permet de représenter exactement le système (aucune erreur
de modélisation, connaissance de la nature des signaux inconnus agissant sur le système),
alors les résidus générés seront strictement égaux à zéro en fonctionnement normal et
différent de zéro en présence de défaillances. La procédure de détection se résumera alors à
déclencher une alarme lorsqu'au moins un résidu différera de zéro.
En pratique, les modèles que nous utilisons sont obtenus à partir d’hypothèses
simplificatrices et sont donc imparfaits. Les résidus (qui reflètent l’écart entre le modèle
nominal et le système réel) ne sont plus parfaitement égaux à zéro. Une procédure de décision
doit être implantée afin de décider si la valeur différente de zéro du résidu doit générer une
alarme ou non. La qualité de la détection dépend bien entendu de la procédure de décision
choisie mais aussi et surtout de la qualité des résidus utilisés. Afin de réduire les taux de
fausse alarme et de non détection, les résidus doivent être optimisés, c’est à dire rendus le plus
10
sensible possible aux défaillances et le moins possible aux perturbations ou erreurs de

modélisation.
I. 3. 2. Le diagnostic :
L’objectif du diagnostic consiste à déterminer à chaque instant le mode de fonctionnement
du système par ses manifestations extérieures. Il s’appuie sur une connaissance a priori des
modes de fonctionnement et sur une connaissance instantanée matérialisée par une nouvelle
observation de l’état du système. Son principe général consiste à confronter les données
relevées au cours du fonctionnement réel du système avec la connaissance que l’on a de son
fonctionnement normal ou défaillant. Si le mode de fonctionnement identifié est un mode
défaillant, le système de diagnostic pourra localiser sa cause. La fonction du diagnostic est
donc de chercher une causalité liant le symptôme, la défaillance et son origine.
On peut dire aussi, que le diagnostic consiste à localiser les éléments défaillants et à
identifier les causes à l’origine du problème, ceci en établissant un lien causal entre les
symptômes et les éléments fautifs à remplacer. La phase qui suit correspond à la décision. Elle
a pour rôle de déterminer et d’engager les actions permettant de ramener au mieux le système
dans un état normal. Ces actions peuvent être des ordres d’arrêts d’urgence ou des lancements
de réparations ou d’opérations préventives. Dans le cas où on voudrait éviter une perte de
production, cette décision peut être une reconfiguration du procédé.
La fonction de diagnostic fait apparaître les deux sous fonctions : la localisation et
l’identification.
I. 3. 2. 1. La localisation :
Cette fonction a pour but de répondre à la question " à quelles classes de défauts ou de
défaillances appartiennent les anomalies du système ? ". Ou la localisation consiste a
déterminer l’endroit du procédé ou s’est produite la défaillance et la nature de celle-ci.
Lorsqu'une défaillance est détectée, une procédure de localisation est utilisée pour
permettre de déterminer l'origine de celle-ci. A la différence de la détection où un seul résidu
est nécessaire, la procédure de localisation nécessite un ensemble (ou vecteur) de résidus.
Pour permettre la localisation, le vecteur de résidu doit avoir un certain nombre de
propriétés permettant de caractériser de manière unique chaque faute. La procédure
permettant de conférer aux résidus ces propriétés, est appelée procédure d'amélioration des
résidus. Il existe deux méthodes d'amélioration des résidus :
- La construction de résidus structurés [7].
- La construction de résidus directionnels [8].
I. 3. 2. 1. a. Les résidus structurés (structurels):

Définition I. 13 :
Un résidu r(t, y, u, v) est non affecté par v (ou invariant sous v) si pour toute entrée
admissible u et toute sortie y, nous avons r(t, y, u, v1) = r(t, y, u, v2) pour tout t = 0 et quel que
soit le couple v1 et v2. Dans le cas contraire, le signal est dit affecté par v.
11
Définition I. 14 :
La structure d’un résidu ri par rapport à un ensemble de défaillances {} de dimension 
est le mot binaire Sri composé de  bits (Si,j) positionnés de la manière suivante :
Si,j = 1 si le résidu ri est affecté par la jième élément de {}.
Si,j = 0 si le résidu ri est non affecté par la jième élément de {} (tableau I.2).
Les résidus structurés sont conçus de manière à être chacun affecté par un sous ensemble de
défaillances et robuste (non affecté) par rapport aux défaillances restantes. Ainsi, lorsqu’une
défaillance apparaît, seul un sous ensemble de résidus réagit.
Les informations de sensibilité et de robustesse souhaitées pour les résidus sont
répertoriées dans une table binaire, appelée la table des signatures théoriques, comme illustre
le tableau I.2. Celle-ci est construite de la manière suivante : lorsque le iième résidu doit être
sensible (resp. robuste) à la jième défaillance, alors la valeur binaire 1 (resp. 0) est affectée à la
ligne et à la colonne correspondante.
1 1  
r1 S11 S12  S1
r2 S21 S22  S2
    
rm Sm1 Sm2  Sm
Tableau I.2 Table de signatures des fautes
L'ensemble des résidus structurés est construit en respectant la procédure suivante :

- Fixer la table de signatures théoriques que l'on souhaite obtenir.
- Construire un vecteur de résidus ayant les propriétés désirées.
- Si l'obtention d'un vecteur de résidus ayant les propriétés imposées par la table de
signatures théoriques n'est pas possible, alors de nouvelles spécifications de sensibilité
et de robustesse doivent être proposées.
Lorsque la table des signatures théoriques est construite, une procédure de détection,
appliquée à chaque résidu, permet d'obtenir la signature réelle des résidus à un instant donné.
Si cette signature est nulle alors aucun résidu n'a détecté de défaillance. Le système sera donc
déclaré sain. Si une défaillance survient, au moins un des résidus détectera cette défaillance, la
signature réelle deviendra non nulle. La procédure de localisation consistera alors à retrouver
la signature réelle dans la table des signatures théoriques.
Définition I. 15 :
Une défaillance sera structurellement localisable si toutes les colonnes de la table des
signatures théoriques sont différentes.
La table de signatures théoriques doit être proposée de telle manière que le vecteur de
résidus structurés correspondant soit calculable et que les propriétés d'isolabilité soient les
plus intéressantes possibles. La qualité d'isolabilité de la table est donnée par l'ordre de
localisabilité défini comme suit :
12
Définition I.16 :
Une défaillance est localisable d’ordre k si sa distance de Hamming par rapport à la
signature de défaillance la plus proche est de k bits.
Pour illustrer cela, considérons le petit exemple suivant :
Exemple I. 1 :
Soient trois résidus r1, r2 et r3 et trois défaillances f1, f2 et f3. La table I. 3 présente 4
ensembles de signatures théoriques ayant des propriétés d’isolabilité différentes.
La table I. 3. a illustre le cas de deux tables non isolables (f1 et f2 possèdent la même
signature).
La table I. 3. b donne un exemple où les défaillances sont isolables d’ordre 1 (un seul bit est
différent entre f1 et f2).
La table I. 3. c et I. 3. d donne un exemple où les défaillances sont isolables d’ordre 2. Malgré
un indice d’isolabilité identique, la table I. 3. d sera la plus simple à traiter. D’une manière
générale, lorsque deux tables de signatures théoriques ont le même ordre d’isolabilité, la table
contenant le plus de zéros sera systématiquement choisie.
f1 f2 f3 f1 f2 f3 f1 f2 f3 f1 f2 f3
r1 1 1 0 1 1 0 1 1 0 1 0 0
r2 1 1 1 1 0 1 1 0 1 0 1 0
r3 0 0 1 0 0 1 0 1 1 0 0 1
a) b) c) d)
Tableau I.3 Table de signatures théoriques de trois résidus pour trois défaillances
I. 3. 2. 1. b. Les résidus directionnels:

Les résidus directionnels représentent une autre possibilité pour réaliser la tâche de
localisation des défaillances. Ils sont construits tels que, en réponse à une défaillance donnée,
le vecteur des résidus soit orienté suivant une direction bien précise de l’espace de résidus
comme le montre la figure I.4.
r3
Défaillance 1
Défaillance 3
r1
Défaillance 2
r2
Figure I.4 Résidus directionnels

13


Le vecteur de résidus directionnel r (t ) , en réponse à une défaillance fi (t ) i  1, , f , 
s’exprimera sous la forme :
 
i  1, 2,  , 
r (t / fi )   i (t )li

où li est un vecteur constant appelé la signature directionnelle de la défaillance i dans
l’espace des résidus et i est une fonction scalaire qui dépend de la taille et de la dynamique
de la défaillance.
La tâche de localisation des défaillances consiste à déterminer la signature directionnelle
théorique la plus proche de la signature directionnelle obtenue par le calcul des résidus.
l1 l2
r l3
Figure I.5 Résidus directionnels pour la localisation
La figure I.5 illustre ce problème de l’isolation de défaillance en utilisant les résidus

directionnels.
En pointillé, on retrouve trois vecteurs de signatures directionnelles théoriques et en trait
plein la signature réelle du résidu. Cette signature est très proche de la signature théorique de
la défaillance 2. Il est donc probable que cette défaillance soit présente sur le système à
surveiller.
I. 3. 2. 2. L’identification :
L’identification, qui a pour rôle de déterminer quelles sont les caractéristiques de chacun
des défauts ou des défaillances. Elle consiste à déterminer (identifier) les caractéristiques
précises de la défaillance. L’identification (ou estimation) du défaut est une tâche plus
délicate qui nécessite d’utiliser un modèle de comportement du système en présence des
défaillances avec un niveau élevé de connaissance sur les défaillances (c’est à dire une
connaissance de la structure et de la dynamique de la défaillance). L’obtention d’une
estimation de la défaillance permet bien entendu de donner une image beaucoup plus précise
de l’état du système.
I. 4. Méthodes de la surveillance :
La première question à se poser quant au choix d’une méthode de surveillance est la
suivante : que savons-nous sur le système où apparaissent des défaillances? Et plus
exactement, possédons-nous un modèle permettant de connaître l’évolution de ce système?
14
En fonction de la réponse, nous pourrons nous diriger vers l’une des deux familles de
surveillance : les méthodes avec modèles ou les méthodes sans modèles. Ces dernières sont
illustrées à la figure I.6 :
Méthodes de surveillance
Non Existe-t-il un Oui

modèle
analytique ?
Surveillance
Surveillance
avec modèles
sans modèles
analytiques ou
(analytiques)
mathématiques
Redondance Estimation
matérielle paramétrique
Seuillage
Estimation d’état
Traitement (redondance
statistique analytique)
Analyse
fréquentielle
(filtrage) Observateurs
Capteurs spécifiques
(Capteurs-Détecteurs)
Espace de parité
Réseaux de neurones
artificiels
Systèmes d’inférence
flous
Système expert
Raisonnement à partir des cas
Reconnaissance de formes
Figure I.6 Différentes méthodes de surveillance
Dans ce qui suit, on présente différentes méthodes utilisées en surveillance de systèmes

physiques. Le domaine était très vaste, des choix arbitraires ont été faits. Le but n’est donc pas
de faire une synthèse exhaustive de l’existant, mais de montrer la richesse des possibilités qui
s’offrent au concepteur de système de surveillance. En effet, différents types d’algorithmes de
détection dédiés aux systèmes physiques ont été conçus par les chercheurs de la communauté
15
de l’Automatique. Néanmoins, on s’est astreint à balayer le large spectre des techniques

actuellement utilisées en surveillance, à savoir :
Méthodes sans modèle analytique : Les différents types de fonctionnement sont décrits par la
donnée d'un certain nombre de points expérimentaux.
Méthode avec modèle analytique : Les différents types de fonctionnement sont décrits par des
modèles de comportement.
Le principe général de ces méthodes est de confronter les données relevées au cours du
fonctionnement réel avec la connaissance que l'on a du fonctionnement nominal (détection)
ou des fonctionnements défaillants (diagnostic : localisation et identification).
Actuellement, on s’oriente vers des systèmes de surveillance mettant en œuvre différentes
techniques de détection. En effet, chacune d’entre elles est plus ou moins bien adaptée pour
appréhender tel ou tel type de défaillance. Par exemple, on s’orientera vers les méthodes à
base d’estimation paramétrique lorsqu’on souhaite localiser une défaillance qui se manifeste
par une variation des paramètres du modèle identifié.
I. 4. 1. Choix de la méthode de surveillance :

Les méthodes de surveillance sans modèles se basent sur des informations issues d’une
expérience préalable, sur des règles heuristiques ou encore sur des exemples de résolution.
C’est ainsi qu’un expert d’un domaine utilise l’expérience qu’il a acquise lorsqu’il a été
confronté à des cas de surveillance similaires.
Il peut exploiter également un autre type de connaissance : les lois physiques décrivant le
comportement attendu du système. Tout écart par rapport au comportement "normal" attendu
est considéré comme le symptôme d’une défaillance. Le principe fondamental de cette
approche, qui regroupe les méthodes de surveillance avec modèles analytiques, consiste donc
à vérifier la cohérence du modèle simulé avec les observations du dispositif réel.
I. 4. 2. Les méthodes de surveillance sans modèle (directes) :

I. 4. 2. 1. Redondance matérielle :
Cette méthode consiste à multiplier physiquement les capteurs critiques d’une installation.
Un traitement des signaux, issus des éléments redondants, effectue des comparaisons et
distingue l’élément défectueux en cas d’incohérence. Cette méthode est pénalisante en termes
de poids, de puissance consommée, de volume, de coût (d’achat et de maintenance). Elle est
donc essentiellement réservée aux cas où la continuité de service est obligatoire, sur des
systèmes à hauts risques comme les systèmes aérospatiaux ou nucléaires notamment. En effet,
elle présente l’avantage, une fois la défaillance détectée et localisée, de pouvoir utiliser la
partie de l’équipement encore saine. Cependant, cette technique ne s’applique généralement
que sur des capteurs.
16
I. 4. 2. 2. Seuillage :
Des variables mesurées sont comparées avec des valeurs limites constantes ou adaptatives
(évoluant en fonction du point de fonctionnement). Un premier niveau indique la présence
probable d’un défaut alors qu’un second niveau peut en caractériser la gravité. Le
franchissement d’un seuil révèle la présence d’une anomalie. Le seuillage comporte un
inconvénient : son aspect catégorique. Effectivement, le résultat d’une telle méthode peut être
remis en question si la grandeur testée est proche du seuil; à cause du bruit présent lors de
mesures, celle-ci peut être considérée comme fausse alors qu’elle ne l’est pas et inversement.
Pour éviter ce désagrément, la logique floue est associée au seuillage, ce qui permet, outre la
gestion de l’imprécision, d’obtenir une représentation unifiée de la connaissance, et ainsi de
fusionner les informations décrites à l’aide de grandeurs numériques, qualitatives ou
logiques [9].
I. 4. 2. 3. Traitement statistique :
L’étude de l’évolution de la moyenne ou de la variance d’un signal peut favoriser la mise
en évidence d’une anomalie. La prise de décision est généralement effectuée à l’aide d’un test
d’hypothèses où deux hypothèses représentent le fonctionnement normal et anormal.
Parmi les tests d’hypothèses les plus connus, nous trouvons le maximum de vraisemblance
généralisée qui possède l’avantage de déterminer seul l’horizon des observations à utiliser et
minimise le nombre d’observations nécessaires pour prendre une décision sans
ambiguïté [10].
I. 4. 2. 4. Analyse fréquentielle (Filtrage) :

Une première approche du traitement du signal repose sur l’analyse fréquentielle
(transformée de Fourier). Elle est bien évidemment très utilisée pour la détection de
phénomènes périodiques comme en analyse vibratoire. Le contenu spectral des signaux est
utilisé depuis de nombreuses années pour détecter des défauts dans les machines électriques
tels que les ruptures de barres au rotor des machines asynchrones, la dégradation des
roulements, les décentrages, les courts-circuits dans les bobinages.
L’analyse du spectre des signaux issus des capteurs permet de déterminer très efficacement
l’état de l’installation sous surveillance. Les signaux sont ici tout d’abord analysés en état
normal de fonctionnement. Ensuite, toute déviation des caractéristiques fréquentielles d’un
signal est reliée à une situation de défaillance.
Cette approche possède l’avantage d’être relativement simple à mettre en pratique, mais
l’inconvénient d’être assez sensible aux bruits de mesure quand ceux-ci coïncident avec la
zone fréquentielle d’intérêt. De plus un échantillonnage fréquent est nécessaire pour permettre
de reconstituer le signal de départ tout en minimisant la perte de fréquence [11].
I. 4. 2. 5. Capteurs spécifiques (Capteurs-Détecteurs) :

Des capteurs spécifiques peuvent également être utilisés pour générer directement des
signaux de détection ou connaître l’état d’un composant. Par exemple, les capteurs de fin de
17
course, d’état de fonctionnement d’un moteur ou de dépassement de seuils sont largement

employés dans les installations industrielles [12].
I. 4. 2. 6. Réseaux de neurones artificiels :

Quand la connaissance sur le procédé à surveiller n’est pas suffisante et que le
développement d’un modèle de connaissance du procédé est impossible, l’utilisation de
modèle dit "boîte noire" peut être envisagée. Pour cela des réseaux de neurones artificiels
(RNA) ont été utilisés. Leur application dans les domaines de la modélisation, de la
commande et du diagnostic a largement été rapportée dans la littérature.
Un RNA est en fait un système informatique constitué d’un nombre de processeurs
élémentaires (ou nœuds) interconnectés entre eux qui traite -de façon dynamique-
l’information qui lui arrive à partir des signaux extérieurs.
De manière générale, l’utilisation des RNA se fait en deux phases. Tout d’abord, la
synthèse du réseau est réalisée et comprend plusieurs étapes : le choix du type de réseau, du
type de neurones, du nombre de couches, des méthodes d’apprentissage. L’apprentissage
permet alors, sur la base de l’optimisation d’un critère, de reproduire le comportement du
système à modéliser. Il consiste en la recherche d’un jeu de paramètres (les poids) et peut
s’effectuer de deux manières : supervisée (le réseau utilise les données d’entrée et de sortie du
système à modéliser) et non supervisée (seules les données d’entrée du système sont fournies
et l’apprentissage s’effectue par comparaison entre exemples) quand les résultats
d’apprentissage obtenus par le RNA sont satisfaisants, il peut être utilisé pour la
généralisation. Il s’agit ici de la deuxième phase où de nouveaux exemples – qui n’ont pas été
utilisés pendant l’apprentissage – sont présentés au RNA pour juger de sa capacité à prédire
les comportements du système modélisé.
Comme il a été dit précédemment, les RNA peuvent être utilisés pour le diagnostic des
défaillances. Leur faible sensibilité aux bruits de mesure, leur capacité à résoudre des
problèmes non linéaires et multi variables, à stocker la connaissance de manière compacte, à
apprendre en ligne et en temps réel, sont en effet autant de propriétés qui les rendent
attrayants pour cette utilisation [13].
I. 4. 2. 7. Systèmes d’inférence flous :

Pendant les vingt dernières années, les systèmes d’inférence floue (SIF) – dont les bases
relèvent de la théorie des ensembles flous de Zadeh [15] – sont devenus très populaires.
Les applications dans le traitement du signal, la modélisation, la commande, la supervision
de procédés et la prise de décision sont en effet autant d’applications qui démontrent la
capacité des SIF à traiter des problèmes non linéaires grâce à l’utilisation de connaissances
expertes.
18
La structure de base d’un SIF est constituée de :

- Un univers de discours qui contient les fonctions d’appartenance des variables
d’entrée et de sortie à des classes. Ces fonctions peuvent avoir différentes formes, les
plus usuelles étant les formes triangulaires, trapézoïdales, et gaussiennes,
- Une base de connaissance qui regroupe les règles liant les variables d’entrées et de
sorties sous la forme « Si…Alors… »,
- Un mécanisme de raisonnement.
Du fait que les tâches de surveillance reposent sur des quantités d’heuristiques difficiles à
formaliser dans un modèle mathématique, les SIF possèdent les avantages suivants :
- La corrélation entre des variables très différente,
- Des observations qualitatives (par exemple : couleur, bruit),
- Des intuitions, liées à des statistiques (par exemple : tel appareil pose plus de
problèmes que tel autre…) difficilement quantifiables mais pourtant très efficaces
[14].
I. 4. 2. 8. Les systèmes experts (le raisonnement à partir des cas) :

Le raisonnement à partir de cas (Case Based Reasoning) modélise l’expertise et les
capacités de raisonnement de spécialistes qualifiés dans le domaine de pointe. Ce
raisonnement est qualifié de résoudre un problème en s’appuyant sur des expériences passées.
La connaissance est emmagasinée sous forme de cas. Un cas est un morceau contextualisé de
connaissances, représentant une expérience, qui peut être utilisé pour réaliser les buts du
moteur de raisonnement. Ainsi, un cas peut être vu comme une situation éprouvée dans le
passé, associé au résultat d’une certaine action pertinente. Le raisonnement à partir de cas est
un raisonnement par analogie. Les attributs d’une situation sont employés en tant qu’index
dans la bibliothèque de cas pour récupérer le meilleur, selon certains critères de similarité, et
ainsi pour déterminer la solution au problème.
Les systèmes experts reposent sur l’utilisation :
- d’une base de connaissances qui contient l’expertise du spécialiste décrite sous forme
de règles dont la structure est la suivante : SI <conditions> ALORS <conclusions>,
- d’une base de faits qui contient les informations de base nécessaires à l’établissement
d’un diagnostic,
- d’un moteur d’inférence qui mime le processus de raisonnement du spécialiste.
La difficulté consiste ici à bien définir les cas, en d’autres termes, à déterminer ceux utiles
et nécessaires à la description d’une situation. Leur détermination pour des systèmes
dynamiques est loin d’être évidentes [16].
I. 4. 2. 9. Reconnaissance de formes :
La Reconnaissance de Formes (la RdF) est la science qui se base sur la définition
d’algorithmes permettant de classer des objets ou des formes en les comparants à des formes
types. Ses applications interviennent dans de nombreux domaines tels que la reconnaissance
19
vocale, la reconnaissance de caractères, l’automatisation industrielle, le diagnostic médical et

la classification de documents.
De manière générale, on distingue les types de RdF suivants :
- La RdF structurelle qui se base sur une représentation des formes à l’aide de
grammaires,
- La RdF statistique qui s’appuie sur une représentation purement numérique des
formes.
Le fonctionnement d’un système de surveillance par RdF se déroule en trois phases :
- Une phase d’analyse qui consiste à déterminer et à réduire l’espace de représentation
des données et à définir l’espace de décision permettant de spécifier l’ensemble des
classes possibles.
- Une phase de choix d’une méthode de décision permettant de définir une règle de
décision qui a pour fonction de classer les nouvelles observations dans les différentes
classes de l’ensemble d’apprentissage.
- Une phase d’exploitation qui détermine, en appliquant la règle de décision, le mode de
fonctionnement du système en fonction de chaque nouvelle observation recueillie sur
le processus [17].
I. 4. 3. Les méthodes de surveillance avec modèle :

La plupart des méthodes de détection et de diagnostic en ligne s’appuient sur des mesures.
Il existe des méthodes qui utilisent plus de connaissances que celles apportées par les seuls
capteurs physiques. Ces connaissances peuvent en particulier provenir de la connaissance du
comportement entrée/sortie d’un procédé. Cette connaissance est généralement exprimée sous
forme de modèles mathématiques.
Les méthodes de surveillance à base de modèles ont été développées dès le début des
années 70 ([18] par exemple). Depuis, de nombreux articles font régulièrement le point sur
l’avancée des différentes approches.
Les méthodes de surveillance utilisant un modèle reposent sur la génération et l’étude d’un
signal particulier appelé "indicateur de défaut" ou "résidu".
Un modèle est une formalisation mathématique d’un système physique qui permet de
représenter les liens (ou relation de contraintes), existants entre des quantités (ou variables)
données du système. Les modèles utilisés peuvent être de nature et de complexité différente.
Ils peuvent être : à temps continu ou à temps discret, qualitatifs, structurels ou analytiques,
linéaires ou non linéaires, représentant le bon fonctionnement ou tenant compte des
défaillances.
Classiquement, en Automatique, des modèles dits de bon fonctionnement sont utilisés. Ils
caractérisent le comportement normal du système, c’est à dire lorsqu’aucune défaillance n’est
présente. En surveillance, par contre, il est parfois nécessaire de compléter le modèle afin de
20
caractériser le comportement défaillant du système. Trois niveaux de connaissance peuvent

être considérés [2] :
- Le niveau 1 est le niveau de connaissance le plus élémentaire. Il consiste à indiquer les
équations décrivant le composant qui sont influencées directement par la défaillance,
c’est à dire. Les équations du modèle (contraintes) qui ne sont probablement plus
valides en cas de défaillances.
- Le niveau 2 de connaissance est plus précis car il consiste à décrire, grâce à des
variables supplémentaires (appelée variables de défaillance) comment sont modifiées
les équations de fonctionnement normal lorsqu’une défaillance survient. Les
défaillances peuvent être additives ou multiplicatives suivant la manière dont les
variables de défaillance influencent les équations du modèle.
- Le niveau 3 de connaissance consiste à modéliser l’évolution dynamique de la
défaillance.
Des équations supplémentaires liant les variables de défaillance sont ajoutées au modèle de
bon fonctionnement. Pour obtenir ce modèle soit une connaissance fine des phénomènes
physiques est nécessaire, soit des données expérimentales du processus défectueux doivent
pouvoir être utilisées.
I. 4. 3. 1. Estimation paramétrique :
Les méthodes d’estimation paramétrique supposent l’existence d’un modèle paramétrique
décrivant le comportement du système et la connaissance des valeurs des paramètres en
fonctionnement nominal. Elles consistent alors à identifier les paramètres caractérisant le
fonctionnement réel, à partir de mesures des entrées et des sorties du système [10].
On dispose ainsi d’une estimation des paramètres du modèle, réalisée à partir des mesures
prises sur le système, et de leurs valeurs théoriques. Pour détecter l’apparition de défaillances
dans le système, il faut effectuer la comparaison entre les paramètres estimés et les paramètres
théoriques. Comme pour les méthodes de redondance analytique, la théorie de la décision sert
alors à déterminer si l’écart observé est dû à des aléas normaux du fonctionnement ou à des
défaillances. La différence entre les méthodes de redondance analytique et les méthodes
d’estimation paramétrique est qu’on effectue, pour les premières, la comparaison entre l’état
estimé et l’état théorique du système, alors que pour les secondes, on compare les paramètres
estimés aux paramètres théoriques du système.
Le principe consiste à estimer en continu des paramètres du procédé en utilisant les
mesures d’entrée/sortie et en l’évaluation de la distance qui les sépare des valeurs de référence
de l’état normal du procédé (figure I.7).
L’estimation paramétrique possède l’avantage d’apporter de l’information sur la taille des
déviations. Toutefois, un des inconvénients majeurs de la méthode réside dans la nécessité
d’avoir un système physique excité en permanence. Ceci pose des problèmes pratiques dans le
cas de procédés dangereux ou fonctionnant en mode stationnaire. De plus, les relations entre
21
les paramètres mathématiques et physiques ne sont pas toujours inversibles de façon unitaire,
ce qui complique la tâche du diagnostic basé sur les résidus.
Entrées
Défauts inconnues
Entrée Mesures
Procédé
Estimation des
paramètres
+
Paramètres -
physiques
Décision Résidus
Figure I.7 Estimation paramétrique pour la détection et le diagnostic des défauts.
La seconde catégorie de méthodes à base de modèles regroupe celles reposant sur

l’estimation d’état. On y retrouve l’observateur et l’espace de parité.
I. 4. 3. 2. Estimation d’état (redondance analytique) :

Cette redondance consiste à utiliser des informations supplémentaires issues, non plus de
capteurs, mais de modèles permettant l’élaboration de grandeurs de même nature que celles
issues des capteurs. L’intérêt est de permettre de remplacer un capteur physique par un
capteur informationnel (résidu)1.
I. 4. 3. 2. a. Observateurs :
La méthode à base d’observateurs ou filtre est la plus couramment utilisée. Les premiers
travaux datent des années 70 ([19] par exemple). Beard et Jones ont été en fait les premiers à
proposer le remplacement de la redondance matérielle par des algorithmes de détection basés
sur des observateurs. Leurs travaux concernaient des systèmes linéaires et la méthode a été
appelée " filtre de détection de défauts de Beard-Jones".
Cette méthode est parmi les méthodes de génération de résidus les plus traitées dans la
littérature. Les observateurs ou filtres sont des outils bien connus des automaticiens à des fins
de commande en boucle fermée reposant sur l’estimation d’état. Le principe général est de
1
- Une définition du mot «redondance» trouvée dans Larousse de Bibliorom est : «Duplication d'équipements
chargés d'assurer une fonction donnée, afin que l'un d'eux puisse se substituer à l'autre en cas de défaillance».
22
concevoir un système dynamique permettant de donner une image, ou estimation, de certaines

variables, ou combinaisons de variables, nécessaires au bouclage. Lorsque le système est
dynamique et que certaines variables (conditions initiales) sont inconnues, l’estimation n’est
correcte qu’après un certain temps de convergence, fixé par la dynamique de l’observateur. Le
principe général consiste à comparer des fonctions de sorties estimées avec les mêmes
fonctions des sorties mesurées. L’écart entre ces fonctions est utilisé comme résidu.
Un observateur d’ordre réduit revient à ne considérer qu’une partie du système, donc à
estimer une partie de l’état et à rejeter l’autre. Par ailleurs, l’élimination d’une partie du
système peut être utilisée pour rejeter les perturbations. Les observateurs à entrées inconnues
sont basés sur ce principe.
I. 4. 3. 2. b. Espace de parité : (approche par Relation de Redondance Analytique RRA).

L’approche à base de Relations de Redondance Analytique ou approche de l’espace de
parité, a été une des premières méthodes employées à des fins de FDI [20]. Son nom provient
du domaine de l’informatique où le contrôle de parité se faisait dans les circuits logiques. Son
principe est de transformer, réécrire les équations du modèle de manière à obtenir des
relations particulières appelées RRA: Relations de Redondance Analytique.
Ces relations ont pour propriété de ne lier que des grandeurs connues, disponibles en ligne.
(C’est-à-dire la vérification de la consistance existant entre les entrées et les sorties du
système surveillé figure I.8). Les résidus sont obtenus en substituant dans ces RRA les
variables connues par leurs valeurs réelles, prélevées sur le système en fonctionnement.
L’obtention hors-ligne des RRA est un problème général d’élimination de variables dans un
système d’équations algébro-différentielles. Lorsque le modèle est linéaire, l’élimination peut
se faire par projection dans un sous espace appelé espace de parité [21]. Dans le cas non
linéaire, des techniques d’élimination formelle peuvent être utilisées.
I. 5. Conclusion :
Dans ce chapitre nous avons présenté le concept général de la surveillance des systèmes
automatisés, ainsi plusieurs définitions nécessaires ont été citées.
La surveillance regroupe deux fonctions principales : la détection et le diagnostic qui
regroupe à son tour deux fonctions élémentaires telles que : la localisation et l’identification.
La localisation des défaillances nécessite l’introduction de ce qu’on appelle les résidus
structurés et les résidus directionnels.
Pratiquement, la nature des informations sur les systèmes automatisés (notamment les
systèmes industriels), est différente d’un système à un autre, (des connaissances d’expertise,
des modèles qualitatifs ou structurels), cela influe directement sur la manière de procéder la
surveillance. Par conséquent, deux grandes classes des méthodes de surveillance ont été
citées, à savoir les méthodes sans modèle, et les méthodes avec modèle.
23
CHAPITRE II
ETUDE DES SYSTEMES DYNAMIQUES HYBRIDES
II.1. Introduction.
II.2. Notions de systèmes hybrides.
II.2.1. Définition des systèmes dynamiques hybrides (SDH).
II.2.2. Principales classe de phénomènes hybrides.
II.3. Exemples illustratifs.
II.3.1. Le thermostat.
II.3.2. Le jeu de billard.
II.3.3. L’embrayage.
II.4. Modélisation des systèmes hybrides.
II.4.1. Approches de modélisation.
II.4.1. Approche de modélisation continue.
II.4.2. Approche de modélisation discrète.
II.4.3. Approche de modélisation mixte.
II.4.2. Modèle de l’automate hybride.
II.5. Conclusion.
Chapitre II Etude des Systèmes Dynamiques Hybrides
II. 1. Introduction :
Traditionnellement, l’automatique traite différemment les problèmes de type continu et
ceux de type séquentiel (discret). Ainsi on distingue classiquement deux spécialités :
l’automatique des systèmes continus et celle des systèmes à évènements discrets.
Les systèmes continus se caractérisent par une évolution continue de leur état dans le
temps. Les grandeurs utiles sont analogiques et les modèles utilisés sont essentiellement les
fonctions de transfert ou les équations d’état. Les principales fonctions de l’automatique
continue sont du type régulation et asservissement. Par contre, l’état des systèmes à
évènements discrets prend ses valeurs dans un ensemble dénombrable et évolue de manière
discontinue. Les modèles utilisés sont classiquement les modèles de la logique séquentielle,
les graphes d’état, les réseaux de Pétri ou le GRAFCET. Chacun de ces domaines a créé un
ensemble de théories et de méthodes et développé des solutions performantes pour régler les
problèmes homogènes qui se posent, mais sans toujours intégrer les solutions et les apports de
l’autre domaine.
Or, les procédés industriels sont complexes, mono-variables ou multi-variables, leurs
dynamiques présentent un double aspects, c’est-à-dire de nature continue et/ou discrète
(évènementielle). C’est le cas par exemple des productions du type batch (par lots) dans
lesquelles la matière est caractérisée par des variables continues (comme le volume, la
concentration, la pression ...) et est traitée étape par étape (évènement discret).
Les changements de structures dans ces systèmes mènent à des discontinuités dans leurs
dynamiques. Ces changements peuvent être causés pas des évènements discrets qui sont
générés par des actionneurs discrets, capteurs ou par des discontinuités inhérents au procédé.
Mais pour garantir le bon fonctionnement de l’ensemble d’un système automatisé, il est
nécessaire de prendre en compte à la fois les aspects continus et évènementiels (discrets) de
sa dynamique.
Cette problématique qui s’intéresse aux phénomènes continus et discrets de façon globale
– et qui est relativement récente (années 90) - donne naissance à une classe très importante et
très particulières des systèmes automatiques connus sous le nom de Système Dynamique
Hybride (SDH).
Pour la modélisation des Systèmes Dynamiques Hybrides (SDH), il existe plusieurs
approches. Le point commun entre ces approches est que l’évolution continue est affectée par
les évènements discrets.
L’étude des SDH s’intéresse aux classes de problèmes qui n’ont pu être traités avec les
approches traditionnelles basées sur une modélisation homogène. Des systèmes complexes
sont conçus en incorporant des équations différentielles pour modéliser le comportement
continu, et des représentations d’évènements discrets pour modéliser le changement
instantané d’état en réponse aux évènements. Ces systèmes contiennent des variables ou
signaux qui prennent leurs valeurs dans un ensemble continu (par exemple l’ensemble des
nombres réels), et aussi des variable qui prennent des valeurs dans un ensemble discret
25
généralement fini (par exemple l’ensemble de symboles {a, b, c}). Le comportement du

procédé est déterminé par cette interaction de dynamiques continues et évènementielles
(discrètes).
L’approche de modélisation à laquelle nous nous sommes intéressés dans le cadre de notre
travail fait partie de cette catégorie de modèles et considère le modèle du système hybride
comme une extension de l’automate discret en associant une dynamique continue à chaque
état discret. La composante continue est décrite par un ensemble d’équations différentielles et
la composante discrète par un automate fini. Le modèle résultant de cette approche est connue
comme étant le modèle automate hybride [22].
II. 2. Notions de Systèmes Dynamiques Hybrides (SDH) :

Les systèmes dans lesquels interagissent des composantes continues et discrètes sont
appelés Systèmes Dynamiques Hybrides (SDH).
II. 2. 1. Définition des Systèmes Dynamiques Hybrides (SDH) :

On peut mettre sous ce titre plusieurs définitions d’après la littérature trouvée. Mais avant
de proposer ces définitions, on va citer quelques notions préliminaires nécessaires pour mettre
l’image claire.
Définition II. 1 :
Une variable est dite continue si elle peut prendre ses valeurs dans un ensemble continu de
valeurs (donc non dénombrable) et ses variations ne présentent pas de discontinuités.
Définition II. 2 :
Une variable est dite discrète si elle peut prendre ses valeurs dans un ensemble
dénombrable de valeurs.
Les variables V1{0, 1}, V2{-4, 1, 3}, N{B, M, H}, P{Arrêté, Démarré, Repos}, sont
des variables d’état discrètes.
Après ces définitions importantes et nécessaires, nous avons accueillir plusieurs définitions
des SDH rencontrées dans la littérature.
Définition II. 3 :
A) Les SDH sont des systèmes dans lesquels les dynamiques discrètes et continues
interagissent et où leur interaction détermine le comportement qualitatif et quantitatif de ses
systèmes.
B) Les SDH sont des systèmes dynamiques faisant intervenir explicitement et simultanément
des phénomènes ou des modèles de type dynamique continue et évènementielle.
26
Ces systèmes sont classiquement constitués de processus continus interagissant avec ou

supervisé par des processus discrets. Ils résultent également de l’organisation hiérarchique des
systèmes de contrôle/commande complexes.
C) Les SDH sont des systèmes dont le comportement dynamique est défini par des entités ou
des processus de nature différente.
D) Un SDH consiste en un système discret avec un environnement continu. On suppose que
l’évolution d’un SDH est une séquence de pas continus alternée par des pas discrets. Dans
chaque pas l’état du système hybride évolue d’une façon continue selon des lois dynamiques
(équations différentielles par exemple) jusqu’à l’occurrence d’une transition discrète. Les
transitions sont des états instantanées servent à séparer les évolutions d’état continues.
Définition II. 4 :
- Un système discret est tel que toutes ses variables d’état sont discrètes.
- Un système continu est tel que toutes ses variables d’état sont continues.
- Un système hybride comprend au moins : une variable d’état discrète et une variable
d’état continue.
II. 2. 2. Principales classes de phénomènes hybrides [23]:

La nature hybride d’un système peut être inhérente aux phénomènes physiques qui le
régissent. Un certains nombres de phénomènes physiques considérés comme hybrides ont été
regroupés en deux catégories principales traduisant leur influence sur les modèles
mathématiques utilisés pour décrire les différentes classes des systèmes. Rappelons
brièvement que l’évolution d’un système continu est défini par un ensemble d’équations
différentielles de la forme : x  f ( x, t ) , où f ( x, t ) est appelé champ de vecteurs d’état, x
l’état du système, et t le temps.
II. 2. 2. 1. SDH à Commutation autonome "Switching" :

Une commutation autonome caractérise un phénomène ou le champ de vecteur f(x,t)
change de façon discontinue lorsque l’état x atteint certains seuils comme schématisé dans la
figure II.1.a pour une seule variable d’état.
Le saut autonome "Jump" est un phénomène similaire rencontré dans les systèmes
mécaniques, il s’agit d’un saut discontinu de l’état continu x lorsqu’il atteint une région
donnée de l’espace d’état, c’est-à-dire que l’état passe de façon discontinue de sa valeur
courante à une autre. Comme le montre schématiquement la figure II.1.b pour une variable
d’état.
Un exemple de ce phénomène est donné par la collision de deux corps où la vitesse change
brutalement et subit un saut.
Un exemple de la commutation autonome est l’exemple classique de la table de billard. (voir
la section suivante).
27
f(x) f(x)
évolution
continue 1 évolution
continue 1
évolution continue 2
évolution continue 2
état discret 1 x1 état discret 2 x état discret 1 x1 x2 état discret 2 x

a) commutation à la valeur seuil x1 b) saut de la région (x2 – x1)
Figure II.1 Commutation autonome
II. 2. 2. 2. SDH à Commutation contrôlée :

Une commutation contrôlée traduit un phénomène où le champ de vecteur f(x,t) change de
façon discontinue et instantanée en réponse à une entrée de commande (figure II.2).
Le phénomène de commutation contrôlée est illustré à travers l’exemple de l’embrayage
mécanique (vu par la suite).
f(x)
Occurrence de
l’évènement contrôlé 1
Occurrence de
l’évènement contrôlé 3…
Evolution Evolution
continue 1 continue 2 Evolution
continue 3…
x
Occurrence de
l’évènement contrôlé 2
Figure II.2 Système hybride à commutation contrôlée
II. 3. Exemples illustratifs :
II. 3. 1. Le thermostat :
Considérons l’exemple classique d’un thermostat utilisé pour maintenir la température
dans une chambre. Le système étudié est composé par un système de chauffage et un capteur
28
de température. Les seuils inférieur et supérieur du thermostat sont fixé à des valeurs m et M
respectivement tel que : m  M. Le système de chauffage est en marche tant que la
température dans la chambre est inférieur au seuil M. Le chauffage est arrêté lorsque le
capteur détecte le seuil supérieur M et il reste en arrêt jusqu’au moment où la température
chute au dessous du seuil inférieur m.
La température de la chambre et le thermostat peuvent être vus comme un système
dynamique hybride (SDH) dont l’évolution continue est définie par la variation de la
température x dans la chambre et l’évolution discrète par le passage de l’état marche du
système de chauffage à l’état arrêt.
Considérons que l’évolution de la température dans la chambre peut être modélisée par les
équations différentielles suivante :
 f ( x)   x  a si le chauffage est en marche

x   1
 f2 ( x)   x sinon
où   R+ est une constante réelle positive.

D’une manière graphique le système considéré peut être représenté par un graphe orienté
présenté dans la figure II.3, les sommet du graphe correspondent aux dynamiques continues
des états discrets du système. Notamment, la dynamique f1 est associé au sommet modélisant
l’état en marche du système de chauffage, et f2 au sommet modélisant l’état d’arrêt. Le
passage d’un état vers l’autre est modélisé par des arcs étiquetés. (Cette représentation
graphique est un automate hybride qu’en verra vu dans le chapitre suivant).
x = M
marche arrêt
x  f1 ( x) x  f 2 ( x)
x = m
Figure II.3 Modèle du thermostat.
Le problème de l’analyse consiste à vérifier que la température dans la chambre reste

toujours dans l’intervalle désiré, notamment : m  x  M.
Pour cet exemple simple, les solutions analytiques des équations différentielles peuvent être
facilement trouvées. Ainsi, pour une valeur initiale de la température x0  x (0)  0 , les
solutions analytiques trouvées sont : x (t )   0e t   (1  e t ) pour la dynamique
correspondant à l’état de marche du système de chauffage, et x (t )   0e t pour l’autre état.

Initialement, supposons que le système est dans l’état en marche et la valeur initiale de la
température vérifie la relation 0   m , M  . Dans cet état, l’évolution de la température
respectera l’expression :
29
x (t )   0e t   (1  e t ) (2.1)
L’évolution croissante fait que, au bout de t1 unité de temps, le seuil M est atteint. Alors, le
système de chauffage passera dans l’état arrêt. Suite au changement d’état du système, la
dynamique de la température change et la nouvelle évolution est donnée par :
x(t )  0e (t  t1 ) (2.2)
Dans cet état, la température aura une évolution décroissante jusqu’au moment où le seuil
inférieur m est atteint. A cet instant, le chauffage sera remis en marche et le système
reviendra dans l’état initial.
évolution continue dans chaque état discret
marche arrêt marche arrêt marche arrêt
évolution discrète
état discret
Figure II.4 Trajectoire de la température.
D’après l’allure de la température (figure II.4), on constate clairement que ce système

représente un système dynamique hybride, il comporte deux types d’évolution, une évolution
continue et une évolution discrète (changement d’état discret) interagissent entre eux.
II. 3. 2. Le jeu de billard :

Un autre exemple classique c’est la table de billard de longueur l et de largeur h, avec une
boule, comme l’illustre la figure II.5.
La position initiale de boule est (x0, y0) et après avoir été frappée elle commence à se
déplacer avec une vitesse v. Quand la boule arrive à un côté de la table parallèle à l’axe y, elle
rebondit et le signe de la composante de la vitesse vx change. De même, le signe de la
composante de la vitesse vy change lorsque la boule arrive à un côté parallèle à l’axe x. La
combinaison des signes des composantes de la vitesse donne quatre directions différentes du
mouvement de la boule.
30
vy
v
y0
vx
x0 x
0 l
Figure II.5 Trajectoire d’une boule de billard
Le système de mouvement de la boule est un Système Dynamique Hybride (SDH) dont la

dynamique continue est représentée par le mouvement de la boule, et la dynamique discrète
par changement de sens de la boule lorsque celle-ci est heurtée aux côtés de la table.
Le changement d’état de la boule (changement de sens du mouvement) présente une
commutation autonome.
II. 3. 3. L’embrayage :
Il s’agit d’un système composé de deux masses en rotation. Les masses sont couplées par
un embrayage mécanique idéal. Chaque masse i, dont l’inertie est Ji, est entraînée par un
couple i à une vitesse de rotation i. Quand les masses sont couplées, les valeurs des
vitesses de rotation sont identiques. Ces vitesses sont indépendantes quand les masses sont
découplées, cela est illustré par la figure II.6.
1 1 2 2
J1 J2
Figure II.6 Système d’embrayage mécanique
Lorsque les axes de rotation sont indépendants le système est débrayé. Le modèle
mathématique est donné par :
 J1 0   1   0 0   1   1 0   1 
           (2.3)
0 J 2    2   0 0   2   0 1   2 
31
Quand les axes de rotation sont couplés le système est embrayé, les vitesses de rotation
sont identiques et le système peut être décrit par l’équation :
 J1 J 2   1   0 0   1   1 1   1 
           (2.4)
0 0    2   1 1  2   0 0   2 
II. 4. Modélisation des systèmes hybrides:
II. 4. 1. Approches de modélisation :

De façon générale, un système hybride sera modélisé par un ensemble de systèmes à
dynamique continue interagissant avec un ou plusieurs systèmes à évènements discrets. Il y a
en général trois classes principales des approches de modélisation des systèmes dynamiques
hybrides (SDH) : l’approche continue, l’approche évènementielle et l’approche mixte [24] :
II. 4. 1. 1. L’approche continue :

Elle s’agit d’étudier le comportement des modèles continus en présence des discontinuités,
et éventuellement, de définir un modèle étendu, c’est-à-dire consiste à définir une
approximation des dynamiques discrètes du système hybride par des équations différentielles
(ou aux différences) pour modéliser l’occurrence des évènements discrets. L’idée est qu’en
utilisant une approche unifiée dans le domaine des systèmes continus, où les théories sont
bien établies (les questions de stabilité, de commandabilté et d’observabilité…) pourront êtres
étudiées selon les théories classiques.
II. 4. 1. 2. L’approche évènementielle :

Contrairement à l’approche continue, cette approche est purement discrète, elle consiste à
modéliser les systèmes hybrides en supprimant les dynamiques continues ou à faire une
approximation de l’évolution continue de façon à ce que le système hybride soit représenté
uniquement par les évènements qui le caractérisent. La modélisation évènementielle d’un
SDH permettra ainsi de faire appel à la théorie classique de superviseur des SED (Systèmes à
Evènement Discret) pour la synthèse d’un modèle de commande.
II. 4. 1. 3. L’approche mixte :

Dans les sections précédentes, des approches d’intégration des aspects hybrides dans des
modèles continus ou évènementiels. Cependant, dans la structure de ces modèles l’interaction
entre la partie continue et évènementielle n’est pas représentée explicitement.
L’approche mixte repose sur la supposition que le fonctionnement d’un système hybride
est une séquence de deux phases. La première étape correspond à une transformation de l’état
continu décrite en terme de temps écoulé durant cette phase. Dans la seconde étape, l’état est
soumis à un changement discret instantané. Ainsi, les modèles développés dans le cadre de
cette approche reposent sur l’interaction de deux sous-modèles, l’un pour les aspects
32
évènementiels, basé sur les automates à états finis, les réseaux de Pétri ou des extensions de
ces formalismes, et l’autre, formalisé par des équations d’état (souvent par des équations
différentielles) pour les aspects continus. Chacun des aspects, continu ou évènementiel, est
ainsi décrit sous une forme classique est l’aspect hybride est clairement pris en compte dans
l’interface entre les deux sous-modèles. L’aspect évènementiel influe sur le modèle continu en
validant certaines des équations continues en fonction de l’état discret actif et l’aspect continu
agit sur le modèle évènementiel en validant ou en forçant le franchissement de certaines
transitions.
Parmi les outils de modélisation résultant de cette approche mixte, on retrouve : les
automates hybrides [25] représentant le modèle formel fondamental de cette approche, les
statecharts hybrides pour apporter des solutions aux problèmes posés par la spécification des
modèles, en particulier de la structuration hiérarchisée [26], et enfin les différents extensions
des réseaux de Pétri [27], [28].
II. 4. 2. Modèle de l’automate hybride :

Dans paragraphe, une brève description est présentée sur la notion des automates hybrides,
puisque le chapitre suivant (chapitre III) est consacré à ce sujet.
L’automate hybride est défini comme une extension de l’automate discret en associant une
évolution continue à chaque état discret. La composante continue est décrite par un ensemble
d’équations différentielles et la composante discrète par un automate à état fini. Un automate
hybride évolue par une alternance de pas continus, où les variable d’état et le temps évoluent
de façon continue, et de pas discrets où plusieurs transitions discrètes et instantanées peuvent
être franchies.
D’un point de vue informel et général, un automate hybride apparaît ainsi comme un
automate à état fini pilotant un ensemble d’équations différentielles modélisant la dynamique
continue du système. Le modèle est composé d’un ensemble fini des variables réelles X et
d’un graphe d’évènement étiqueté (S, E). L’ensemble S est composé par les sommets du
graphe et les éléments de l’ensemble E représentent les transitions discrètes. L’état de
l’automate change instantanément lors de l’occurrence d’un évènement discret ou par
l’écoulement du temps lors de la variation d’une condition logique spécifié sur la valeur de la
variable continue.
Considérons l’automate représenté dans la figure II.7 modélisant un système hybride. Dans
ce modèle, l’évolution continue est représentée par des équations différentielles associées aux
sommets du graphe et l’évolution évènementielle est modélisée par les arcs étiquetés.
Les sommets On et Off représentent les états discrets du système où l’évolution continue a
lieu. Les prédicats (x = M  y = h) et (x = m  y < h) sur les arcs traduisent les conditions pour
l’occurrence d’un évènement. Les prédicats (x  M  y  h) et (x  m) dans les sommets
représentent les invariants de l’automate, c’est-à-dire, des conditions imposées aux variables
continues du système pour rester dans un état discret (ici les états On ou Off).
33
On x=My=h Off
x = x0  y = 0 xMyh xm
x  kx x  kx  
y  1 y  1
x=my<h
Figure II.7 Exemple d’un automate hybride.
L’état initial du système est représenté par un arc d’entrée dans le sommet d’origine.
L’étiquette de cet arc (x = x0  y = 0) représente la région de l’espace continue à partir de
laquelle la dynamique du système hybride démarre.
Ce modèle représente le modèle de base de notre travail de recherche. Une description plus
détaillée et formelle de cette approche sera donnée dans le chapitre suivant.
II. 5. Conclusion :
Les systèmes dynamiques hybrides sont des systèmes qui combinent une partie discrète et
une partie continue. Récemment, ces systèmes ont reçu beaucoup d’attention et plusieurs
formalisme ont été proposés afin d’établir un modèle homogène permettant la modélisation de
l’interaction entre les parties discrètes et continues.
Dans ce chapitre, nous avons passé en revue les principales approches de modélisations des
systèmes dynamiques hybrides (SDH).
Parmi ces approches, l’approche mixte est celle qui considère les comportements continus
et évènementiels dans une même structure. L’avantage de cette approche est sa généralité, car
elle ne fait pas d’hypothèse sur le type de phénomène à modéliser, laissant ainsi toute liberté à
l’utilisateur pour construire son modèle. En particulier, elle n’impose pas des contraintes sur
les types de systèmes à modéliser et peut être ainsi utilisée pour construire un modèle
composé d’une partie correspondant à la partie opérative du système et d’une autre à la
commande. Dans notre travail nous nous somme intéressés à l’approche consistant à
modéliser le système par un automate hybride.
34
CHAPITRE III
STRUCTURE GENERIQUE DES SDH ET AUTOMATE HYBRIDE
III.1. Introduction.
III.2. La structure générique des SDH.
III.2.1. Le procédé.
III.2.2. Les spécifications de fonctionnement.
III.3. Les automates hybrides.
III.3.1. Définition informelle.
III.3.2. Définition formelle.
III.4. Exemples illustratifs
III.4.1. Le thermostat.
III.4.2. Le jeu de billard.
III.5. Sémantique.
III.6. Notion d’atteignabilité.
III.7. Simulation d’un système hybride.
III.8. Application sur le benchmark de l’AS 193.
III.9. Conclusion.
Chapitre III Structure générique des SDH et Automate Hybride
III. 1. Introduction :
Dans le chapitre précédent, nous avons présenté les différentes approches de modélisation
à savoir : l’approche continue, l’approche évènementielle et l’approche mixte qui combine les
parties continues et discrètes dans une même structure,
Le modèle le plus générale, issu de l’approche mixte, est le modèle de l’automate hybride
qui combine les parties continues et discrètes dans une même structure.
Dans ce chapitre, nous allons détailler d’abord la structure générique d’un SDH, ensuite le
modèle Automate Hybride de manière informelle et formelle. Enfin, nous illustrions
l’approche de modélisation Automate Hybride par un exemple hydraulique.
III. 2. La structure générique des SDH :

D’une manière générale, en vue de la commande, un système dynamique peut être décrit
en terme de système à commander, représentant le procédé, et par ses spécifications de
fonctionnement, décrivant le fonctionnement désiré du système en boucle fermée.
III. 2. 1. Le procédé :
Les systèmes dynamiques hybrides sont des systèmes dont le comportement dynamique est
défini par l’interaction entre ses dynamiques continues et discrètes. Par conséquent, le
procédé lui aussi possèdera les deux aspects : l’aspect continu et l’aspect discret.
III. 2. 1. 1. Aspect continu :

L'évolution dynamique d'un système est déterminée souvent par les processus physiques
qui ont lieu. Ainsi, le modèle mathématique est obtenu à partir des propriétés physiques du
système permettant de trouver une description de celui-ci sous la forme de représentation
d'état. Le modèle mathématique général est du type :
x (t )  f ( x(t ), u (t ), t ) (3.1)
où u(t) représente le vecteur d'entrées et x(t) est le vecteur des variables d'état.
Le modèle présenté par la relation (3.1) est assez général et l'analyse de ses propriétés doit
être réalisée en temps continu.
III. 2. 1. 2. Aspect discret :

D’une manière générale, l’évolution discrète d’un système dynamique hybride est
déterminée par l’occurrence des évènements d’origine externes ou internes dont la nature peut
être contrôlable ou non. L’occurrence des évènements implique des changements de la
dynamique continue du système.
36
Dans les systèmes dynamiques hybrides, ces changements peuvent être soit par une
structure particulière du procédé physique, soit par des entrées/sorties discrètes générées par
différents composantes du système.
II. 2. 1. 2. 1. Changements de dynamique continue dus à la structure du système :

Dans le cas des systèmes réels, les variables d'état x(.) (Relation 3.1) peuvent modéliser des
variations de volume, de température ou bien de concentration. Le champ de vecteur f(x(t)) est
en général, une fonction continue mais parfois il peut présenter des discontinuités. Celles-ci
reflètent des changements de la dynamique continue dus aux caractéristiques du procédé
physique. Pour illustrer ce phénomène, considérons un réservoir représenté par la figure III.1.
Qin
h0
Qout
Figure III.1 Exemple d’une structure physique particulière.
La forme du réservoir implique un changement de modèle mathématique, qui modélise la

variation du niveau de fluide dans le réservoir, lorsque le niveau est au-dessous du seuil h0.
Ainsi, si le niveau dans le réservoir respecte la relation h > h0, l'équation modélisant la vitesse
de variation du niveau dans le réservoir est donnée par :
Sh(t )  Qin  Qout (3.2)
où :
Qin et Qout représentent les débits d’entrée et de sortie respectivement.
h et h0 : les niveaux de fluide.
S : la section du réservoir.
Si h<h0 alors le niveau dans le réservoir varie en conformité avec la dynamique décrite par :
2
 h(t )  
S  h(t )  Qin  Qout (3.3)
 h0 
Dans ce cas, les équations différentielles modélisant la variation de niveau dans le réservoir
ne présentent pas de discontinuités, cependant dans la dynamique du système on distingue
37
deux comportements différents. Pour différencier ces deux comportements, la solution repose
sur l'utilisation d'une variable discrète associée à chaque dynamique continue.
Dans les procédés réels, cette distinction peut se faire en utilisant un capteur qui détecte le
seuil où le changement de modèle intervient. Dans l'exemple considéré, pour distinguer les
deux comportements du système, l'utilisation d'un capteur qui détecte le seuil h0 peut fournir
cette information.
Les changements de comportement dont l'origine se trouve dans la structure physique du
système correspondent au phénomène de commutation autonome. L'utilisation des capteurs,
pour modéliser d'une manière explicite les discontinuités introduites par la structure physique
du système, implique naturellement l'occurrence d'un événement généré au moment où le
changement du comportement continu du système intervient. De tels événements sont des
événements incontrôlables dans le sens où leur occurrence ne peut pas être empêchée.
II. 2. 1. 2. 2. Changements de dynamique continue générés par des sorties discrètes :

Dans le cas décrit auparavant, nous avons présenté une utilisation des capteurs qui permet la
modélisation de discontinuités dans l'évolution du système.
Dans la plupart des systèmes réels, les capteurs sont utilisés pour signaler aux opérateurs les
dépassements de certains seuils qui peuvent générer un fonctionnement non désiré du système.
Ainsi, leur utilisation est étroitement liée à la manière dont les spécifications de fonctionnement
du système sont formulées. Les informations qu'ils fournissent sont explicitement prises en
compte lors de la synthèse d'un modèle de commande.
La remarque concernant la nature incontrôlable des événements générés par des capteurs en
cas de détection d'un seuil, par exemple, reste toujours vraie.
II. 2. 1. 2. 3. Changements de dynamique continue générés par des entrées discrètes :

Les éléments fréquemment utilisés dans les systèmes réels qui peuvent introduire des
discontinuités dans leur fonctionnement sont les actionneurs discrets (par exemple, les vannes
avec leurs états correspondants : ouvert ou fermé). En général, ce sont des éléments auxquels
sont associées des fonctions de contrôle du système (par exemple, la commande
manuelle/automatique de fermeture/ouverture de vannes).
Pour pouvoir intégrer des actionneurs discrets dans le modèle global d'un processus, il faut
d'abord définir les concepts de modélisation qui leur correspondent. Les événements
modélisant un changement d'état du système seront forcément des événements dont la nature est
contrôlable pour pouvoir agir sur leur date d'occurrence.
Dans les cas précédents, les événements ont été introduits pour modéliser les changements
de la dynamique continue du système. Ici, les événements sont utilisés pour modéliser les
états des actionneurs. Il s'agit donc de modéliser les états discrets du système global et de
définir les transitions entre ces états. Ceci permettra de construire un modèle global de
fonctionnement du système.
38
II. 2. 2. Les spécifications de fonctionnement :

En général, les spécifications introduisent des restrictions dans l'évolution du procédé.
Ainsi, pour formuler le problème de synthèse de la commande, il est nécessaire qu'après la
description du procédé (système à commander), une description de ses spécifications de
fonctionnement soient faite.
L'objectif de la synthèse consistera à restreindre l'évolution du procédé telle que le
fonctionnement en boucle fermée du procédé couplé avec son système de commande respecte
toujours les spécifications imposées.
Dans le cas des systèmes hybrides, les restrictions imposées par des spécifications du
système peuvent être décrites en les divisant en deux groupes : les spécifications
correspondant à la partie continue et les spécifications correspondant à la partie discrète du
système.
II. 2. 2. 1. Les spécifications continues :

Les spécifications continues correspondent à des restrictions imposées sur les valeurs des
variables d'état continues x , exprimées par des conditions logiques qui limitent leur
évolution à une certaine région de l'espace d'état, appelée région désirée. Toute évolution
sortant de cette région est non désirable. Si nous utilisons des automates pour modéliser le
système étudié, l'évolution non désirée sera représentée par un sommet appelé sommet
interdit.
Par exemple, considérons la partie d'un automate hybride présentée dans la figure III.2 :
Sk Sn Sp
x  f k ( x, t ) gk,n x  f n ( x, t ) gn,p x  f p ( x, t )
gn,q
Sq
Figure III.2 Partie d’un automate hybride.
L'évolution dynamique de l'automate hybride a lieu par une alternance de pas discrets et
continus. Ainsi, l'évolution continue a lieu dans les sommets de l'automate tandis que
l'évolution discrète est réalisée par le franchissement des transitions (arcs) du graphe. Le
sommet interdit Sq est atteint depuis le sommet Sn, par la validation de la transition étiquetée
par gn,q.
39
Définition III. 1 :
Un sommet interdit modélise la situation où les spécifications continues du système ne sont
plus vérifiées.
Pour illustrer la notion de sommet interdit, reprenons l'exemple classique d'un thermostat
utilisé pour maintenir la température du procédé dans un intervalle imposé.
Le système de chauffage sera arrêté ou redémarré en fonction des informations envoyées
par le capteur de température du procédé. L'intervalle de température imposé, représente la
spécification continue. Le dépassement des seuils de cet intervalle peut impliquer des
défaillances dans le système, provoquées par exemple par le sur chauffage des différentes
composantes. Les états interdits permettent la modélisation d'une telle situation. Ainsi, le
modèle automate où les évolutions non désirées sont représentées est illustré dans la
figure III.3 :
x = M
marche arrêt
x  f1( x) x  f 2 ( x)
x = m
x  [m, M] x  [m, M]
SI
Figure III.3 Modèle du thermostat avec les spécifications de fonctionnement.
III. 2. 2. 2. Les spécifications discrètes :
La partie discrète d'un système hybride peut être vue comme une machine à états finis. En
général, les spécifications discrètes sont données sous la forme de conditions logiques
décrivant l'ordre d'occurrence des événements dans le système pendant son fonctionnement.
L'outil de modélisation permettant de prendre en compte tous les aspects présentés dans
une même structure est l’automate hybride.
III. 3. Les automates hybrides :

Les exemples informels présentés dans le chapitre précédent (§II.3.1, §II.3.2 et §II.3.3) et
les aspects discutés jusqu'ici, nous permettent de constater que pour développer une approche
d'analyse et de synthèse de commande pour les systèmes hybrides, il faut disposer d'outils de
modélisation permettant de représenter l'interaction entre les dynamiques continues et
discrètes, ainsi que les spécifications relatives au fonctionnement désiré du système. De plus,
40
le modèle doit permettre de prendre en compte des comportements non déterministes. De tels
comportements peuvent être dus à des incertitudes dans l'évolution continue et discrète du
système lors de l'occurrence des événements incontrôlables ou au manque de précision dans la
connaissance du système.
Traditionnellement, les dynamiques continues sont modélisées par des équations
différentielles (ou aux différences) et les dynamiques discrètes sont souvent modélisées et
analysées par des automates discrets.
L'automate hybride combine ces deux modèles et fournit un formalisme possédant les
aspects cités précédemment. Dans un automate hybride, les dynamiques continues sont
modélisées par des équations différentielles associées aux sommets et l'évolution discrète par
le franchissement des transitions entre ces sommets.
III. 3. 1. Définition informelle :

L’automate hybride est une extension de l’automate discret en associant une évolution
continue à chaque état discret. La composante continue est décrite par un ensemble
d’équations différentielles et la composante discrète par un automate à états fini. Un automate
hybride évolue par une alternance de pas continus où les variables d’état et le temps évoluent
de façon continue, et de pas discrets où plusieurs transitions discrètes et instantanées peuvent
être franchies. Ainsi, l'automate hybride apparaît comme un système état-transition (Q, E)
étendu avec un ensemble X des variables continues, comme présente la figure III.4.
L'ensemble fini Q est composé par des sommets représentant l'état discret du système où les
évolutions continues ont lieu. L'ensemble fini E est composé par des arcs orientés modélisant
les transitions discrètes qui relient les sommets du graphe. Tout arc orienté doit avoir un
sommet destination [25].
L’ensemble E
des arcs orientés
Sommet 1 Sommet i Sommet n

x  f1( x) x  fi ( x) x  f n ( x)
L’ensemble Q
des sommets
Figure III.4 Schéma illustratif d’un automate hybride.
41
Définition III. 2 :
Un sommet avec un arc d'entrée sans sommet source représente un sommet initial. Un
sommet avec aucun arc de sortie est appelé sommet puits comme l’indique la figure III.5.
Sommet
puits
Conditions
initiales
Sommet
initial
Figure III.5 Sommet initial et sommet puits.
En reprenant la signification d'un sommet interdit, i.e. le sommet du graphe où l'évolution

du système ne respecte plus les spécifications de fonctionnement imposées par le cahier de
charges, et en prenant en compte la définition formulée ci-dessus, nous pouvons conclure
qu’un sommet puits de l'automate hybride modélise un sommet interdit du système.
Graphiquement l’automate hybride est représenté par des sommets (cercles ou ellipses), et
des arcs (traits) orientés (figure III.6). Les sommets modélisent l’état continu du système, c-à-
d ils contiennent des conditions de flux telle que les équations différentielles (ou aux
différences) sur le vecteur d’état x(.) de Rn. Une condition sur un ou plusieurs variables d’état
x1 ,..., xn appelée invariant sert à limiter l’évolution de la dynamique continue dans chaque
sommet.
Les arcs orientés modélisent les transitions ou la dynamique discrète. A chaque transition
on associe un prédicat qui concerne l'état interne du système, appelé garde. Ce prédicat
détermine les dates possibles pour le franchissement de la transition. Ainsi, une transition de
l'automate hybride peut être franchie à l'instant t si et seulement si sa garde est vérifiée par la
valeur des variables d'état continues du système à l'instant de temps considéré.
q1 garde(T1)/Aff(T1) q2
init(q1) T1
inv(q1) inv(q2)
flux(q1) T2 flux(q2)
garde(T2)/Aff(T2)
Figure III.6 Schéma général d’un automate hybride.
L'ensemble des variables d'état continues mises à jour lors du franchissement d'une
transition est décrit par une affectation. Les initialisations spécifiées par l'affectation peuvent
correspondre à des fonctions, calculant la nouvelle valeur de l'état à partir de sa valeur avant
le franchissement, plus complexes que la remise à zéro des horloges dans les automates
42
temporisés. Par exemple dans l’exemple de la figure III.7 – qui est un modèle partiel d’un
automate hybride – la variable xi sera mise à jour lors du franchissement de la transition Ti à
70% de la valeur de xi avant le franchissement.
Si
x  f ( x )
Ti xi < a / xi := 0.7
x
Figure III.7 Exemple de l’affectation lors du franchissement d’une transition.
En général, tout automate hybride débute son évolution par une initialisation (init) du
vecteur d’état.
III. 3. 2. Définition formelle [25] :

Un automate hybride d’ordre n (comme illustré par la figure III.6) est défini par :
A = (Q, X, flux, inv, garde, Aff, init) (3.4)
Tel que :
- Q = {q1, q2, …, qm} est un ensemble fini des sommets du graphe représentant les états
discrets du système modélisé;
- X  Rn est l’espace d’état continu. L’état continu du système est caractérisé à tout instant
par le vecteur x = [x1 x2 … xn]T dans l’espace Euclidien Rn ;
- flux(qi) est la fonction qui affecte à chaque sommet une représentation pour l’évolution
continue. Durant le séjour dans un sommet qi de l’automate hybride, l’évolution des
variables continues est exprimée généralement sous la forme d’une équation d’état
flux(qi) : x   (qi )(t , x, u ) , où x X  Rn, u U  Rp et  : X  U  X ;
- inv(qi) l’invariant est une fonction qui associe à chaque sommet qi  Q une contrainte sur
les variable d’état continues x(.). Le système peut séjourner dans un sommet tant que
l’invariant du sommet est satisfait ;
- garde(Ti) est une fonction qui associe une condition de franchissement à chaque transition
Ti  E. Cette condition est en général une fonction logique entre prédicats, portant sur les
variables x  X et/ou ses dérivées x  X . Une transition Ti  E ne peut pas être franchie
que si la condition garde(Ti) est vrai ;
- Aff(Ti) l’affectation est une fonction qui associe à chaque transition Ti  E une relation qui
permet de mettre à jour la valeur des variables d’état après l’exécution de la transition Ti.
43
Une affectation est donnée sous la forme de prédicats simples de type xi := ci|xi  X où ci
est une constante réelle dans X. (et peut être une fonction plus complexe par exemple).
- init est une fonction qui affecte un état initial x0  X au sommet initial qin  Q. La
condition initiale init est un prédicat sur X .
D'une manière intuitive, les sommets de l'automate hybride permettent de différencier les
dynamiques continues du système. L'état d'un système hybride est caractérisé à tout instant
par la paire (qi, x) représentant l'état global du système.
L'évolution dynamique d'un automate hybride commence à partir d'une région initiale R0.
Dans chaque sommet, les valeurs des variables changent avec le passage du temps en
respectant la fonction de flux continu et l'invariant. Ainsi, l'invariant limite l'espace
d'évolution du vecteur d'état dans chaque sommet de l'automate.
Une transition discrète Ti  E, entre les sommets qi et qj de l'automate, peut être franchie si
la condition garde(Ti) est vraie. L'état résultant du franchissement de la transition est la paire
(qi, x’) où x’ représente la valeur du vecteur d'état après l'initialisation par la fonction Aff(Ti).
L'exécution d'une transition ne prend pas de temps, autrement dit, les transitions sont
instantanées. Par conséquent, l'écoulement du temps ne se produit que dans les sommets de
l'automate.
Nous pouvons conclure qu'un automate hybride évolue par une alternance de pas continus,
où les variables continues et le temps évoluent de façon continue, et de pas discrets, où
plusieurs transitions discrètes et instantanées peuvent être franchies.
III. 4. Exemples illustratifs :

III. 4. 1. Le thermostat :
Reprenant l'exemple du thermostat (§II.3.1), et en complétant avec les notions de la
définition III.3.2, le modèle de l’automate hybride correspondant à l’exemple du thermostat
est présenté dans la figure III.8. Les deux états discrets correspondants aux états en marche et
en arrêt du système sont modélisés par les sommets du graphe.
x = M
marche arrêt
x  f1( x) x  f 2 ( x)
x  M x  m
x = m
Figure III.8 Automate hybride modélisant l’exemple du thermostat.
La variable continue x modélise la température et ses dynamiques, associées aux deux états
discrets du système, sont données sous la forme d'équations différentielles, et on remarque
ainsi l'utilisation de l'invariant pour limiter l'évolution continue du système dans ses états
44
discrets. L'état en marche, est représenté par la condition x  M. Les conditions de
franchissement, qui déterminent le passage d'un état discret vers l'autre, sont spécifiées par les
gardes des transitions. L'utilisation de l'invariant dans les sommets de l'automate limite
l'évolution de ses variables continues.
III. 4. 2. Le jeu de billard :

Reprenant l’exemple de la boule de billard.
y
vy
v
y0
vx
0 x0 x
l
Figure III.9 Trajectoire d’une boule de billard
Ce système est modélisé par les deux variables continues x et y qui sont la position de la
boule de billard par rapport à l’axe des abscisses et des ordonnées respectivement. Et
modélisé ainsi par les états discrets A, B, C et D, selon le sens de mouvement de la boule (ce
sens de mouvement est représenté par le sens des deux composantes de la vitesse vx et vy).
- A : en cas où vx  0 et vy  0, dans ce cas : x  l  y  h.
- B : en cas où vx  0 et vy  0, dans ce cas : x  0  y  h.
- C : en cas où vx  0 et vy  0, dans ce cas : x  0  y  0.
- D : en cas où vx  0 et vy  0, dans ce cas : x  l  y  0.
Ces quatre états discrets nous donnent un automate hybride de quatre sommets dans chaque
sommet il y a une dynamique continue représentée par deux équations différentielles :
 x  fi1 ( x)
 (3.5)
 y  fi 2 ( x)
Les contraintes sur le variables d’état continues x, y nous permet d’implanter les invariants
dans chaque sommet.
Les arcs orientés (va et vient) entre les sommets modélisent la dynamique évènementielle
du système avec les gardes (conditions de franchissement) sur chacun des ces arcs.
Sans oublier l’arc d’entrée sans sommet source qui représente l’état initial du système
(figure III.10).
45
x  x0
y  y0
A xl B
x  vx x  vx
y  y x y  y x
xly h x0 x0y h
yh y0 yh y0
C
x  vx x0 D
x  vx
y   y x y   y x
x0y 0 xl xly 0
Figure III.10 Modèle automate hybride du mouvement de la boule
III. 5. Sémantique :
La sémantique des automates hybrides est définie en considérant qu'à chaque instant, l'état
d'un automate hybride est donné par la paire (q,x) correspondant à l'association d'un état
discret du système et d'une valeur du vecteur d'état. Nous présentons la sémantique d'un
automate hybride A, en terme de tous les comportements qui peuvent être générés par
l'évolution du système modélisé. Dans ce sens, la sémantique d'un système continu, définie
par un ensemble d'équations différentielles, est donnée par l'ensemble de toutes ses solutions,
notamment de toutes ses trajectoires.
Comme nous venons de le présenter, l'évolution de l'automate hybride est réalisé par :
Une évolution continue de ses variables continues par la progression du temps dans l'état
discret courant, en respectant les équations de flux continu flux(qi) associées à cet état.
- Une évolution discrète par l'exécution instantanée d'une transition qui change l'état discret
et la valeur du vecteur d'état continu.
L'état global du système, défini par la paire (q,x), change par l'intermédiaire des flux continus
(x change en fonction de l'équation de flux continu) ou bien en conséquence au
franchissement d'une transition, qui implique ainsi le changement de l'état discret du système.
Plus formellement, une trajectoire d'un automate hybride est définie par la séquence :
 q0 , 0 , x0    q1, 1, x1    q2 ,  2 , x2      qi , i , xi   
où  i  R  correspond à la durée pendant laquelle l'automate reste dans la situation qi, sa
valeur est remise à zéro à chaque commutation, et xi est la fonction vectorielle qui décrit
l'évolution de l'état continu pendant cette durée.
46
III. 6. Notion d’atteignabilité :

Dans la réalité, la taille des modèles obtenus par cet outil (l’automate hybride) augmente
considérablement avec la complexité du système étudié (en particulier les systèmes
industriels). Ainsi, il faut répondre premièrement à la question "Est-ce que toutes les
trajectoires modélisées sont effectivement réalisables dans le système ? ". Répondre à cette
question revient à l’analyse d’atteignabilité des états dans le graphe qui conduit à un modèle
d’automate hybride réduit appelé automate atteignable qui nous ne modélise que les
évolutions possibles du système pour une condition initiale donnée.
L’analyse d’atteignabilité constitue un problème central dans la vérification des propriétés
des systèmes hybrides par des automates hybrides.
III. 7. Simulation d’un système hybride :

La simulation d’un système hybride dans un environnement de calcul (comme Matlab par
exemple), est détaillée comme suit :
- Le programme commence à simuler le premier mode précédé par les conditions initiales,
c’est-à-dire intégrer le système d’équations différentielles à l’aide des routines prédéfinies
"OdeSolver".
- Cette intégration est forcée d’être stoppée lorsqu’un évènement que ce soit autonome ou
contrôlé apparaît (par une condition bien définie à priori).
- Le mode suivant sera le mode active, cela est fait à travers un algorithme de décision qui
prend la décision sur quel mode le programme poursuivre sa intégration.
- L’intégration est poursuite pour le nouveau mode, et le programme revient à la première
étape, de façon à reste dans une boucle répétitive jusqu’à un écoulement d’un intervalle de
temps, ou à la vérification d’une condition.
- Après avoir atteindre le temps total de la simulation, une mise en place du modèle
continue global aura lieu. C’est-à-dire que le système continu global est obtenu par
concaténation des sous-ensembles actifs du système. (c’est ce qu’on appelle l’espace
atteignable).
On peut résumer cet algorithme par l’organigramme de la figure III.11.
La mise en route de cet algorithme nécessite la mise en œuvre des mécanismes de stoppage
et d’accessibilité en routines prédéfinies (notamment les OdeSolver), c-à-d il faut établir :
- Un mécanisme de stoppage de l’intégration suivant une occurrence d’un évènement
(spontané ou contrôlé). Deus types d’événements existent : les événements temporels
(contrôlés) pour lesquels la date d’occurrence est prédéfinie, et les événements d’états
(spontanés ou non contrôlés) pour lesquels la date d’occurrence n’est pas connue a priori
puisqu’ils se déclenchent lorsque la valeur d’une variable d’état franchit un seuil donné.
Une fois l’événement détecté, il est alors nécessaire de le localiser temporellement de
manière précise.
47
- Une accessibilité aux routines internes prédéfinies (les "OdeSolver") de Matlab (par
exemple), pour personnaliser par exemple le pas d’intégration, et la tolérance (précision)
de calculs.
Pour ce mécanisme, nous avons proposé deux solutions :
- Soit de jouer sur les routines de Matlab de manière à forcer ces routines d’arrêter
l’intégration à n’importe quel point. Pour le deuxième problème, on utilise les options
d’intégration à l’aide de la routine prédéfinie "odeset". Cette solution est utilisée pour la
simulation de l’application de benchmark de l’AS au sein de ce chapitre.
- Soit de reprogrammer une routine d’intégration personnalisée, en implantant la méthode
de la résolution numérique des équations différentielles telle que Runge Kutta 4, et là, les
deux problèmes cités ci-dessus n’apparaissent plus, puisque la boucle d’intégration est
accessible à tout moment, donc on peut la contrôler aisément, stoppant la ainsi à n’importe
quel point, on peut aussi par une simple affectation du pas de définir la précision
d’intégration. Cette solution favorable sera utilisée dans le chapitre IV pour simuler
l’application d’illustration du diagnostic.
Début
Initialisation des variables

globales
Intégration du mode I
Non Occurrence d’un

évènement ou fin de
cycle ?
Oui
Obtention du nouveau mode
I : NouveauMode
Temps de Non
simulation total
atteint ?
Oui
Concaténation des résultats
d’intégration de mode
Schématisation des résultats
Fin
Figure III.11 L’organigramme de l’algorithme de simulation des SDH
48
III. 8. Application sur le Benchmark de l’AS 193 [2] :

III. 8. 1. Description du système :
Ce système est un système hydraulique de deux réservoirs constitué de :
 Deux réservoirs R1 et R2, de section S1 = S2 = 0.0154m2 reliés par les conduites C2 et
C3. La conduite C2 est équipée de la vanne V2,
 Deux vannes V1 et V4 permettant l’évacuation du liquide pour l’utilisation,
 Une pompe P de débit Qp,
 Pour simplifier l’étude, on suppose que les vannes V1 et V2 restent constamment
ouvertes (on peut les enlever complètement).
Qp
Q3
C3
h1 h2
Q2
C2
Q4
Q1
V4
Figure III.12 Système de benchmark de l’AS 193.
La pompe est commandée en tout ou rien de manière à maintenir h2 dans un intervalle fixé.
La logique de la pompe est comme suit :
- La pompe est initialement en marche.
- Elle est arrêtée lorsque h2  0.2 m .
- Elle est mise en marche lorsque h2  0.1 m .
- Si 0.1 m  h2  0.2 m :
 Elle reste en état de repos (arrêtée) si h2  0 .
 Elle reste en état de marche si h2  0 .
Le débit de la pompe étant mesuré, l’état de la pompe (marche ou arrêt) n’est pas considéré
par la suite. Lorsque la pompe est à l’arrêt, le débit est nul (Qp = 0), lorsqu’elle fonctionne
Qp = Q0 = 0.001 m3/s.
La vanne V4 est manuelle. Elle peut être ouverte ou fermée à tout instant par l’utilisateur.
Seuls 2 états discrets sont considérés : l’état de la conduite C3 qui peut prendre les modalités
Vide (V) ou Pleine (P), et l’état de la vanne V4 qui peut prendre les modalités Ouverte (O) ou
Fermée (F). 4 modes permettent donc de caractériser le comportement du système. Chacun
49
d’entre eux est caractérisé par une modalité de l’état discret (état conduite C3, état vanne V4),
des équations d’état et des contraintes inégalités.
Les évènements e1 et e2 sont contrôlés ; e1 se produit à l’instant t = 240 s, tandis que e2 se
produit à l’instant t = 380 s.
Les débits Q1, Q2, Q3 et Q4 sont donnés par :
Q1   h1 (3.6)
Q2   sign(h1  h2 ) h1  h2 (3.7)
Q3   sign(h1  0.5) h1  0.5 (3.8)
Q4   h2 (3.9)
Avec :   A 2 g ; où : A = 3.610-5 m2 une constante, et : g = 9.81 m/s2 est la gravité.

Q1 et Q4 : les débits sortant respectivement des réservoirs R1 et R2.
Q2 et Q3 : les débits sortant du réservoir R1 vers R2 à travers les conduites C2 et C3
respectivement.
Remarquons les signes pour les débits Q1, Q2, Q3 et Q4 dans les équations différentielles de
chaque mode ( h et h ), ces signes (parfois – et parfois +) sont selon la règle suivante : signe
1 2
plus (+) pour les débits entrants et signe moins (–) pour les débits sortants (cela est similaire à
la loi des nœuds pour un système électrique où les débits sont les courants).
L’automate hybride représentant le système en fonctionnement normal est donné par la
figure suivante :
CI
h1  0.5
Mode 1 Mode 2
(V.F) (P.F)
1

h1  Q p  Q1  Q2
S
 
1
h1  Qp  Q1  Q2  Q3
S

1 1
h2   Q2  h2   Q2  Q3 
S S
h1  0.5, h2  0.5 h1  0.5 h1  0.5, h2  0.5
e2 e1 e2 e1
Mode 4 h1  0.5 Mode 3

(V.O) (P.O)
1

h1  Qp  Q1  Q2
S
 
1
h1  Qp  Q1  Q2  Q3
S

1
h2   Q2  Q3  Q4 
1
h2   Q2  Q4 
S S
h1  0.5, h2  0.5 h1  0.5, h2  0.5
h1  0.5
Figure III.13 Automate hybride pour le benchmark.
50
III. 8. 2. Simulation de l’évolution du système :

La simulation est réalisée durant un temps de simulation total égal à 500 s, avec les
conditions initiales suivante : h1,0 = 0.4 m et h2,0 = 0.
Les niveaux du liquide h1 et h2 (ou l’évolution continue avec h1 en gras, h2 en trait normal),
sont donnés par la figure suivante :
h1
h2
temps [s]
Figure III.14 Les niveaux du liquide h1 et h2.
L’évolution des modes, autrement dit le chronogramme des modes est donné par la figure
suivante :
t [s]
Figure III.15 Chronogramme de modes.
51
III. 9. Conclusion :
Dans ce chapitre nous avons présenté une structure générique de système hybride décrit en
terme de procédé et de spécification de fonctionnement. La complexité du système qui
découle de cette structure justifie le choix de l’automate hybride comme outil de modélisation
en vue de l’analyse et la synthèse de la commande.
L’automate hybride considère à la fois les comportements continus et évènementiels dans
une même structure. Cet outil peut être vu comme une extension de l’automate discret et il
constitue le formalisme principalement utilisé pour la vérification de certaines propriétés du
système. Cependant, la mise en œuvre et surtout la taille des modèles obtenus à l’aide de cet
outil de modélisation des SDH, parfois devient considérablement complexe voire gigantesque
selon la complexité des systèmes à modélisé, notamment les systèmes industriels, la notion
d’atteignabilité ou la notion des automates atteignables a pour rôle essentiel de diminuer la
taille des automates hybrides pour ne modélisent que les évolutions possibles en démarrant
par une condition initiale spécifiée.
52
CHAPITRE IV
SURVEILLANCE DES SYSTEMES DYNAMIQUES HYBRIDES
IV.1. Introduction.
IV.2. Générateurs de résidus
IV.2.1. L’espace de parité.
IV.2.1.1. Principe général.
IV.2.1.2. Utilisation des RRA pour la surveillance.
IV.2.1.3. Calcul des RRA.
IV.2.1.3.1. Le cas linéaire.
IV.2.1.3.2. Le non cas linéaire (par élimination).
IV.3. Surveillance des systèmes dynamiques hybrides.
IV.3.1. Introduction.
IV.3.2. Modèle de bon fonctionnement des SDH.
IV.3.3.Description et caractérisation des défaillances.
IV.3.4. Utilisation des résidus pour la surveillance des SDH.
IV.4. Exemple d’illustration.
IV.4.1. Description du système.
IV.4.2. Simulation de l’évolution du système.
IV.4.3. Génération des résidus.
IV.4.4. Etude des résidus.
IV.5. Conclusion.
Chapitre IV Surveillance des Systèmes Dynamiques Hybrides
IV. 1. Introduction :
De nombreux procédés industriels sont hybrides par nature, ce qui signifie que leur
comportement résulte de l’évolution et de l’interaction de variables continues et de variables
discrètes.
Ces dernières années, ces systèmes ont fait l’objet d’importants travaux concernant la
modélisation, la simulation, la vérification et la synthèse de lois de commandes [22], [23],
[24].
Le comportement dynamique d’un système hybride peut être représenté par une succession
de modes. Chaque mode est caractérisé par une modalité de l’état discret, un ensemble de
contraintes égalités (équations d’état par exemple) et la définition d’un domaine
d’admissibilité (décrit par des contraintes inégalités). Une transition d’un mode vers un autre
mode a lieu lorsque certaines conditions logiques sont vérifiées. Une transition peut être
contrôlée ou spontanée suivant qu’elle est provoquée par un événement externe contrôlé ou un
événement interne.
Pour ce type de système, peu de travaux ont été consacrés à la détection, la localisation ou
le diagnostic des défaillances [29]. De plus, même en fonctionnement normal, une des
hypothèses classiquement formulée pour la commande discrète de ces systèmes, est que le
mode dans lequel se trouve le système (le mode courant) est à tout instant connu. Ceci est une
hypothèse parfois très forte qui n’est pas toujours vérifiée sur une installation industrielle et
qui nécessite une instrumentation (capteurs) parfois abondante, performante et coûteuse. La
détermination du mode courant est donc une fonctionnalité supplémentaire que doit présenter
la couche logicielle de surveillance.
D’autre part, le principe général des méthodes de détection de défaillances à base de
modèles est de comparer le comportement en-ligne du système tel qu’il est connu au moyen
des mesures, avec le comportement qu’il devrait avoir sous l’hypothèse de bon
fonctionnement donné par un modèle. La littérature dans ce domaine est abondante et de
nombreuses solutions ont été proposées pour les systèmes continus et discrets, linéaires et non
linéaires. La première étape consiste à générer des résidus sensibles à certaines défaillances et
robustes aux perturbations et aux autres défaillances. Deux approches sont classiquement
utilisées pour générer des résidus : les méthodes à bases de relations de redondances
analytiques et les méthodes à base d’observateurs.
IV. 2. Générateurs de résidus :

Un résidu doit refléter la cohérence des signaux mesurés avec un modèle (Définition I.12).
Une image de cette cohérence est donnée par les caractéristiques statistiques (pour les
méthodes basées sur un modèle du système) ou spectrales (pour les méthodes basées sur un
modèle de signal) du résidu.
L’algorithme utilisé pour obtenir les résidus est appelé générateur de résidus. Trois
approches sont principalement utilisées pour construire ce générateur de résidus :
54
- Les approches d’identification (Estimation paramétrique). Elles consistent à identifier

en ligne les divers paramètres du système et à comparer ces estimations aux valeurs
nominales des paramètres. L’erreur d’estimation est utilisée comme résidu [10], [30].
- L’approche à base de Relations de Redondance Analytique ou approche de l’espace de
parité. Le principe est de transformer ou réécrire les équations du modèle de manière à
obtenir des relations particulières appelées RRA: Relations de Redondance Analytique.
Ces relations ont pour propriété de ne lier que des grandeurs connues, disponibles en
ligne. Les résidus sont obtenus en substituant dans ces RRA les variables connues par
leurs valeurs réelles (mesurées), prélevées sur le système en fonctionnement.
L’obtention des RRA est un problème général d’élimination de variables dans un
système d’équations algébro-différentielles. Lorsque le modèle est linéaire,
l’élimination peut se faire par projection dans un sous espace appelé espace de
parité [21].
- Les approches à base d’observateurs ou de filtres sont les plus couramment utilisées.
Les premiers travaux datent des années 70 [19]. Les observateurs ou filtres sont des
outils bien connus des automaticiens à des fins de commande en boucle fermée. Le
principe général est de concevoir un système dynamique permettant de donner une
image, ou estimation, de certaines variables, ou combinaisons de variables, nécessaires
au bouclage. Lorsque le système est dynamique et que certaines variables (conditions
initiales) sont inconnues, l’estimation n’est correcte qu’après un certain temps de
convergence, fixé par la dynamique de l’observateur. Ces outils ont été adaptés à des
fins de surveillance. Le principe général consiste à comparer des fonctions de sorties
estimées avec les mêmes fonctions des sorties mesurées. L’écart entre ces fonctions est
utilisé comme résidu [31].
Nous nous intéressons par la suite de cette thèse à l’approche basée sur la notion des
relations de redondance analytique ou l’approche de projection sur l’espace de parité.
IV. 2. 1. L’espace de parité (relation de redondance analytique RRA) :

Les méthodes à base de modèle peuvent êtres utilisées quand le modèle lui-même peut
fournir une redondance d’informations sur le système au lieu de la redondance physique ou
réelle (des capteurs supplémentaires placés dans le système pour assurer la surveillance plus
ou moins complète d’un coin du système). Cette redondance fournie par le modèle du système
est appelée redondance analytique.
Définition IV.1. (redondance analytique) :

Un modèle comporte une redondance analytique, s’ils existent plusieurs manières de
déterminer une variable x, on utilisant seulement des observations z(t), c’est-à-dire :
x  f1 ( z (t )) et x  f 2 ( z (t )) avec f1 ( z (t )) ≢ f 2 ( z (t )) [32].
55
Exemple IV.1 :
On suppose deux capteurs mesurent une seule variable x avec :
y1  x  y2  x
La totalité des deux capteurs peut résumer l’équation suivante :
y12  y2  0 (4.1)
On peut facilement remarquer qu’en cas d’une anomalie de la part d’un des deux capteurs,
l’équation (4.1) devient invalide, et la défaillance est détectée facilement, c-à-d :
y12  y2  0 (4.2)
En cas d’une faute dans le deuxième capteur par exemple, sa mesure peut s’écarter d’une
valeur 2 (erreur) et l’équation (4.1) devient :
y12  y2   2  0 (4.3)
Définition IV.2. (Relation de Redondance Analytique RRA) [2] :

La relation de redondance analytique RRA est une relation issue des équations du modèle
nominal (sans perturbation ni défaillance), liant les variables d’entrée et de sortie et les
dérivées successives de ces variable jusqu’un ordre donné (c’est-à-dire ne liant que les
variables connues). Une RRA est donc indépendante de l’état x(t).
Cette relation est obtenue en éliminant les variables inconnues dans les équations du
système (l’état x(t), les entrées inconnues comme les perturbations, bruits…).
Les systèmes automatisés sont de nature et de complexité différente. Ils peuvent être : à
temps continu ou à temps discret, qualitatifs, structurels ou analytiques, linéaires ou non
linéaires.
Dans ce chapitre, nous allons détailler la méthode de la projection dans l’espace de parité
(RRA) dans le cas général des systèmes, puis nous développerons cette méthode dans le cas
des systèmes linéaires. Ensuite, nous présenterons le cas des systèmes non linéaires, et là, une
méthode dite d’élimination sera détaillée, ensuite nous illustrerons cette méthode par un
exemple non linéaire. Finaliserons enfin par une conclusion.
IV. 2. 1. 1. Principe général :

Considérons un modèle d’un système de comportement nominal (sans perturbation ni
défaillance) représenté sous la forme d’état générale :
 x  t   f  x  t  , u  t  
 (4.4)
 y  t   h  x  t  , u  t  
56
où : x  X  Rn le vecteur d’état, y  Y  R p est le vecteur des sorties, u U  Rm est le

vecteur des entrées connues. Les deux fonctions vectorielles f(.) et h(.) sont supposées
analytiques (de classe C). Les signaux y et u sont supposés infiniment dérivables. Un ordre
de dérivation si est attribué à chaque sortie yi, i  [1, . . ., p].
L’objectif est d’éliminer le vecteur d’état x(t), pour cela, on fait dériver chaque sortie yi(t)
jusqu’un ordre si , i  [1…p]. Ces dérivées augmentent le nombre d’équations, donc
l’élimination des variables d’état xi(t), i [1…n] sera possible (par une méthode d’élimination
comme nous allons le voir, mais la méthode de la substitution directe parait la plus claire,
mais la plus difficile, voire impossible dans les cas les très compliqués).
Pour la suite, les notations suivantes seront utilisées :
yi
 s  représente un vecteur dont les composants sont y et leurs dérivées successives jusqu’à
i
i
l’ordre si, c’est-à-dire :
 yi 
  
y
 si   i 
yi     (4.5)
 
 y  si  
 i 
Et de même pour toutes les entrées ui, i [1…m] :
 ui 
  
u
 si   i 
ui     (4.6)
 
 u  si  
 i 
Lemme (Comtet-Varga,1997) [33] :

La dérivée d’ordre si de la sortie yi(t), i  [1…p] est une fonction s’écrivant sous la forme :
s     x, u  si  
yi  i  (4.7)
i
i , si
 
Cette relation confirme que pour n’importe quel ordre de dérivation d’une sortie yi(t), ces
dérivées successives ne dépend que de l’état x(t) et les dérivées successives de l’entrée ui(t),
(c’est-à-dire ne dépend pas des dérivées de l’état x(t)).
Preuve :
La démonstration se fait par récurrence.
Pour si = 0, l’affirmation est respectée.
yi = hi(x,u).
sa dérivée est :
57
dhi  x, u  hi  x, u  hi  x, u 

yi   xi  ui
dt x u
hi  x, u  h  x, u 
 f ( x, u )  i ui
x u

 yi  i,1 x, u  
1

Maintenant, supposant que l’affirmation est respectée pour si  1 :
s     x, u  si  
yi  i 
i
i , si
 
 s 1     s 1  .
Montrons alors que : yi i , si 1  x, ui 
i i
 
yi
 s 1 
i

d i, si x, u  i 
s

dt


i, si x, u  i 
s
 x 

i, si x, u  i 
s
 u  
si
x u


i, si x, u  si 
 f  x, u     x, u    u  
i , si
si
si
x u
 s 1  
yi i i , si 1 x, u 
 si 1

Toute les sorties et leurs dérivées successives sont regroupées pour obtenir une forme
matricielle :
 1,0  x, u  
 y1   
    1,1  x, u  
 y1   
     
  
 y s1    1, s1 x, u
 1  
( s1 )
  


 y2   2,0  x, u  
 y    
 1   2,1  x, u  
    
 s     

 y2   2, s x, u ( s2 )

2
  2   

     
 yp   
    p,0  x, u  
 yp  
 
    p,1  x, u  
     
 s    
 yp p  
    p , s p x, u p

(s )
  

58
s

y     s x, u  
s
 (4.8)
 
Avec : s  s1 s2  s p . (vecteur dont les composant
sont les ordres de dérivation)
Exemple IV.2 :
Considérons le système non linéaire représenté par le système d’équations d’état suivant :
(inspiré des équations de flux d’un système de plusieurs réservoirs).
 x   x  ku

 y1  x (4.9)

 y2  x
On fixe pour notre exemple les deux ordres de dérivation pour les deux sorties (y1, y2), s1 = 2 ;
et s2 = 1.
On a : y1  x  1,0 ( x, u ) .
y1  x   x  ku  1,1 ( x, u ) .
1,1  x, u  1,1  x, u 
y1  y1(2)  y1( s1 )  
  x x  u (remarquant que : 1,1  x, u   y1 )
x u

 1,2 x, u  
2
 
2 x
1
 x  ku  ku
1 k
  u  ku
2 2 x
De même :
y2  x  2,0  x, u  .
2,0  x, u  2,0  x, u 
 y 2 
x
x 
u
u 
1
2 x
1
 x  ku   
k
2 2 x

u  2,1 ( x , u ).
Donc :
 x 
 1,0  x, u    
 y1      x  ku 
   1,1  x, u    
 y  s1    y1  
y     1    
s

y1    1,2 x, u  2   2 x 
  1  x  ku  ku 

 (4.10)
  s2        
 y2   y2    
 y   2,0 
 x, u  x 
 2    
 2,1  x, u 
 1 k
    u 
 2 2 x 
59
IV. 2. 1. 2. Utilisation des RRA pour la surveillance :

Définition IV.3. (Relation de Redondance Analytique RRA) :
On trouve une autre définition des RRA dans [1] : On appelle Relation de Redondance
Analytique toute relation de la forme :
 s s

w y ,u    0 (4.11)
où y est le vecteur de sortie du système excité des entrées u.

C’est-à-dire : la RRA est une relation qui ne doit comporter que des signaux connus (les
entrées et les sorties).
Cette relation i.e (4.11), est obtenue de la relation générale (4.8), mais après une opération
d’élimination du vecteur d’état x(t).
Le système (4.8), c’est-à-dire :

y     s x, u  
s s

comporte comme inconnues les composantes du vecteur x. L’élimination de ce vecteur est
possible en général. Différentes techniques d’élimination du vecteur x peuvent être utilisées
suivant la nature des fonctions f et h :
- Le cas linéaire a été très largement étudié dans la littérature (voir par exemple [21]),
L’équation (4.8) fait alors apparaître les matrices d’observabilité et de commandabilité
(comme nous le verrons par la suite). En projetant cette équation dans l’espace
supplémentaire à l’espace engendré par la matrice d’observabilité, on obtient
l’ensemble de RRA. Cet espace dans lequel les équations sont projetées est appelé :
Espace de Parité.
- Le cas non linéaire où les fonctions f(.) et h(.) sont polynomiales a fait l’objet de
nombreux développements dans les 10 dernières années [33], [34]. Les expressions
analytiques des RRA peuvent être obtenues en utilisant des algorithmes d’élimination
formelle tels l’utilisation des bases de Groebner [35], la théorie de l’élimination [36] ou
les ensembles caractéristiques [37], (une explication détaillée de la méthode
d’élimination par la méthode de Groebner sera réalisée dans la suite de ce chapitre).
- Dans le cas où les fonctions f(.) et h(.) ne sont pas polynomiales, il n’existe à l’heure
actuelle pas de méthode générale permettant de générer les RRA par une procédure
automatique.
   
La fonction w y   , u   , noté ainsi wc y   , u   appelée forme de calcul du résidu, est
s s s s
calculable si on suppose que les entrées et sorties (u et y) ainsi que leurs dérivées successives
sont accessibles à tout instant.
On obtient des résidus à partir de la forme de calcul en y remplaçant les variables connues
(les entrées et les sorties par leurs valeurs réelles (mesurées). Ces résidus sont vérifiés,
60
c’est-à-dire sont nuls si le système se comporte nominalement, c’est à dire si aucune

perturbation ni défaillance ne vient perturber son comportement.
Dans le cas contraire certains résidus sont différents de 0 et indiquent un écart entre le
comportement en ligne du système et la référence nominale. Les résidus sont donc des
fonctions des perturbations et des défaillances. L’expression du résidu en fonction de ces
variables inconnues est appelée forme d’évaluation du résidu. Elle est obtenue en considérant
les équations :
 x (t )  f ( x(t ), u (t ), d (t ),  (t ))
 (4.12)
 y (t )  h( x(t ), u (t ), d (t ),  (t ))
En répétant la même procédure de dérivation et de substitution que précédemment on obtient :
y   y 1 2
s ( s , s ,, s p ) s

  s x, u   , d   ,   
s s
 (4.13)
En éliminant le vecteur x en suivant exactement la même méthode d’élimination qui a permis

d’obtenir l’expression analytique de la fonction wc, on obtient :
wc = (4.14)
Cette relation est vérifiée en présence ou en absence de perturbations et de défaillances. En
 
retirant à chaque membre de l’égalité la quantité wc y   , u   , on obtient :
s s
w  y   , u     w  y   , u     w  y   , u   , d   ,     0
s s s s s s s s
c c (4.15)
La fonction w  y   , u     w  y   , u     w  y   , u   , d   ,     est appelée forme

s s s s s s s s
e c
d’évaluation du résidu.
Les résidus obtenus sont a priori sensibles aux perturbations (vecteur d) et aux défaillances
(vecteur). Afin de les rendre utilisables pour la détection de défauts, ces résidus doivent être
robustes (au sens strict, c’est à dire complètement insensibles) vis à vis des perturbations d.
On dit qu’ils sont découplés (strictement) des perturbations. De plus, comme nous l’avons vu
dans le chapitre I, la localisation d’une défaillance peut être réalisée à l’aide d’un ensemble de
résidus structurés (§I.3.2.1.a). Chaque résidu doit donc être sensible à un sous ensemble de
défaillances et robuste aux autres. Les résidus structurés et robustes aux perturbations peuvent
être obtenus de deux manières différentes :
- En une seule étape, c’est à dire en étendant la procédure d’élimination du vecteur x aux
perturbations et à des sous ensembles de défaillances,
- En deux étapes, c’est à dire en considérant dans un premier temps l’élimination de x,
puis en éliminant les perturbations et défaillances dans les RRA obtenues.
61
IV. 2. 1. 3. Calcul des RRA :

IV. 2. 1. 3. 1. Le cas linéaire :
Nous parlerons par la suite d’une classe particulière des systèmes dynamiques hybrides
SDH, que sont les systèmes dynamiques hybrides linéaires. Pour ce type des systèmes, les
équations d’état et les équations de mesure constituent ce qui est connu sous le nom de "LTI a
Linear Time Invariant system" pour tout mode i. Le modèle nominal (pas de fautes, pas de
perturbations) pour chaque mode i est de la forme :
 xi (t )  Ai xi (t )  Bi ui (t )
 (4.16)
 yi (t )  Ci xi (t )  Di ui (t )
où : Ai, Bi, Ci et Di sont des matrices constantes de dimensions appropriés.
IV. 2. 1. 3. 1. 1. Résidus de parité structurés pour un mode donné :

Nous proposerons par la suite de faire une brève description, et nous verrons ainsi que les
résidus structurés pour un mode i motivé par des équations d’état et de mesures linéaires,
peuvent être générés par l’approche classique de la projection sur l’espace de parité.
Les perturbations (les entrées inconnues, les erreurs de modélisation, ...) et les fautes
actionnant sur le système sont introduites à travers des termes additives. Afin de générer des
résidus structurés, le vecteur de fautes est subdivisé en deux parties : les fautes i auxquels
les résidus sont sensibles, et les fautes i auxquelles les résidus sont robustes par contre. Les
fautes i sont considérées comme des perturbations, et elles sont introduites dans le vecteur
de perturbations di. Le modèle mathématique du mode i avec les fautes et les perturbations est
comme suit :
 x (t )  A x (t )  B u (t )  G1d (t )  F 1 (t )
i i i i i i i i i
 (4.17)
 yi (t )  Ci xi (t )  Di ui (t )  Gi di (t )  Fi2i (t )
2
avec :
di(t) : le vecteur de perturbations et des fautes pour lesquelles la robustesse est souhaitée.
i(t) : le vecteur de fautes pour lesquelles la sensibilité est souhaitée.
Fi1, Fi2 , Gi1, Gi2 : Matrices d’influence des perturbations sur les équations d’état et de mesure.
Ces matrices sont supposées connues.
Ecrivons les dérivées successives de la sortie yi à un ordre donné pi, on obtient :
yi i  OBS  Ci , Ai , pi  xi  COM  Ai , Bi , Ci , Di , pi  ui
p pi
   
(4.18)
p pi
+ COM Ai , Gi1, Ci , Gi2 , pi di i + COM Ai , Fi1, Ci , Fi2 , pi i
où :
62
 z 
  
z 
pi 
z 
 
 
 z  pi  
 
 Ci 
CA 
OBS  Ci , Ai , p   
i i 
 
 
Ci Aipi 
et
 T 0   0
 ZY T 0  0 

COM  X , Y , Z , T , pi    ZXY ZY T  
 
    
 p 1 
 ZX i Y ZX pi  2Y  ZY T
OBS  Ci , Ai , p  et COM  X , Y , Z , T , pi  sont les matrices d’observabilité et de

commandabilté d’ordre pi d’un mode i.
Etant Wi une matrice telle que :
Wi  OBS  Ci , Ai , pi 
 
COM Ai , Gi1, Ci , Gi2 , pi   0
  (4.19)
Les RRA structurées sont obtenues directement par une multiplication à gauche de l’équation
(4.18) par Wi :
p

Wi yi i  WiCOM  Ai , Bi , Ci , Di , pi  ui i  Wi COM Ai , Fi1, Ci , Fi2 , pi i
p
 pi
0 (4.20)
La forme de calcul des résidus de parité structurés ri à l’ordre pi est :
ri (t)= Wi yi i  Wi COM  Ai , Bi , Ci , Di , pi  ui
p pi
0 (4.21)
et la forme d’évaluation est :

ri (t)= Wi COM Ai , Fi1, Ci , Fi2 , pi i  pi
(4.22)
La relation (4.22) permet d’obtenir un ensemble de résidus structurés utiles dans la phase
d’isolation des fautes (table de signature).
63
IV. 2. 1. 3. 2. Le cas non linéaire : (par élimination).

La plupart des approches de génération de résidus pour les systèmes non linéaires sont les
approches des observateurs.
Le principe de cette approche consiste à éliminer les variables inconnues apparaissant dans
un système d’équations analytiques ou différentielles. Le principe en lui-même n’impose
aucune condition quant à la forme du modèle. Toutefois, en pratique, la théorie de
l’élimination se limite aux cas des systèmes polynomiaux, pour lesquels les outils
informatiques sont disponibles. Pour cette raison, nous considérons des systèmes pouvant être
modélisés par des fonctions polynomiales. Cette hypothèse n’est pas restrictive dans le sens
où tous les systèmes analytiques peuvent être décomposés, en utilisant la décomposition en
série de Taylor, en un système polynomial.
IV. 2. 1. 3. 2. 1. Formulation du problème :

Le système considéré est le suivant :
 x  f  x, u , d ,  
 (4.23)
 y  h  x, u , d ,  
où f et h sont supposées polynomiales.

Les sorties yi sont dérivables jusqu’aux ordres si pour former le système (4.13), c-à-d :
y   y 1 2
s ( s , s ,, s p )

  s x, u   , d   ,   
s s s
 (4.24)
Le calcul des RRA revient à éliminer dans le système (4.24) les variables d’état x, les
perturbations d   et éventuellement les composantes du vecteur de défaillances pour
s
construire des RRA structurées. Il existe plusieurs méthodes pour éliminer ces variables,
parmi ces méthodes, trois font l’objet des développements importants et ont été donné lieu à
des outils logiciels :
- Les base de Groebner (ou Gröbner) [35].
- La théorie de l’élimination [36].
- Les ensembles caractéristiques [37].
Les deux premières approches traitent des systèmes algébriques et éliminent les variables
spécifiées par l'utilisateur suivant un ordre imposé. La dernière approche traite des systèmes
différentiels et élimine les différentes variables ainsi que leurs dérivées. Cette méthode
nécessite aussi de fixer une relation d'ordre entre les différentes variables à éliminer et leurs
dérivées.
Ces trois méthodes nécessitent qu'un ordre d'élimination soit fixé et leurs algorithmes
respectifs utilisent tous la division euclidienne. Nous avons choisi d’utiliser les bases de
Groebner comme algorithme d’élimination, entre les trois méthodes citées ci-dessus, car dans
les résultats des deux autres, la division euclidienne fait apparaître des inéquations
64
polynomiales pour assurer des dénominateurs toujours différents de zéro. Ces inégalités
restreignent le domaine de validité des RRA.
IV. 2. 1. 3. 2. 2. Fonctions élémentaires comme polynomiales :

Pour appliquer la méthode de l’élimination par la base de Groebner, il faut que le système
dont cette méthode est réalisée soit polynomial, cette restriction n’est pas restrictive comme
elle apparaît, pas mal de systèmes non linéaires, non polynomiaux peuvent être écrient comme
polynomiaux.
Exemple IV.3 :
y  sin(u )  y 2  u 2 (1  y 2 )  0
Preuve :
y  u cos(u ) d'où :
.
y 2  u 2 cos 2 (u )
  
 u 2 1  sin 2 (u )  u 2 1  y 2 
Donc : y  sin(u )  y 2  u 2 (1  y 2 )  0
En réalité, ces deux équations ne sont pas strictement équivalentes, il existe plusieurs
solutions satisfaisant le terme droit de l’équivalence mais pas le terme gauche, par exemple
toute solution de la forme y (t )  sin(u (t )  c ) , où c est une constante, est une solution de
l’équation différentielle y 2  u 2 (1  y 2 )  0 . Dans [38], un tableau de transformation est
proposé, afin de fournir une description polynomiale pour quelques fonctions élémentaires.
Cette transformation est effectuée de façon que la fonction élémentaire étant une solution
d’une équation différentielle polynomiale. En général, les fonctions trigonométriques,
trigonométriques inverses, exponentielles, logarithmiques, fonctions racines (comme nous
allons le voir), sont transformable en polynomiales (le plus souvent par un changement de
variable, par exemple pour une fonction racine f (t ) un changement de la forme :
z f (t )  z 2  f (t ) effectue la transformation).
De plus, plusieurs fonctions lisses non linéaires peuvent être transformées en polynomiales
par un développement en série de Taylor.
IV. 2. 1. 3. 2. 3. Principe de la méthode de la base de Groebner :

Cette méthode sert d’une méthode usuelle d’élimination, muni des outils informatiques
puissant tels Maple, Mathematica, Matlab... Pour cette raison, nous choisissons cette méthode
pour la suite de notre thèse.
Le principe de cette méthode est présenté dans l’annexe A.
65
IV. 2. 1. 3. 2. 4. Utilisation du théorème d’élimination pour la surveillance

des systèmes non linéaires :
On a dit auparavant que nous avons choisi d’utiliser les bases de Groebner comme
algorithme d’élimination, de fait que cet algorithme est muni de variétés des outils
informatiques de calculs formels puissants tels que Maple, Mathematica, et de calculs
numériques comme Matlab...
Par la suite nous présenterons la manière de transformer un système automatique (supposé
au préalable d’être polynomial) en un système polynomial pouvant être résolu à l’aide de la
méthode de l’élimination des bases de Groebner.
Pour déterminer des RRA issues d’un système s’écrivant sous la forme (4.23) (système non
linéaire où les fonctions f et h sont supposées polynomiales), considérons l’idéal I, dont la
base génératrice est constituée des polynômes

y     s x, u   , d   ,     0
s s s s
 (4.25)
comme suit :
( s1 ) (s p )
I  y1  1,0 , , y1  1, s1 ,, y p   p,0 , , y p   p, s p 
(4.26)
 f1, , f p 
 si  p
i 1
L’algorithme de calcul formel est utilisé pour trouver une base de Greobner de cet idéal en
utilisant en général l’ordre d’élimination suivant :
. .
( s)
x1    xn  d 
  d
 d
 (s)
 
   
   
y(s)  u (s)    y  u
  
élimination des robustèsse vis-à-vis structuration des RRA minimisation des ordres
varaibels d'état les perturbations pour la localisation de dérivation
L’ordre d’élimination n’est pas unique, toutefois les variables d’état x seront toujours
supérieurs aux autres variables, qui seront arrangés suivant les considérations de robustesse.
Après avoir d’appliquer l’algorithme de l’élimination, les résultats recherchés (après les
éliminations) seront disposés en général de la manière suivante :
 
 w y  s  , u  s  ,  s   0
 1

  (4.27)
 
  s s s  0
 w y , u , 

où  est le nombre de RRA obtenues après l’opération de d’élimination.

Ces RRA seront décomposées en forme de calcul et en forme d’évaluation :
66

 w y s , u s  w
 1, c

 
s s s
1, e y , u ,  
  (4.28)
   
 s s  w s s s
 w , c y , u  ,e y , u , 

où :
 s s s
 
wi, c y   , u   ,     wi, e y   , u   , 0
s s
 (4.29)
et :
 s
 
s s s s
 
wi, e y   , u   ,     wi y   , u   ,     wi,c y   , u  
s s s
 (4.30)
Ainsi, les résidus seront générés à partir des formes de calcul wi, c y   , u  
s s
  qui sont
égaux à zéro en l’absence de défaillance, et devraient être différents de zéro dans le cas
contraire.
Ces résidus peuvent servir pour la détection de défauts, pour la localisation une étape de
structuration des relations doit être envisagée.
IV. 3. Surveillance des systèmes dynamiques hybrides :

IV. 3. 1. Introduction :
On a vu auparavant, que la plupart des procédés industriels sont de nature hybride, ce qui
signifie que leur comportement résulte de l’évolution et de l’interaction de variables continues
et de variables discrètes. Plusieurs recherches dans les deux dernières décennies sont
consacrées à la modélisation, la simulation, la vérification et la synthèse de lois de
commandes pour ces types de systèmes [22], [23], [24], [28].
Le comportement dynamique d’un système hybride peut être représenté par une succession
de modes. Chaque mode est caractérisé par une modalité de l’état discret, un ensemble de
contraintes égalités (équations d’état par exemple) et la définition d’un domaine
d’admissibilité (décrit par des contraintes inégalités). Une transition d’un mode vers un autre
mode a lieu lorsque certaines conditions logiques sont vérifiées. Une transition peut être
contrôlée ou spontanée suivant qu’elle est provoquée par un événement externe contrôlé ou un
événement interne.
Mais contrairement aux travaux concernant la modélisation, la simulation, la vérification et
la synthèse de lois de commandes pour ces types de système, et quant à la à la détection, la
localisation ou le diagnostic des défaillances, les travaux concernant ce sujet sont très
peu, [29]. De plus, même en fonctionnement normal, une des hypothèses classiquement
formulée pour la commande discrète de ces systèmes, est que le mode dans lequel se trouve le
67
système (le mode courant) est à tout instant connu. Ceci est une hypothèse parfois très forte
qui n’est pas toujours vérifiée sur une installation industrielle et qui nécessite une
instrumentation (capteurs) parfois abondante, performante et coûteuse. La détermination du
mode courant est donc une fonctionnalité supplémentaire que doit présenter la couche
logicielle de surveillance.
Dans [39] les auteurs proposaient d’utiliser les résidus de parité pour identifier le mode
courant du système et estimer l’instant de transition. Les défaillances survenant sur un
système hybride peuvent affecter le comportement du système au sein d’un mode ou affecter
la séquence d’états discrets. Nous avons ainsi montré comment les résidus d’élimination, issus
des relations de redondance analytique, permettent sous certaines conditions de détecter et
isoler ces deux types de défaillances.
L’évolution dynamique d’un système hybride peut être décrite par une succession de
modes. Chaque mode i ( i  M ; M  1, 2, , m , où m est le nombre de modes) correspond à
une configuration physique possible.
IV. 3. 2. Modèle de bon fonctionnement des SDH :

Un système hybride est formellement modélisé par les huit éléments suivants :
<Q,X,G,F,Y,H,s,c>
où :
 Q est l’ensemble de modalités que peut prendre le vecteur d’état discret q,
Q ={qi : i  M} et q0 est l’état discret initial.
 X  X i définit l’espace d’état continu. Xi représente l’espace d’état atteignable
iM
dans le mode i. xi(t)  Xi (dim[xi(t)] = ni) est le vecteur d’état continu à l’instant t. Le
domaine Xi est décrit par un ensemble de contraintes inégalité gi : gi(xi(t))  0.
 G représente l’ensemble de toutes contraintes inégalité.
 F = {f1, f2,..., fn} est un ensemble fini de fonctions lisses. Chaque fonction définit une
trajectoire du vecteur d’état continu xi(t).
xi (t )  fi  xi (t ), ui (t ), di (t )  , où : ui  t   R pi est un vecteur d’entrée (commande
continue) supposé connu, di  t   R i est un vecteur d’entrées inconnues (ou de

perturbations).
 Y  Yi définit l’espace des sorties. Yi  t   R i
dénote l’espace de sortie associé au
iM
mode i. yi(t) Yi est le vecteur des sorties mesuré à l’instant t.
 H = {h1,h2,...,hm} est un ensemble fini de fonctions vectorielles qui décrit le lien entre
les variables d’état et les variables mesurées : yi (t )  hi  xi (t ), ui (t ), di (t )  .
68
 s = {  sij }, où :  sij est une application : Q  X  T  Q  X qui définit une transition
spontanée  sij (qi , xi , t )  (q j , x 0j ), (qi , q j  Q; xi  X i et x0j  X i ). Une transition d’un

mode i vers un mode j (appelé mode successeur) se produit lorsque la trajectoire d’état
continue xi(t) intersecte une surface : Sij = {xi  Xi tel que : sij(xi) = 0} où : sij(xi)
représente la condition de transition.
 f = {  ijf }, où :  ijf est une application : Q  E  Q  X qui définit une transition
contrôlée  f (qi , eij )  (q j , x 0j ) où eij  E est un évènement externe contrôlé.
Nous avons choisi d’utiliser le formalisme des automates hybrides pour représenter le
comportement des SDH. Cet outil résulte de la combinaison d’un automate à état fini avec des
équations d’état continues. Dans cette représentation les arcs orientés sont étiquetés par les
conditions de transition (spontanée ou contrôlée). Chaque place correspond à un mode. Dans
chacune des places, les équations différentielles et algébriques qui contraignent l’évolution de
l’état continu dans ce mode ainsi que le domaine (contraintes inégalité) associé au mode sont
indiqués. Il existe bien entendu d’autres possibilités de représentations des SDH: Réseaux de
Pétri Hybrides ou modélisations de type MLD: Mixed Logic and Dynamic par exemple, qui
présentent, tout comme les automates hybrides, certains avantages et inconvénients dans le
contexte du diagnostic des défaillances.
IV. 3. 3. Description et caractérisation des défaillances :

Un système est dit défaillant lorsque son comportement réel ne correspond pas au modèle
de bon fonctionnement. Plusieurs sortes de défaillances peuvent se produire sur un système
hybride. En effet, les défaillances peuvent affecter soit l’évolution de l’état continu dans un
mode, soit l’évolution discrète c’est à dire la séquence d’états discrets.
IV. 3. 3. 1. Défaillances affectant le comportement du système dans un mode :

Un mode est entièrement défini par :
- Un ensemble de contraintes égalité (équations différentielles ou algébriques).
- Un domaine défini par un ensemble de contraintes inégalité.
- Une modalité de l’état discret, c’est à dire une configuration physique du système.
Une défaillance se produisant dans un mode peut affecter une de ces trois entités.
IV. 3. 3. 2. Défaillances affectant l’évolution discrète :

L’évolution discrète du système correspond à un chemin (ou trajectoire) dans l’automate
hybride, c’est à dire à une succession de places dans un ordre déterminé lorsque le système est
en bon fonctionnement. Toute évolution dans l’automate hybride non conforme au
comportement normal est considérée comme une défaillance. Trois types de défaillances
peuvent être considérés :
69
a) Transition vers un mode non successeur : Si le système fonctionne correctement, seul

un sous ensemble (i) de modes (appelés successeurs) sont accessibles à partir d’un
mode i. Une transition du mode i vers un mode n’appartenant pas à (i) est donc une
défaillance.
b) Non transition : Ce type de défaillance se produit lorsque le système reste dans le mode
courant alors que la condition de transition est vérifiée et que le système devrait
normalement changer de mode.
c) Transition anormale vers un mode successeur : Ce type de défaillance se produit
lorsque le système passe d’un mode i vers un successeur potentiel j alors que la
condition normale de transition n’est pas vérifiée.
Ces trois types de défaillances peuvent être détectées en comparant l’évolution de l’état
discret du système en fonctionnement avec l’évolution prévue si le système se comporte
normalement. Ceci revient à comparer les trajectoires réelles et théoriques dans l’automate
hybride.
IV. 3. 4. Utilisation des résidus pour la surveillance des SDH :

Les résidus sont des indicateurs de cohérence des signaux prélevés en ligne sur le système
avec un modèle. Classiquement ces résidus sont utilisés pour détecter des défaillances. Dans
le cadre des systèmes hybrides, ces résidus peuvent, en plus, être utilisés pour identifier le
mode courant. Cette identification peut être réalisée sans ambiguïté si les modes sont
discernables.
IV. 3. 4. 1. Discernabilité entre modes :

Définition IV.4:
Deux modes i et j sont non discernables si et seulement si le couple de signaux réels (ur(t),
yr(t)), prélevés en ligne sur le système, peut provenir indifféremment du mode i ou du mode j.
On dit aussi que le couple (ur(t), yr(t)) est consistent avec les deux modèles d’états définissant
les modes i et j.
Les résidus étant des indicateurs de consistance, ils permettent donc de caractériser la
discernabilité.
Soit wci et wcj deux formes de calcul de résidus obtenus à partir des équations d’état des
modes respectifs i et j. Ces formes de calcul s’écrivent :
s ,u s  
wci  yi  (4.31)
i i
i
 
et :
 s  s  
wcj  y j j , u j j  (4.32)
 
70
Théorème IV.1 :
Les deux modes i et j sont non discernables si et seulement si wci et wcj sont identiquement
nuls lorsque :
 Les vecteurs yi
 s  et u  s  sont remplacés respectivement par l’expression de y  s 
i i j
i j
s 
(donnée par (4.8)) et u j j de l’expression de wci.
s  s  s 
 Les vecteurs y j j et u j j sont remplacés respectivement par l’expression de yi i
s 
(donnée par (4.8)) et ui i de l’expression de wcj.
IV. 3. 4. 1. 1. Discernabilité entre modes dans le cas linéaire :

Premièrement, on introduit les notations suivantes :
OBSi  OBS  Ci , Ai , p 
OBSi 
 OBS C j , A j , p 
COM i  COM  Ai , Bi , Ci , Di , p 
COM j 
 COM A j , B j , C j , D j , p 
ij  COM i  COM j
Théorème IV.2 :
Deux modes i et j sont non discernables si :
rang OBSi   rang OBS j   rang OBSi OBS j ij  (4.33)
IV. 3. 4. 2. Surveillance des défaillances survenant dans un mode :

Lorsque le système se trouve dans un mode donné i, deux types de défaillances peuvent se
produire :
- les défaillances affectant les équations d’état du mode.
- les défaillances affectant les contraintes inégalités.
Les résidus structurés issus des relations de redondance analytiques sont parfaitement
adaptés à la détection et à la localisation des défaillances affectant les équations d’état. Les
contraintes inégalité définissent un domaine d’admissibilité de l’état dans le mode i. Elles
s’expriment par :
gi  xi (t )   0 (4.34)
sous l’hypothèse que la fonction gi(xi(t)) est observable, il est possible de transformer ces
contraintes inégalité en d’autres contraintes inégalités équivalentes dans lesquelles seules les
variables connues (entrées et sorties mesurées du système) interviennent. On obtient ainsi le
système d’inégalités :
s  s 
i  yi i ,yi i   0 (4.35)
 
71
Les fonctions i sont calculables en ligne. Une défaillance sera détectée si l’évaluation d’une
fonction i fournit un résultat positif.
IV. 3. 4. 3. Surveillance des défaillances influençant la dynamique discrète :
Supposons que pour chaque mode i  M un vecteur de résidus structuré par rapport à
chacune des défaillances peut être obtenu. Dans le cas où cette structuration n’est pas possible
le raisonnement qui suit s’applique pour des sous-ensembles de défaillance et non pour
chaque défaillance prise séparément.
En l’absence de défaillances et de perturbations, les résidus calculés à partir du modèle
correspondant au mode courant sont nuls en synchronisant celui-ci. Les autres résidus sont
différents de zéro (en synchronisant ce mode), sous l’hypothèse que les modes soient
discernables. Quand une défaillance k se produit dans le mode courant, seuls les résidus du
mode correspondant, robustes à cette défaillance, sont nuls.
Sous l’hypothèse que les modes soient tous discernables, les résidus structurés permettent
donc d’identifier le mode courant défaillant ou non, sans qu’il soit nécessaire d’utiliser une
instrumentation (capteurs) spécifique.
Lorsqu’une transition d’un mode i vers un mode j survient, tous les résidus seront
potentiellement différents de zéro pendant une courte période puisque les entrées et sorties
prélevées sur le système ne vont pas tous appartenir au même mode sur la fenêtre de calcul
des résidus. Il est possible de tenir compte de ceci en calculant des résidus "mixtes" et en
adaptant la procédure de décision particulière [40].
Une transition peut être contrôlée ou spontanée. Supposons que grâce aux résidus une
transition soit détectée en ligne. Les raisons de cette transition doivent être analysées afin de
déterminer si elle est la conséquence d’une défaillance ou non.
IV.4. Application :
L’objectif est d’élaborer une technique de diagnostic permettant de détecter et de localiser
les défauts de capteurs, d’actionneurs ou fonctionnels (système) pouvant apparaître sur des
systèmes dynamiques hybrides non linéaires, avec des entrées discrètes et des sorties
continues.
IV. 4. 1. Description du système :
Ce système constitue un système dérivé du système de "benchmark" de l’AS 193 " [2]. Il
est constitué de :
- 2 réservoirs cylindriques R1 et R2 de section S = S1 = S2 = 0.0154 m2, reliés par une
conduite C équipée de vanne V3.
- 2 Vannes V1 et V2 permettant l’évacuation du liquide pour l’utilisation, et une vanne V3
pour la conduite C.
- 2 pompes identiques P1 et P2 de débit Qp1 et Qp2 respectivement.
72
- 5 capteurs; deux capteurs de niveau mesurant les niveaux h1 et h2 dans les deux
réservoirs, et trois capteurs de débit mesurant les débits traversant les vannes V1, V2 et
V3 respectivement (la conduite C).
Qp1 Qp2
h1 h2
V3
Q3
La conduite C
Q1 Q2
B1 B2
V1 V2
B1 et B2 : Bouchons de vidange
Figure IV.1 Système hybride de deux réservoirs.
Les commandes des vannes V1, V2, V3 et des pompes P1, P2 sont de nature TOR (toute ou rien,
c’est-à-dire la dynamique des actionneurs est très rapide de sorte que le transitoire d’ouverture
et de fermeture des ces actionneurs est négligeable).
Lorsque la pompe P1 est arrêtée son débit Qp1 est nul (Qp1 = 0), lorsqu’elle est en marche son
débit Qp1 est non nul et est égal à D, (Qp1 = D). La même logique pour la pompe P2.
Les variables évènementielles (discrètes) V1, V2, V3, P1, P2 sont de nature booléenne, c’est-
à-dire que les valeurs possibles de ces variables sont soit 1 ou 0 :
Vi = {0,1} et Pj = {0,1} avec : i =1..3 et j = 1,2.
Ce qui nous permet de compter 25 soit 32 combinaisons ou modes possibles, mais pour ne pas
alourdir l’exemple on ne considère que 8 modes (combinaisons) parmi les 32 possibles. Ces
modes sont regroupés dans le tableau suivant :
Modes P1 P2 V1 V2 V3
1 1 0 0 0 1
2 1 0 0 1 0
3 0 1 1 1 0
4 1 0 1 1 0
5 1 1 1 0 0
6 1 1 0 1 0
7 1 0 1 1 1
8 1 0 0 1 1
0 signifie pompe arrêtée ou vanne fermée ; 1 signifie pompe en marche ou vanne ouverte
Tableau IV. 1 Construction des modes
73
L’objectif est de maintenir le niveau de liquide dans les deux réservoirs à un niveau bien
défini :
0.5  h1  0.9
 (4.36)
0.1  h2  0.3
On suppose d’après les deux inéquations précédentes que h2  h1.

Les débits Qi (traversant les vannes Vi), ainsi que les débits des pompes sont donnés par les
équations suivantes :
Qp1 = D.P1 ; et Qp2 = D.P2 avec : P1,P2 = {0,1}
Q1   h1 V1 

Q2   h2 V2 V1,V2 ,V3  0,1 (4.37)

Q3   h1  h2 V3 
Q3 est en réalité égal à :  sign(h1  h2 ) h1  h2 , mais sous l’hypothèse que : h1 est toujours
supérieur à h2. Donc : sign(h1  h2 )  1 et : h1  h2  h1  h2 .

Les valeurs des constantes :  et D sont :
D = 10-4 m3/s ;   A 2 g .
Avec :
A  3.6 105 m 2 et g = 9.81 m/s2 la gravité.
Les équations différentielles motivant le système des deux réservoirs :
 Sh1  Q p  Q1  Q3
 
1
(4.38)
 Sh2  Q p2  Q2  Q3
En remplaçant les débits par leurs valeurs en fonction des Vi :
 Sh1  D  P1   h1V1   h1  h2V3

 (4.39)
 Sh2  D  P2   h2V2   h1  h2V3
On obtient par conséquent, d’après le tableau IV.1, huit (08) systèmes d’équations
différentielles différents de la forme (4.39).
Les vannes V1..3 sont manuelles, elles peuvent être ouvertes ou fermées par l’utilisateur à tout
instant. Pour ce système, tous les évènements discrets sont contrôlés par une commande
numérique sauf les événements e1, e2 et e3 qui sont effectués par l’utilisateur.
L’automate hybride représentant le système en fonctionnement normal est donné par la figure
suivante :
74
C.I h2  0.3 h1  0.9 h2  0.3
Mode 1 Mode 2 Mode 3 Mode 4

Sh1  DP1  Q3 Sh1  DP1 Sh1  Q1 
Sh1  DP1  Q1
Sh  Q
2 3 Sh  Q
2 2 Sh2  DP2  Q2 Sh  Q
2 2
h1 < 0.9, h2 < 0.3 h1 < 0.9, h2 > 0.1 h1 > 0.5, h2 < 0.3 h1 < 0.9, h2 > 0.3
h2  0.1 h1  0.5 h2  0.1
e1 h2  0.3 h2  0.1
h2  0.3 h1  0.9 h1  0.9

Mode 8 Mode 7 Mode 6 Mode 5
Sh1  DP1  Q3 
Sh1  DP1 Q1 Q3 Sh1  DP1 Sh1  DP1  Q1
Sh  Q
2 2 Sh  Q
2 2 Sh2  DP2  Q2 Sh  DP  Q
2 2 2
h1 < 0.9 h2 <0.3 h1  0.5 h1 < 0.9 h2 >0.1 e2 h1 > 0.5,h2 < 0.3 h1  0.5 h1 > 0.5, h2 > 0.1
e3
Figure IV.2 L’automate hybride du système (4.39).
IV. 4. 2. Simulation de l’évolution du système :

La simulation est réalisée durant un temps de simulation total égal à 900 s, avec les
conditions initiales suivante : h1,0 = 0 = h2,0.
Les niveaux du liquide h1 et h2 (ou l’évolution continue avec h1 en gras, h2 en trait normal),
sont donnés par la figure IV.3.
Les évènements e1, e2 et e3 se produisent respectivement aux instants suivants :
e1 = 320 s; e2 = 510 s; e3 = 800 s.
Figure IV.3 Les niveaux de liquides dans les deux réservoirs (l’évolution continue).
75
L’évolution des modes ou le chronogramme de modes est donnée par la figure suivante :
Figure IV.4 Le chronogramme de l’évolution des modes (l’évolution discrète).
IV. 4. 3. Génération des résidus :

IV. 4. 3. 1. Equations de mesure :
Avant de citer les différentes défaillances influençant le système (dans leurs différentes
parties telles que les équations de mesure, les équations différentielles motivant le système),
on va définir les équations de mesure dues aux capteurs implantés.
On suppose qu’on a cinq capteurs; deux capteurs de niveau mesurant les niveaux h1 et h2
dans les deux réservoirs, et trois capteurs de débit mesurant les débits traversant les vannes
V1, V2 et V3, d’où cinq équations de mesure :
 y1  h1 capteur de mesure de h1.


 y2  h2 capteur de mesure de h2 .

 y3  Q1 capteur de mesure de Q1. (4.40)
y  Q capteur de mesure de Q2 .
 4 2
 y5  Q3 capteur de mesure de Q3.
76
IV. 4. 3. 2. Défaillances considérées :

IV. 4. 3. 2. 1. Défaillances influençant les équations de mesures :
On suppose que tous les capteurs subissent des biais dans leurs mesures, c’est-à-dire on
considère cinq défaillances f1, f2, f3, f4, f5, respectivement pour les cinq capteurs de h1, h2,
Q1, Q2, Q3. Et de ce fait, les équations de mesure deviennent :
 y1  h1  f1

 y2  h2  f 2

 y3  Q1  f3 (4.41)
y  Q  f
 4 2 4
 y5  Q3  f5
C’est-à-dire que les cinq mesures, pour les deux niveaux h1 et h2, et les mesures pour les trois
débits Q1, Q2 et Q3 traversant les trois vannes V1, V2 et V3, ces cinq mesures se décalent
respectivement de f1, f2, f3, f4, f5 à la conséquence du biais dans les cinq capteurs.
IV. 4. 3. 2. 2. Défaillances systèmes influençant les équations différentielles :

Ces fautes se présentent comme des fuites dans les deux réservoirs au niveau des deux
bouchons de vidange B1 et B2 (figure VI.1). L’effet de ces fuites sur les équations
différentielles est similaire à l’effet des différents flux (débits), mais ces fuites sont
considérées comme des flux sortants, et ça nous entraîne à implanter ces flux avec des signes
moins (-) : (f6 et f7 respectivement pour le premier et le deuxième réservoir).
 Sh1  Q p  Q1  Q3  f6
 
1
(4.42)
 Sh2  Q p2  Q2  Q3  f 7
En remplaçant les débits par leurs valeurs en fonction des Vi, on obtient :
 Sh1  D  P1   h1V1   h1  h2V3  f6

 (4.43)
 Sh2  D  P2   h2 V2   h1  h2V3  f7
IV. 4. 3. 3. Génération des RRA par la méthode de l’élimination :

On a dit dans des sections précédentes qu’on a choisi d’utiliser les bases de Groebner
comme méthode d’élimination car cette méthode est munie des logiciels puissants comme
Maple et Mathematica. Et on a vue que cette méthode ne s’applique que sur des systèmes
polynomiaux (non linéaires), tandis que notre système (systèmes des réservoirs) est un
système non linéaire et non polynomial (pars qu’il présente des racines carrées dans h1, h2 et
h1 – h2). La solution est de faire des changements de variables appropriés afin de transformer
notre système en un système polynomial.
77
On fait les changements de variables suivants :
z1  h1 , z2  h2 , z3  h1  h2
(4.44)
 h1  z12 , h2  z22 , z32  h1  h2  z12  z22
Et les débits Q1, Q2 et Q3 deviennent en fonction de ‫ ݖ‬ൌ [‫ݖ‬ଵ‫ݖ‬ଶ‫ݖ‬ଷ]′ ainsi :
Q1  z    z1V1; Q2  z    z2V2 Q3  z    z3 V3 (4.45)
On réécrit les équations de mesures (système (4.41)) en fonction de z :
 y  z   h  f  z2  f
 1 1 1 1 1
y z  h  f  z  f 2
 2 2 2 2 2
 y3  z   Q1  z   f3  V1z1  f3 (4.46)

 y4  z   Q2  z   f 4  V2 z2  f 4
 y  z   Q  z   f  V z  f
 5 3 5 3 3 5
Sans oublier que l’objectif est de composer un système polynomial (idéal), c’est-à-dire de
réaliser autant d’équations polynomiales que possible. Pour cela, on va dériver les sorties
de (4.46), et on choisit les ordres de dérivation si pour les sorties yi comme suit :
s1 = s2 = 2 pour les sorties y1 et y2, et s3 = s4 = s5 = 1 pour les sorties y3, y4 et y5
 y1  h1  f1


y1  h1  
  f1
  
 y 2  h2  f 2

y2  h2  
  f2 (4.47)
   
 y3  Q1  f3  V1z1  f3
 y  Q  f  V z  f
 4 2 4 2 2 4
 y5  Q3  f5  V3 z3  f5
 

On suppose que les défaillances f1, f2, f3, f4 et f5 sont constantes, ce que signifie que leurs
dérivées sont nulles, c’est-à-dire :
f1  
f1  f2  
f 2  f3  f4  f5  0 (4.48)
Donc le système (4.47) devient :
78
 y1  h1

y1  h1
 
 
 y 2  h2

y2  h2
  (4.49)
 
 y3  Q1  V1z1
 y  Q  V z
 4 2 2 2

 y5  Q3  V3 z3

On calcule maintenant les dérivées de z1, z2 et z3 apparaissent dans les dérivées de Q1, Q2
et Q3 :
h
z12  h1  2 z1z1  h1  z1  1 (4.50)
2 z1
Et de même pour z2 :
h2
z2  (4.51)
2 z2
Et comme ℎ̇ଵ ൌ ‫ݕ‬ሶ ̇

ଵ et ℎଶ ൌ ‫ݕ‬ሶ
ଶ pour i = 1,2 (l’équation (4.49)), on obtient :
yi
zi  pour i  1, 2 (4.52)
2 zi
Pour z3 on a:
z3  h1  h2  z32  h1  h2
y  y (4.53)
 2 z3 z3  h1  h2  y1  y 2  z3  1 2
2 z3
On remplace (4.52) et (4.53) dans (4.49) on obtient :
 y1  h1

 y1  h1
 y 2  h2

 y2  h2
 V1
 y3  y1 (4.54)
 2 z1
 V
 y 4  2 y 2
 2 z2
 V
 y5  3  y1  y 2 
 2 z3
79
La dernière étape est le calcule de y1,2 . On a pour cela :
y1  h1  Sy1  Sh1  Q p1  Q1  Q3  f6

 Sy1  Sh1  Q1  Q3  V1z1  V3 z3

S y  y  y 
y1  V1 1  V3 1 2
 (4.55)
 2 z1 2 z3
Et de la même façon on obtient :
S y  y  y 
y2  V2 2  V3 1 2
 (4.56)
 2 z2 2 z3
On associe le système de mesures (4.46) et le système des dérivées (4.54), (4.55) et (4.56), on
abouti au système suivant :
 y  z2  f
 1 1 1
 y   D  P1   z1V1   z3V3  f6
 1 S

  y1  y1  y2 
 y1   V 1   V3
2 Sz1 2 Sz3

 y  z2  f
 2 2 2
 y   D  P2   z2V2   z3V3  f7
 2 S

  y
y2  V2 2  V3 1 2
 y  y  (4.57)
 2 Sz2 2 Sz3

 y3  V1z1  f3
 V
 y3  1 y1
 2 z1
 y  V z  f
 4 2 2 4
 V2
 y 4  2 z y2

 2
 y5  V3 z3  f5

 y5  V3  y1  y 2 
 2 z3
s

s s s

En effet, Le système (4.57) est de la forme y     s x, u   , d   ,     0 . Or ce système
n’est pas complètement un système polynomial, il faut que leur équations soit de la forme :
terme1-terme2=0, de plus il ne faut pas contenir des variables au dénominateur. Pour cela, il
faut transférer les seconds membres pour la première restriction, et pour la deuxième on
80
multiplie chaque équation contenant des variables au dénominateur par ces variables. D’où le
système polynomial suivant :
 y  z2  f  0
 1 1 1
 1Sy  D  P1   z1V1   z3V3  f6  0
2 Sz z  y  V1z3 y1   z1V3  y1  y2   0
 13 1
 y  z2  f  0
 2 2 2
 Sy 2  D  P2   z2V2   z3V3  f7  0
2 Sz z  y  V2 z3 y 2  V3 z2  y1  y2   0
 2 3 2 (4.58)
 y3  V1z1  f3  0
2 z y  V y  0
 1 3 1 1
 y4  V2 z2  f 4  0

2 z2 y 4  V2 y 2  0
 y5  V3 z3  f5  0

2 z3 y5  V3  y1  y 2   0
Ce système contient comme inconnues les zi, les fi (dix inconnues en tout). On applique le
théorème de l’élimination (la base de Groebner, voir l’annexe A), on obtient une ou plusieurs
RRA, mais pour avoir un ensemble de résidus structurés, on procède une méthode de
découplage des défaillances, c’est-à-dire on exécute l’élimination plusieurs fois en éliminant à
chaque fois un ensemble de défaillances, cela est effectué en changeant l’ordre
lexicographique (l’ordre d’élimination). Par exemple, on obtient la RRA suivante :

 2 Sy3 

  
y1 P1  a 2 y1  y3  Sy1  V12  a 2 y3  y1  y 2 V32  2 Sy1 y3  y3  Sy1   0
y1  2 y32 f 6 + 2 P y32  2 Sy3 

forme d ' évaluation forme de calcul
en appliquant l’ordre lexicographique suivant :

f 7  f5  f 4  f3  f 2  f1  z3  z2  z1  y5  y4  y3  y5  y4  y3  
y2  
y1  y2  y1  y2  y1  f6
C’est-à-dire, on élimine en plus des inconnues, toutes les défaillances sauf f6.
On répète cette opération, cela permet d’avoir d’autres RRA en fonction des autres
défaillances. On remarque la présence des variables booléennes Vi et Pi dans la RRA
précédente, par conséquent, on conçoit 8 RRA pour les 8 modes cités dans la section
précédente, par substitution des valeurs des Vi et Pi selon le tableau IV.1.
Cela signifie que si on suppose que toutes les défaillances sont complètement isolables
(toutes les défaillances peuvent être éliminées sauf une), et si on suppose aussi que tout les
modes sont discernables, alors on peut former 7 RRA différentes en fonction de chaque
défaillances, et ces 7 RRA est recalculées 8 fois pour les 8 modes, c’est-à-dire 56 RRA
différentes en total.
81
Chaque RRA est subdivisée en deux parties; forme de calcul ne contient pas les
défaillances, et une forme d’évaluation en fonction de celles-ci pour la structuration des
résidus (pour les raisons de localisation).
Quant à la table de signatures des fautes, il nous faut un ensemble de résidus structurés,
pour cela, on effectue plusieurs opérations d’éliminations en appliquant des ordres
lexicographiques différents. Pour notre choix des ordres de dérivation si, on a confirmé que
toutes les défaillances sont complètement détectables et isolables, et la table de signatures de
fautes est comme suit :
f1 f2 f3 f4 f5 f6 f7
r1 1 0 0 0 0 0 0
r2 0 1 0 0 0 0 0
r3 0 0 1 0 0 0 0
r4 0 0 0 1 0 0 0
r5 0 0 0 0 1 0 0
r6 0 0 0 0 0 1 0
r7 0 0 0 0 0 0 1
Tableau IV.2 Table de signatures des fautes

Toutes les défaillances sont détectables pars que aucune colonne n’est complètement nulle, et
isolables car toutes les colonnes sont différentes.
Les résidus r1...r7 sont donnés par :
r1  4 y32 f1   2V12 y12  4 y1 y32
r2  4  S   y2   y3  f 2   2 y22V22  4 y2  S   y2   y3 

2 2
y1   y1  
r3  2  S   y1   y 4  f 3   2 y12V12  2 y3  S  
y2   y2   y4 
y1  
r4  2  S   y1   y3  f 4   2 y22V22  2 y4  S  
y2   y2   y3 
y1  
r5  2  y3  Sy1  f 5   2  y1  y 2  V32  2 y5  y3  Sy1 

(4.59)
r6    y1  2 y32
2Sy3   f6  2 P  y32 
y1 P1  a 2 y1
 2 Sy3   
y3  Sy1 V12
 a 2 y3  y1  y 2  V32  2 Sy1 y3  y3  Sy1 

r7  2  S   y2   y3   y3  Sy1  f7  2 P  y3  Sy1   S  
y1   y2   y3  P2
y1  
y1  y 2 y3  V22   2  y1  y 2   S  

  2  Sy 2  y2   y3  V32
y1  
 2 Sy 2  y3  Sy1   S   y1   y3 
y2  
IV. 4. 4. Etude des résidus :

Dans cette section, on a choisi d’étudier deux résidus qui détectent f6 et f7 (les fuites).
Dans un premier temps, on va simuler ces résidu sans prise en considération des défaillances
(système sain ou sans fautes, ou encore nominal).
82
Cette opération va nous confirmer l’utilité des résidus non seulement pour la détection des
défaillances, mais aussi pour l’étude des modes (la détection et la discernabilité) pour les
systèmes dynamiques hybrides (SDH).
IV. 4. 4. 1. Fonctionnement normal (sans défaillances) :

Un résidu pour un SDH doit être égal à zéro lorsqu’il synchronise le mode en question et
en l’absence de défaillances, cette hypothèse n’est plus vérifiée en présence de défaillances,
car ce résidu sera soit décalé par rapport au mode courant, indiquant ainsi une défaillance au
niveau de la dynamique discrète, soit différent de zéros pendant l’effet d’une ou plusieurs
défaillances. La discernabilité des modes est un autre facteur qu’un résidu doit le décider.
Les figures suivantes présentent les deux résidus r6 et r7 pour les huit modes en l’absence de
défaillances.
M8 Modes
r7
Modes
r6
M1
M1
a) b)
Figure IV.5 Résidus pour mode 1 (système sain)
Modes
r6
M6 Modes
r7
M2
M4
M2
a) b)
83
Modes Modes
r6 r7
M6
M3
M3
a) b)
Modes
r6
M5
Modes
M4 r7
M4
M2
a) b)
Modes Modes
r6 r7
M5
M5
M4
a) b)
84
Modes Modes
r6 r7
M6
M6
M3
M2
a) b)
Modes
r6 M8
M7 M7
Modes
r7
a) b)
M8
M8
M7
Modes Modes
r6 r7
M1
a) b)
85
Les figures de IV.5 jusqu’à IV.12 présentent l’allure des résidus r6 et r7 pour les différentes
modes du système en fonctionnement normal (sans défaillances). L’utilité d’un résidu en
fonctionnement normal pour un SDH comprend deux avantages, le premier est de confirmer
qu’il n y a pas de défaillances, le deuxième et de spécifier les plages d’un mode en question.
En effet, chacun des résidus précédents sont nuls en synchronisant le mode voulu du fait de
l’absence des défaillances, et ils diffèrent de zéro en synchronisant les autres modes. On prend
par exemple les résidus r6 et r7 pour le mode 1 (figure IV.5), on voit clairement qu’ils sont
nuls pour indiquer le mode 1, mais on constate pour le r6 (figure IV.5.a) qu’il est non
seulement nul pour le mode1 mais aussi pour le mode 8, par conséquent, on ne peut jamais
dans ce cas, décider lors de la nullité de r6 s’il s’agit du mode 1 ou 8, et ça représente la non
discernabilité du mode 1 et 8, et c’est le même cas pour les autres modes. Le tableau suivant
résume tout les cas de la non discernabilité :
Mode Non discernable avec

1 8
4
2
6
3 6
2
4
5
5 4
2
6
3
7 8
1
8
7
Tableau IV.3 Non discernabilité des modes
Mais la question est la suivante : quelle-est la cause de ces non discernabilités ? La réponse
est dans les résidus r6 et r7 sont mêmes, (et même pour les autres résidus), qui sont des
 i i 
signaux de la forme  y  s  , u , f , P ,V , c’est-à-dire en fonction des défaillances f , f , de
6 7
l’entrée u (ou D : débit des pompes), du vecteur des sorties et leurs dérivées y  s  , et
finalement en fonction des paramètres Pi et Vi, et c’est ces paramètres qui sont responsables
de différencier les huit modes. Revenons au tableau IV.1 qui contient la configuration des
modes en fonction des paramètres Pi et Vi, il nous confirme que pour assurer une
discernabilité de tout les modes, il faut prise en considération de tout ces paramètres, cela
signifie que les résidus doivent être en fonction de tout ces paramètres pour avoir une
discernabilité totale. Et c’est la raison pour laquelle les résidus r6 et r7 (et même pour les
autres modes) ne sont pas capable de discerner les modes de façon complète.
86
Prenons par exemple le résidu r6 pour le mode 1 (figure IV.5.a), ce résidu est en fonction
de P1, V1 et V3 (relation 4.59), ces paramètres sont configurés respectivement pour le mode 1
de la façon suivante : {1,0,1} (tableau IV.1), et cette configuration est la même pour le mode
8 (par rapport à P1, V1 et V3). Par conséquent, les formes de calcul de r6 pour M1 (mode 1) et
r6 pour M8 seront les mêmes, et ceci est la cause réelle de la non discernabilité (une autre
forme du théorème IV.1).
La solution que nous allons proposer est de créer un résidu composé des deux résidus r6 et
r7 soit r67 = r6 + r7, d’où :
 
y1  2 y32 f6  2  S  
r67   2Sy3  
y2   y3   y3  Sy1  f7  2 P y32  2Sy3 
y1   y1 P1 
 2 P  y3  Sy1   S   y2   y3  P2  a 2 y1  y3  Sy1 V12   2  Sy 2 
y1   y1  y 2 y3 V22 (4.60)
  2 S   
y2  y1  y 2 V32  2 y 2  
y1   y2  S 2    y1  y2  y3  
y1   y2   
y1  S  y3  Sy1  y3 
C’est-à-dire que r67 = r67(P1,P2,V1,V2,V3) permet de discerner chacun des huit modes
indépendamment, car tout simplement il est impossible que deux modes ont les mêmes
paramètres Pi et Vi en même temps.
Les figures suivantes montrent l’allure de r67 pour les huit modes :
Modes Modes
r67 r67
M2
M1
Figure IV.13.1 Résidu r67 pour mode 1 Figure IV.13.2 Résidu r67 pour mode 2
Modes Modes
r67 r67
M4
M3
87
Modes Modes
r67 r67
M6
M5
Modes Modes
r67 r67
M8
M7
IV. 4. 4. 2. Fonctionnement défaillant :

On a utilisé auparavant les résidus r6 et r7 avec leur résidu composé r67 en fonctionnement
normal pour caractériser les modes et leur discernabilité. Dans cette section, on va utiliser ces
résidus pour la détection des défaillances influençant la dynamique continue, et ainsi pour
détecter et définir les défaillances affectant la dynamique discrète (l’évolution des modes).
On suppose que f6 et f7 n’apparaissent que dans des intervalles de temps, et qu’elles expirent
hors ces intervalles, soit If6 = [30 s, 70 s]  [420 s, 480 s], et If7 = [410 s, 430 s]. les intervalles
d’influence de f6 et f7 respectivement.
Les figures suivantes (IV.14.a,b,c) représentent l’allure de r6, r7 et r67 pour le mode 1. Le
résidu r6 (figure (IV.14.a)), qui est sensible à la défaillance f6 et robuste aux autres (y compris
f7), ne s’annule pas dans une durée entre 0 s et 100 s , malgré que r6M1 doit être nul dans cet
intervalle qui appartient à la plage du mode 1 (par comparaison avec r6M1 en fonctionnement
normal). Cela nous permet de détecter f6. Ce résidu remet à zéro après l’expiration de f6
indiquant ainsi les limites entre le mode 1 et 2.
Quant au résidu r7 (figure IV.14.b), qui est sensible à f7 est robuste aux autres défaillances,
ne permet pas de détecter f7 en utilisant les paramètres du mode 1, car l’influence de f7 ne
correspond pas à celui-ci (mode 1), c’est-à-dire n’apparaît pas pendant son déroulement. Le
résidu r7 est complètement robuste aux autres défaillances.
88
Quant au résidu r7 (figure IV.14.b), qui est sensible à f7 est robuste aux autres défaillances,
ne permet pas de détecter f7 en utilisant les paramètres du mode 1, car l’influence de f7 ne
correspond pas à celui-ci (mode 1), c’est-à-dire n’apparaît pas pendant son déroulement. Le
résidu r7 est complètement robuste aux autres défaillances.
M1
M1
Détection de f6 -a- -b-
Modes
Résidus
M1
-c-
Le résidu r67 (figure IV.12.c) est utilisé pour détecter les défaillances affectant l’évolution
des modes, cependant, il est peut être utilisé pour détecter les défaillances affectant
l’évolution continue (i.e. f6 et f7), mais ce résidu est sensible à les deux, ce qui ne permet pas
de les isoler. On constate que l’effet des défaillances est presque négligeable sur le
déroulement du mode 1 (sauf un petit décalage concerne sa deuxième et surtout sa troisième
phase). On prend un autre exemple; le quatrième mode 4, la même analyse pour le résidu r6
(figure IV.15.a) qui permet de détecter la deuxième portion de f6, la défaillance f7 est détecter
à travers r7 (figure IV.15.b).
On passe maintenant à la surveillance de la dynamique discrète. On rappelle que les
défaillances affectant cette dynamique sont classées en trois catégories :
- Transition vers un mode non successeur.
- Transition anormal vers un mode successeur.
- Non transition.
89
M4
M4
Détection de f6 -a- -b- Détection de f7
M6
La dernière
M4
Modes phase de M4
Résidus
La troisième phase de M4
-c-
Le résidu r67 (figure IV.15.c) permet de repérer deux types de ces défaillances lesquelles : une
du premier type, et l’autre du troisième.
En effet, en comparant ce résidu avec le chronogramme des modes au dessus. D’après ce
dernier, le mode successeur du sixième mode est le mode 7 , tandis que le résidu indique (par
sa nullité) que le mode successeur est le quatrième mode (la troisième phase du mode 4, voir
figure IV.15.c). Ceci est une défaillance affectant la dynamique (l’évolution) discrète de type
"Transition vers un mode non successeur".
Pour la défaillance de type "Non transition", elle doit être observée au niveau de la dernière
phase du mode 4, (voir toujours la figure IV.15.c), dont le résidu r67 est reste nul indiquant la
continuité du mode 4, alors que le chronogramme au dessus indique que le système doit
transiter vers le mode 5, c’est-à-dire : le système reste dans le mode 4, alors qu’il doit être
dans le mode 5.
IV. 5. Conclusion :
Parmi les méthodes de surveillances à base de modèle les plus utilisées, la méthode de
l’espace de parité ou la méthode des Relations de Redondance Analytiques RRA a été choisie
pour notre travail. Elle est basée essentiellement sur l’élimination des variables inconnues
90
(non mesurées), notamment les variables d’état, les entrées inconnues (comme les
perturbations), les défaillances (ou un ensemble de défaillances pour la localisation), cette
élimination est faite de façon de ne lier que les variables d’entrée, et de sorties (et leurs
dérivées).
L’étude de cette méthode a été généralisée pour les systèmes linéaires et non linéaires.
Pour les systèmes linéaires, le générateur de résidus est obtenu par une opération dite : la
projection sur l’espace de parité. Quant aux systèmes non linéaires, on applique la méthode
d’élimination. Cette méthode n’est pas aisée pour ce type de systèmes, une transformation de
ces derniers -si possible- à une forme polynomiale, permet d’appliquer des méthodes
formelles d’élimination, comme les méthodes des bases de Groebner, les ensembles
caractéristiques de Ritt. On a choisi d’utiliser les bases de Groebner du fait de la disponibilité
des logicielles informatiques contenant des fonctions prédéfinies pour le calcul de ces bases.
Pour les systèmes dynamiques hybrides (SDH), on peut appliquer un diagnostic de
défaillance classique (la détection des fautes, la localisation) pour la dynamique continue d’un
mode pris séparément. Or, la surveillance pour ce type de système, permet d’une part de
caractériser la dynamique discrète (l’évolution des modes) en l’absence de défaillances et de
décider si les modes en question sont discernables ou non, et d’autre part permet de détecter
les fautes affectant cette dynamique en cas de défaillances.
Cette surveillance est réalisée comme suit :
On considère pour chaque mode i  M un vecteur de résidus de parité structurés. Sous

l’hypothèse que tous les modes sont discernables à travers cet ensemble de résidus, il est
prouvé que le mode courant peut être facilement déterminé.
Sous l’hypothèse que tous les modes sont discernables, l’ensemble de résidus structurés
permet :
- d’identifier sans ambiguïté le mode courant.
- de détecter et éventuellement d’isoler les fautes du mode courant.
- de détecter l’instant de transition entre deux modes, et de déterminer le mode
successeur.
Par une analyse de ces résultats, et par une comparaison avec la séquence théorique de l’état
discret sans fautes (système sain ou nominal qui nous donne une trajectoire d’état nominal),
une diagnostique des fautes de l’évolution discrète sera possible.
Lorsque deux modes i et j sont non discernables, il est impossible -en utilisant le vecteur
d’entrées u et le vecteur de sorties y- de connaître est-ce que le mode courant est
le mode i ou j.
De plus, supposant que le mode courant est le mode i et que l’un des ses modes successeur
est le mode j, il est encore impossible de détecter (ou de déterminer) l’occurrence de la
transition entre ces deux modes. Donc, deux modes non discernables signifient "fautes
influençant l’évolution discrète non détectables". Pour surmonter cette situation, des capteurs
additionnels doivent être implémentés.
91
Conclusion et perspectives
Dans le premier chapitre, nous avons rappelé les concepts généraux utilisés en
surveillance. Pour commencer, nous avons présenté pas mal de définitions nécessaires pour
compléter la notion de la surveillance des systèmes automatisés, ces définitions ont été
reposées essentiellement sur les travaux de [4], [5] et [6].
Après avoir présenté ces définitions, nous avons rappelé la notion des fonctions de la
surveillance qui regroupent les deux sous fonctions suivantes : la détection et le diagnostic qui
regroupe à son tour deux fonction telles que : la localisation et l’identification. Mais on ne
peut pas parler de la surveillance sans fournir une définition plus ou moins détaillée d’un
composant très important pour décider la présence d’une faute dans un système automatisé,
c’est le résidu. Pour cela, nous avons parlé suffisamment sur ce signal et ses deux types tels
que : les résidus structurés et les résidus directionnels.
Le reste de ce chapitre a été consacré aux méthodes de la surveillance considérées dans ce
domaine. Ces méthodes sont un résultat direct d’une question très importante : possédons-
nous un modèle permettant de connaître l’évolution de ce système ? La réponse à cette
question nous a donné deux classes de méthodes de surveillance, si oui on parle alors des
méthodes de surveillance à base de modèle, sinon on parle des méthodes sans modèle.
Dans le deuxième chapitre nous à avons étudié dans un premier temps, une classe
particulière des systèmes complexes qu’est la classe des systèmes dynamiques hybrides
(SDH). Ces systèmes sont composés essentiellement d’un mélange de deux composantes : une
composante continue et une composante évènementielle interagissent entre eux, et où leur
interaction détermine le comportement qualitatif et quantitatif de ces systèmes. Puis dans un
second temps nous avons cité les deux principales classes des systèmes hybrides présentées
dans : les SDH à commutation autonome "Switching", et les SDH à commutation contrôlée.
Et pour éclaircir ces notions, nous avons cité quelques exemples illustratifs classiques comme
le système de thermostat, le jeu de billard et l’embrayage.
Quant à la modélisation des systèmes hybrides, il y a en général trois classes principales
des approches de modélisations des SDH :
- L’approche continue : il s’agit d’étudier le comportement des modèles continus en
présence des discontinuités.
- L’approche évènementielle : consiste dans l’approximation de la dynamique continue
de telle manière que le système hybride ne soit représenté que par les évènements qui
le caractérisent
- L’approche mixte : repose sur la supposition que le fonctionnement d’un système
hybride est une séquence de deux phases. La première étape correspond à une
transformation de l’état continu décrite en terme de temps écoulé durant cette phase.
Dans la seconde étape, l’état est soumis à un changement discret instantané
(évènement).
92
Nous avons choisi la modélisation par l’automate hybride qui représente l’approche mixte,
parce qu’au contraire à l’automate discret qui travaille seulement avec les systèmes discrets,
l’automate hybride peut regrouper des types de systèmes de natures différentes, il peut
comporter des dynamiques continues pilotées par des équations différentielles ou algébro-
différentielles, comme il peur comporter des séquences discrètes qui représentent la
dynamiques évènementielles.
Dans le troisième chapitre, nous avons complété l’étude des systèmes dynamiques hybrides
(SDH), et plus précisément l’étude des automates hybride comme un outil graphique de
modélisation des SDH. On a vu que l’automate hybride est une extension de l’automate
discret en associant une évolution continue à chaque état discret. La composante continue est
décrite par un ensemble d’équations différentielles et la composante discrète par un automate
à états fini. Un automate hybride évolue par une alternance de pas continus où les variables
d’état et le temps évoluent de façon continue, et de pas discrets où plusieurs transitions
discrètes et instantanées peuvent être franchies.
Des exemples illustratifs ont été réalisés mettre les définitions claires. Un algorithme
général a été présenté pour résoudre le problème de simulation de n’importe quel système
hybride et par n’importe quel logiciel. Puis, Nous avons fait une application aussi complète, le
benchmark de l’AS 193, avec des simulations par Matlab basé sur cet algorithme.
Finalement, nous avons parlé un peu sur la notion d’atteignabilité. Une conclusion englobe
brièvement le troisième chapitre.
Le quatrième chapitre a été consacré à la surveillance des systèmes dynamiques hybrides
(SDH) linéaires et non linéaires. Pour un premier temps, on a définie la notion d’un
générateur de résidus, puis en a entamé les définitions en détaille de la méthode de génération
de résidus choisie pour notre travail qui a été la méthode l’espace de parité ou la relation de
redondance analytique RRA. Cette méthode a été étudiée pour les systèmes linéaires et non
linéaires. Pour ces derniers, on a limité notre étude sur les systèmes non linéaires
polynomiaux, car ces types de systèmes sont munis des méthodes d’élimination formelle très
sophistiqués telles les bases de Groebner. La surveillance des SDH a été bien détaillée, en
introduisant la notion de la discernabilité des modes.
Dans un deuxième temps, on a présenté notre travail sur un système de deux bacs reliés
entre eux par une conduite (dérivé du benchmark de l’AS 193). C’est un système dynamique
hybride non linéaire, de plusieurs variables, continues et évènementielles. Ces dernières
(variables évènementielles) sont générées par le changement supposé instantané des états des
pompes et des vannes, cela nous a donné des variables TOR (tout ou rien) ou booléennes (5
au total). La combinaison entre ses cinq variables nous a fourni un nombre maximum de
modes égales 25 soit 32 modes possibles. Mais pour des raisons simplificatrices, nous a
considéré 8 modes seulement (ce nombre de mode est considérable malgré la simplification).
Avec les combinaisons des variables booléennes et avec l’application des lois de la mécanique
des fluides nous avons abouti à 8 systèmes d’équations différentielles non linéaires pour
chaque mode.
93
Pour construire des RRA utiles à la surveillance, il faut éliminer toutes les variables
inconnues (variables d’état, entrés inconnues (perturbations...), et quelques fautes), mais ces
RRA doit contenir les variables d’entrées connues et les variables mesurées (sorties connues
aussi), avec quelques fautes pour réaliser ce qu’on appelle la table de signature des fautes
pour la localisation.
Cette élimination est plus ou moins simple pour un système linéaire, en utilisant les
méthodes déjà prouvées et mises en essai dans différents articles et ouvrages, par exemple
l’article [39], mais pour notre système cette méthode ne marche pas, tout simplement parce
que ce système est non linéaire, la solution que nous a semble plus sophistiquée (malgré
qu’elle a été très difficile à l’utiliser) et la méthode de l’élimination à base de Groebner. Cette
méthode est coûteuse en point de vue de calcul est très difficile voire impossible à effectuer
pour des systèmes polynomiales de trois ou quatre équations, (notre application est de 8
équations), pour cette raison, il est claire qu’on doit chercher des outils informatiques
puissants comme Maple et Mathematica pour obtenir les résultats souhaitables.
Du fait que le système étudié est un système hybride, les RRA générés (résidus) nous a
donne la possibilité de détecter le mode actuel, ou dans le pire de cas de décider est-ce que ces
modes sont discernables ou non. De ce point, on peut constater la puissance de la surveillance
à l’aide des RRA dans le domaine des systèmes dynamiques hybrides (SDH), non seulement
pour la détection et le diagnostic, mais aussi pour étudier l’infra structure des ces systèmes (la
détection et la décision de la discernabilité des modes).
Finalement, une suite de simulations aussi suffisantes pour affirmer les résultats de calculs
et d’analyses présentés préalablement en absence et en présence des défaillances.
Ce travail de mémoire nous permis d’envisager de nombreuses orientations futures

(perspectives) :
- De pouvoir un jour de réaliser un logiciel graphique pour la modélisation et la
simulation de n’importe quel système dynamique hybride, en quelques click de souris.
- D’utiliser une autre méthode d’élimination comme la méthode de Ritt à la place de la
méthode des bases de Groebner.
94
Annexe
ANNEXE A : LES BASES DE GROEBNER

Dans cette annexe, nous allons présenter le principe de la méthode de l’élimination par les
bases de Groebner, mais avant cette présentation, des concepts mathématiques nécessaire
serons cités.
A. 1. Définitions :
Définition A.1. Le corps :
Le corps est ensemble k possédant deux opérations "+" et ".", pour lesquelles les conditions
suivantes sont satisfaites pour tout a, b, c  k :
i) (a + b) + c = a + (b + c) et (a.b).c = a.(b.c) (associativité).
ii) a + b = b + a et a.b = b.a (commutativité).
iii) a.(b + c) = a.b + a.c (distributivité).
iv) il existe deux éléments 0 et 1  k tels que : a  0  a 1  a .
v) pour tout éléments a k, il existe un élément b  k tel que : a + b = 0.
vi) pour tout éléments a k et a  0, il existe un élément b  k tel que : a  b  1 .
Les corps les plus utilisés sont les ensembles des nombres rationnels Q , des réels R ou encore
des complexes C . Par contre les ensembles des entiers naturels N et relatifs Z ne sont pas
des corps (parce que la condition (v) n’est pas vérifiée pour N , et (vi) pour les deux).
Les ensembles qui vérifient seulement les cinq premières conditions d’un corps sont appelés
anneaux commutatifs. Un exemple d’anneau commutatif que nous allons utiliser par la suite
pour les bases de Groebner, est l’anneau des polynômes en une ou plusieurs variables. La
notation adoptée pour décrire l’anneau des polynômes en les variables x1, x2,..., xn est
k[x1, x2,..., xn]. Cette notation signifie que cet anneau est un ensemble de polynômes en les
variables x1, x2,..., xn dont leurs coefficients appartiennent à k.
Exemple :
x1x2  x33  2 x12 x2 x3  R  x1, x2 , x3 
Définition A. 2. L’idéal :
Etant donnés g1, g2,..., gs des polynômes dans k[x1, x2,..., xn]. Alors on note :
 s 
I  g1, g1, , g s    hi gi : hi  k  x1 , x2 , , xn 
i 1 
I est appelé l’idéal généré par l’ensemble de polynômes g1, g2,..., gs.
Cela signifie que I est l’ensemble de toutes les combinaisons linéaires des polynômes gi
avec les coefficients polynômiaux hi. Il est usuel de penser à l’idéal en utilisant l’analogie
avec les sous-espaces de l’algèbre linéaire. Le sous-espace et l’idéal, tout les deux sont fermés
sous l’addition et la multiplication, à l’exception que dans les sous-espaces nous multiplions
95
Annexe
par des scalaires, mais pour les idéals nous multiplions par des polynômes. Cependant, cette
analogie ne doit pas être tenue d’une manière vaste.
Définition A.3. L’idéal d’élimination :

Etant donné I  g1, g1,, g s   k  x1, x2 , , xn  , le kième idéal d’élimination Ik est l’idéal de
k[xk+1,..., xn] définit par :
I k  I   xk 1, , xn 
En d’autres termes, l’élimination des variables x1,..., xk revient à trouver des polynômes non
nuls appartenant à l’idéal Ik. Par la suite, nous allons donner une méthode permettant de
déterminer une base particulière génératrice des idéaux Ik.
Définition A.4. Le monôme :

Un monôme de k[x1,..., xn] est un élément élémentaire s’écrivant de la manière suivante :
 
x  x1 1 x2 2  x
n
n
avec :   1,  2 , ,  n   Nn .
Définition A.5. Les ordres monômiaux :

L’opérateur est un ordre monômial s’il respecte les trois conditions suivantes :
1) est une relation d’ordre totale.(1)
2) si ,  et  sont des éléments de N n , et si x  x  alors : x   x   .
3) est bien ordonné, c’est-à-dire que tout ensemble non vide de monôme de k[x1,..., xn]
a un plus petit élément pour la relation d’ordre .
Parmi les ordres monômiaux les plus connus, nous pouvons citer l’ordre lexicographique et
degré-lexicographique [34].
A. 2. Les bases de Groebner :

Une base de Groebner (ou base standard, ou base de Buchberger) d'un idéal I de l'anneau
de polynômes k[x1,..., xn] est un ensemble de générateurs de cet idéal, vérifiant certaines
propriétés supplémentaires. Cette notion a été introduite dans les années 1960,
indépendamment par Heisuke Hironaka et Bruno Buchberger, qui leur a donné le nom de son
directeur de thèse Wolfgang Groebner.
(1)  
Une relation d’ordre est dite totale (ou linéaire) si pour toute paire de monôme x et x , seulement une
     
seule des trois affirmations suivantes est vraie : soit : x  x , soit : x  x , soit x  x .
96
Annexe
A. 2. 1. Le théorème d’élimination principal :
Etant donné I  k  x1, , xn  un idéal, et G une base de Groebner de I muni d’un ordre
lexicographique x1  x2    xn , alors pour tout : 0  m  n , l’ensemble :
Gm  G  k  xm 1, , xn 
est la base de Groebner de la mième idéal d’élimination Im :
I m  I  k[ xm 1, , xn ]
Cela signifie que tous les polynômes dont les variables x1, , xm ont été éliminés.
A. 2 . 2. Exemples :
Exemple A.1 :
On considère l’ensemble d’équations suivant :
 x2  y  z  1  x2  y  z 1  0
 
 2  2
x  y  z  1  x  y  z 1  0 (A.1)
 2  2
 x  y  z  1  x  y  z  1  0
Nous supposons de vouloir éliminer toutes les variables sauf z.. Alors d’après le théo
théorème
d’élimination, premièrement calculons la base de Groebner de l’idéal :
I  x 2  y  z  1, x  y 2  z  1, x  y  z 2  1  .
Avec l’ordre lexicographique : x  y  z . (on voit clairement que cet ordre signifie qu’on
veut éliminer x, puis y,, puis éventuellement z).
Dans une session Mathematica, cela est effectué comme suit :
 In[1]:= F={-1+x^2+y+z, -1+x+y^2+z,

1+x+y^2+z, -1+x+y+z^2};
 GroebnerBasis[F,{x,y,z}] ;
 Out[1] = {-1
1 + x + y + z^2, y^2 + z – z^2 – y,2yz^2 + z^4 – z^2, z^2 – 4z^3 + 4z^4
4z^4-z^6}
Cette opération est effectuée dans une session Maple v12 comme suit :
97
Annexe
Dans les deux sessions (celle de Mathematica et de Maple), l’idéal est déclaré comme un
vecteur ligne (noté F) de tous les polynômes du système (A.1).
Dans la session Mathematica, la base de Groebner de l’idéal F est obtenue à l’aide de la
fonction prédéfinie "GroebnerBasis[F,{x,y,z}]", le résultat est affecté à la variable interne
"Out[1] ". Le même résultat est clairement remarqué dans la session Maple, mais la fonction
responsable de fournir la base de Groebner est la fonction prédéfinie "Basis" (ou "gbasis"
dans des versions antérieures de Maple". Sans oublier de parler à l’ordre lexicographique qui
est fait par la syntaxe "{x,y,z}" , et "plex(x,y,z) " respectivement dans Mathematica et Maple.
Revenons maintenant aux résultats, et d’après le théorème de l’élimination,
I  k  x, y, z   z 2  4 z 3  4 z 4  z 6  , c’est-à-dire :
z 2  4 z3  4 z 4  z6  0 (A.2)
(On constate que ce résultat dans Maple est inversé, c’est-à-dire multiplié par -1, et sa ne
change pas l’équation (A.2)).
Remarque A.1 :
On remarque la structure triangulaire des bases de Groebner obtenues dans Mathematica et
Maple (similaire à la triangularisation dans la méthode de l’élimination de Gauss), par
exemple, dans Maple, le premier polynôme ne dépend que de z, le deuxième et le troisième
polynôme dépend de deux variables y et z, tandis que le dernier polynôme (le quatrième)
dépend des trois variables x, y et z. (cet ordre de dépendance est le contraire dans la session de
Mathematica).
Dans les sessions Matlab, Les bases de Groebner nécessitent des toolbox spécialisés dans
ce domaine, et nous n’avons pas eut pour le moment ces toolbox.
Exemple A.2 :
Nous voulons dans cette exemple obtenir une équation cartésienne de la conique. Pour cela
nous employons la procédure "Groebner::Basis" de Maple, (ou "groebner/gbasis" dans des
versions antérieures de Maple).
Les équations paramétriques (en fonction du paramètre t, en plus des variables x et y) sont les
suivantes :
 x  2 xt  2 xt 2  t  1  0
 (A.3)
 y  2 yt  2 yt 2  t 2  1  0
L’objectif est d’obtenir une équation cartésienne du conique, c’est-à-dire en fonction

seulement des deux variables x et y, pour cela, nous allons éliminer dans (A.3) le paramètre t.
Le script qui fait cette opération dans Maple est le suivant :
98
Annexe
Le premier argument de la fonction "Basis"

" " est le système d’équations paramétriques (A.3), le
second argument est l’ordre lexicographique pure, (plex
( pour "pure lexicographique order"),
le résultat est un système polynomial comme nous le voyons ainsi :
 6 yt  4 y  5 x  3t  1 0

 3xt  y  x  2 0 (A.4)
 2 2
2 y  5 x  2 xy  5 y  2 x  2  0
Entre l’ensemble de polynômes donné en entrée et la liste de polynômes fournie en sortie,
le lien suivant : les polynômes de l’un s’expriment comme des combinaisons linéaires des
polynômes de l’autre avec comme coefficients des polynômes. Il en résulte que les deux
systèmes d’équations sont équivalents.
D’autre part, le fait d’avoir donné un ordre sur les indéterminées avec l’option ""plex" fait que
la procédure a appliqué un algorithme similaire à la méthode de Gauss pour trianguler le
système. La situation est très compliquée que pour un système
système linéaire et le système obtenu
n’est pas vraiment triangulaire. Cependant, la dernière équation dans le système (4.24) ne
contient pas t et c’est elle que nous cherchons. La procédure a donc fourni une équation de la
conique par élimination.
99
BIBLIOGRAPHIE
[1] Cyrille Christohpe, "Surveillance des Systèmes Non Linéaires, Application aux machines
électriques", thèse de doctorat, Laboratoire d’Automatique et d’Informatique de Lille, UPRES
A 80 21, 16 novembre 2001.
[2] Vincent Cocquempot, "Contribution à la surveillance des systèmes industriels omplexes",
Habilitation à Dériger des Recherches, Laboratoire d’Automatique et de Génie Informatique
et Signal de Lille —LAGIS UMR 8146, France, 10 novembre 2004.
[3] Aimed Mokhtari, "Diagnostic des systèmes hybrides : développement d’une méthode
associant la détection par classification et la simulation dynamique", thèse de doctorat,
Laboratoire d’Analyse et d’Architecture des Systèmes du CNRS, INSAT Toulouse, 23
octobre 2007.
[4] Isermann, R., and P. Balle. "Trends in the application of model-based fault detection and
diagnosis of technical processes". Control Engineering Practice, 5(5), pp. 709-719, 1997.
[5] Milne R., Strategies for diagnosis. IEEE Transactions on Systems, Man and Cybernetics,
Vol.17, N°3, p 333-339, 1987.
[6] Isermann. R and P. Balle, "Applied terminology of fault detection, supervision and safety
for technical processes", Site internet de IFAC Symposium on Fault Detection Supervision
and Safety for Technical Process, 2000.
[7] Cocquempot. V, Ph. Casser and M. Staroswiechi, "Generation of robust analytical
redundancy relations", ECC91, Grenoble (France), 1991.
[8] Getler. J, and R. Monajemy, "Generating Directionnal Residuals with Dynamic Parity
Relations", Automatica 31(4), 1995.
[9] J. Montmain, « Interprétation qualitative de simulation pour le diagnostic en ligne de
procédé continus », Thèse de Doctorat, Institut National Polytechnique de Grenoble, France,
1992.
[10] A.S. Willsky, "A survey of design methods for failure detection in dynamic systems".
Automatica, Vol. 12, pp.601-611, 1976.
[11] Lesecq S., Petropol S., Barreau A. "Asyunchronous motor parametric faults diagnosis
using wavelet analysis", Conférence IEEE Sdemped 2001, Goriza , Italie.
[12] Samir. Touaf, "diagnostic logique des systemes complexes dynamiques dans un contexte
multi-agent", thèse de doctorat, université Joseph Fourier – Grenoble 1, France, 02 mars
2005.
[13] M. Zemoury, "Contribution à la surveillance des systèmes de production à l’aide des
réseaux de neurones dynamiques : Application à la e-maintenance". Thèse de doctorat,
université de Franche-Comté, 2003.
[14] R, Isermann, "On fuzzy logic applications for automatic control, supervision abd fault
diagnosis". IEEE transactions on systems, man and cybernetics, Vol. 28, No.2, march 1998.
[15] Zadeh, L., "fuzzy sets", Information and Control, vol.8, p. 338 –353,1965.
[16] H. Farreny, "Les systèmes experts : principes et exemples", Cepadues editions, 1989.
100
[17] E. Boutleux, "Diagnostic et suivi d’évolution de l’état d’un système par reconnaissance
des formes floues. Application au modèle du réseau téléphonique français". Thèse université
Technologie de Compiègne, 1996.
[18] Mehra, R. and J. Peschon, "An innovation approach to fault detection and diagnosis in
dynamic system". Automatica 7, 637–640, 1971.
[19] Willsky, A. S, "A Survey of Several Failure Detection Method", Automatica
pp : 601–611, 1976.
[20] Gertler J., "Fault Detection and Isolation using Parity Relations". Control Engineering
Practice, 1997.
[21] Chow E. Y., Willsky A. S., "Analytical redundancy and the design of robust failure
detection systems". IEEE transaction on Automatic Control, Vol. 29, 1984.
[22] Antonio Ramòne, "Modélisation et analyse du comportement dynamique des systèmes
hybrides : une approche basée sur le modèle d’automate hybride", thèse de doctorat, Institut
National Polytechnique de Grenoble (INPG), France, 15 octobre 1999.
[23] M.S. Branicky, "Studies in hybrid systems : Modeling, Analysis and Control", PhD
thesis, Department of Electrical Engineering and Computer Science – MIT Cambridge, 1995.
[24] P.Antsaklis and X. Koutsoukos, "On hybrid control of complex systems : a survey",
Symposium ADPM’98, Reims, France, 1998.
[25] A.Alur, C. Courcoubetis, T.A. Henzinger, and P.H. Ho, "Hybrid automata : an
algorithmic approach to the specification and verification of hybrid systems", In Hybrid
Systems, LNCS, 736 : 209-229, 1993.
[26] Y. Kesten and A. Pnueli, "Timed and hybrid statecharts and their textual representation",
formal techniques in real-time and fault-tolerant systems, LNCS, 571 : 591-620, 1992.
[27] J. Le Bail, H. Alla and R. David, "Hybrid Petri nets", In Proceedings of the European
Control Conference, Grenoble, France, pages : 1472-1477, 1991.
[28] Sait. Belkacem, "Modélisation, Simulation et Surveillance des Systèmes Dynamiques
Hybrides utilisant les résidus de parité et réseaux de Pétri", UFAS, Université Ferhat Abbas,
Sétif, 2007.
[29] Narasimhan, V.S., G. Biswas, G. Karsai, T. Pasternak and F. Zhao, "Building observers
to handle fault isolation and control problems in hybrid systems", Proc. IEEE Intl, Conference
on Systems, Man, and Cybernetics, Nashville, TN. pp. 2393–2398, 2000.
[30] Delmaire, G, "Comparaison des Méthodes d’Identification Paramétrique et de l’Espace
de Parité pour la Détection et la Localisation de Défaillances dans les Systèmes Automatisés".
PhD thesis, Université des Sciences et Technologies de Lille 1, France, 1996.
[31] Ding, X. and P.M. Frank. "Comparison of Observer-Based Fault Detection Approaches",
SAFEPROCESS’94, Helsinki (Finlande) pp. 556–561, 1994.
[32] Erik Frisk, "Residual Generation for Fault Diagnosis", PhD thesis, Department of
Electrical Engineering Linköping University, SE–581 83 Linköping, Sweden, Dissertations
N° 716, 2001.
[33] Comtet-Varga. G, "Surveillance des Systèmes Non Linéaires : Application aux Machines
Asynchrones", PhD thesis, Université des Sciences et Technologies de Lille 1, France, 1997.
101
[34] Guernez-Jean, C, "Surveillance des Systèmes à Modèles Polynomiaux : Génération de
Résidus et Étude de Sensibilité", PhD thesis, Université des Sciences et Technologies de Lille
1. France, 1998.
[35] Cox. D, J. Little and D. O’Shea, "Ideals, Varieties and Algorithms. Springer". New York,
1992.
[36] Diop. S, "Elimination in Control Theory", Math Control Signals systems 4, 17–32, 1991.
[37] Ritt. J.F, "Differential Algebra", American Mathematical Society, Providence, RI, 1950.
[38] P. Lindskog, "Methods, Algorithms and Tools for System Identification Based
on Prior Knowledge", PhD thesis, Linköping University, 1996.
[39] : Vincent Cocquempot, Toria El Meziani et Marcel Staroswiechi, "Fault Detection and
Isolation for hybrid systems using Structural Parity Residuals", LAGIS : Laboratoire
d’Automatique de Génie Informatique et Signal, université de sciences et technologies de
Lille, France.
[40] Kratz. F, D. Aubry "Finite memory observer for state estimation of hybrid systems",
Proceeding of IFAC Safeprocesses '03, Washington DC (USA), 2003.
102
‫ﻣﻠﺨﺺ‬
‫ ﻭﺍﻟﺬﻱ‬،"‫ ﻫﻲ ﺧﻮﺍﺭﺯﻣﻴﺎﺕ ﺗﺴﺘﻨﺪ ﻋﻠﻰ ﺇﺷﺎﺭﺓ )ﺩﺍﻟﺔ( ﺗﺴﻤﻰ "ﺭﺍﺳﺐ‬،‫ﺧﻮﺍﺭﺯﻣﻴﺎﺕ ﺍﳌﺮﺍﻗﺒﺔ )ﻛﺸﻒ ﻭﲤﺮﻛﺰ ﺃﺧﻄﺎﺀ ﺍﻟﺘﺸﻐﻴﻞ( ﺍﳌﺒﻨﻴﺔ ﻋﻠﻰ ﺃﺳﺎﺱ ﳕﻮﺫﺝ‬
: ‫ ﺍﻟﺮﻭﺍﺳﺐ ﺗﺴﺘﺨﺮﺝ ﺃﺳﺎﺳﺎ ﺑﺎﺳﺘﻌﻤﺎﻝ ﻃﺮﻳﻘﺘﲔ‬.(‫ﻳﻌﻜﺲ ﺍﻟﺘﺮﺍﺑﻂ ﺑﲔ ﺳﲑﺓ ﳕﻮﺫﺝ ﺍﻟﻨﻈﺎﻡ ﺍﳌﺜﺎﱄ )ﻣﻦ ﻏﲑ ﺃﺧﻄﺎﺀ( ﻭﺑﲔ ﺳﲑﺓ ﺍﻟﻨﻈﺎﻡ ﺍﳊﻘﻴﻘﻲ )ﺍﻟﺘﺠﺮﻳﱯ‬
‫ ﻭﺍﻟﺬﻱ ﻫﻮ ﺻﻨﻒ ﺍﻷﻧﻈﻤﺔ ﺍﻟﺪﻳﻨﺎﻣﻴﻜﻴﺔ‬،‫ ﺍﺳﺘﻌﻤﻠﻨﺎ ﻃﺮﻳﻘﺔ ﻓﻀﺎﺀ ﺍﻟﺘﻜﺎﻓﺆ ﳌﺮﺍﻗﺒﺔ ﺻﻨﻒ ﺧﺎﺹ ﻣﻦ ﺍﻷﻧﻈﻤﺔ ﺍﳌﻌﻘﺪﺓ‬،‫ ﰲ ﻫﺬﻩ ﺍﳌﺬﻛﺮﺓ‬.‫ﺍﻟﺮﺍﺻﺪﺍﺕ ﻭﻓﻀﺎﺀ ﺍﻟﺘﻜﺎﻓﺆ‬
.(‫ﻫـ‬.‫ﺩ‬.‫ﺍﳍﺠﻴﻨﺔ )ﺃ‬
،‫ ﺍﳊﺮﻛﻴﺎﺕ ﺍﳌﺴﺘﻤﺮﺓ ﳑﺜﻠﺔ ﲟﻌﺎﺩﻻﺕ ﺗﻔﺎﺿﻠﻴﺔ‬،‫ﻫـ( ﻫﻲ ﺃﻧﻈﻤﺔ ﺗﺘﺄﻟﻒ ﻣﻦ ﺣﺮﻛﻴﺎﺕ ﺫﺍﺕ ﻃﺒﻴﻌﺔ ﻣﺴﺘﻤﺮﺓ ﻭﺃﺧﺮﻯ ﻣﺘﻘﻄﻌﺔ ﺗﺘﻔﺎﻋﻞ ﻓﻴﻤﺎ ﺑﻴﻨﻬﺎ‬.‫ﺩ‬.‫)ﺃ‬
‫ﺎ ﻗﺎﺩﺭﺓ ﻋﻠﻰ ﺍﻟﺘﻮﻓﻴﻖ ﻭﺍﻟﺪﻣﺞ ﺑﲔ ﺍﻷﺟﺰﺍﺀ‬‫ ﻷ‬،‫ ﺍﺳﺘﻌﻤﻠﻨﺎ ﻟﺬﻟﻚ ﺍﻵﻟﻴﺎﺕ ﺍﳍﺠﻴﻨﺔ‬،‫ ﺑﺎﻟﻨﺴﺒﺔ ﺇﱃ ﳕﺬﺟﺔ ﻫﺬﻩ ﺍﻷﻧﻈﻤﺔ‬.‫ﻭﺍﳊﺮﻛﻴﺎﺕ ﺍﳌﺘﻘﻄﻌﺔ ﳑﺜﻠﺔ ﺑﺎﻧﺘﻘﺎﻝ ﺍﳊﺎﻻﺕ‬
‫ ﺣﻴﺚ ﺣﺮﻛﺘﻬﺎ ﳑﺜﻠﺔ ﺑﺘﻨﺎﻭﺏ ﺑﲔ ﺧﻄﻮﺍﺕ ﻣﺘﻘﻄﻌﺔ ﻭﺃﺧﺮﻯ‬،"‫ﺍﻧﺘﻘﺎﻝ‬-‫ ﺍﻵﻟﻴﺎﺕ ﺍﳍﺠﻴﻨﺔ ﻫﻲ ﺑﻴﺎﻧﺎﺕ ﻋﻠﻰ ﺷﻜﻞ "ﺣﺎﻟﺔ‬.‫ﺍﳌﺴﺘﻤﺮﺓ ﻭﺍﳌﺘﻘﻄﻌﺔ ﰲ ﺗﺮﻛﻴﺐ ﻭﺍﺣﺪ‬
.‫ ﺃﻣﺎ ﺍﳊﺮﻛﺔ ﺍﳌﺘﻘﻄﻌﺔ ﻓﺘﺤﺪﺙ ﺑﺎﻟﻌﺒﻮﺭ ﻣﻦ ﺣﺎﻟﺔ ﺇﱃ ﺃﺧﺮﻯ ﻋﱪ ﻋﻘﺪ ﺍﻵﻟﻴﺔ‬،‫ ﻭﻛﺬﺍ ﻓﺈﻥ ﺍﳊﺮﻛﺔ ﺍﳌﺴﺘﻤﺮﺓ ﲢﺪﺙ ﻓﻴﻤﺎ ﻳﺴﻤﻰ ﺑﺎﻟﻘﻤﻢ ﺃﻭ ﺍﻟﺬﺭﻭﺍﺕ‬،‫ﻣﺴﺘﻤﺮﺓ‬
‫ ﺗﻮﻟﻴﺪ ﺍﻟﺮﻭﺍﺳﺐ ﻷﻧﻈﻤﺔ ﻏﲑ ﺧﻄﻴﺔ ﻳﺴﺘﺪﻋﻲ ﺍﺳﺘﻌﻤﺎﻝ ﻃﺮﻕ‬،(‫ﻫـ( ﺍﺳﺘﻌﻤﻠﻨﺎ ﻣﺜﺎﻻ ﻏﲑ ﺧﻄﻲ )ﻧﻈﺎﻡ ﻣﺘﻜﻮﻥ ﻣﻦ ﺧﺰﺍﻧﲔ‬.‫ﺩ‬.‫ﻣﻦ ﺃﺟﻞ ﺗﻮﺿﻴﺢ ﻣﺮﺍﻗﺒﺔ )ﺃ‬
‫ ﻭﺫﻟﻚ ﺑﻌﺪ ﲢﻮﻳﻞ ﻫﺬﻩ ﺍﻷﻧﻈﻤﺔ ﻏﲑ ﺍﳋﻄﻴﺔ ﺇﱃ ﺃﻧﻈﻤﺔ ﻋﻠﻰ ﺷﻜﻞ ﻛﺜﲑﺍﺕ‬،(‫ﺇﻗﺼﺎﺀ ﺃﻭ ﺍﺧﺘﺰﺍﻝ ﺧﺎﺻﺔ )ﻭﺍﻟﱵ ﻛﺎﻧﺖ ﻃﺮﻳﻘﺔ ﻗﻮﺍﻋﺪ ﺟﺮﻭﻳﻨﺮ ﰲ ﻋﻤﻠﻨﺎ ﻫﺬﺍ‬
.‫ﺣﺪﻭﺩ‬
.‫ ﺟﺮﻭﻳﻨﺮ‬،‫ ﻛﺜﲑﺍﺕ ﺣﺪﻭﺩ‬،‫ ﺍﺧﺘﺰﺍﻝ‬،‫ ﻏﲑ ﺍﳋﻄﻴﺔ‬،‫ ﺍﻵﻟﻴﺎﺕ ﺍﳍﺠﻴﻨﺔ‬،‫ﻫـ‬.‫ﺩ‬.‫ ﺃ‬،‫ ﺍﻷﻧﻈﻤﺔ ﺍﻟﺪﻳﻨﺎﻣﻴﻜﻴﺔ ﺍﳍﺠﻴﻨﺔ‬،‫ ﺭﺍﺳﺐ‬،‫ ﻓﻀﺎﺀ ﺍﻟﺘﻜﺎﻓﺆ‬،‫ ﻣﺮﺍﻗﺒﺔ‬: ‫ﺍﻟﻜﻠﻤﺎﺕ ﺍﳌﻔﺘﺎﺣﻴﺔ‬
Résumé
Les algorithmes de surveillance (détection et localisation des fautes) à base de modèle reposent sur l’analyse d’un signal
appelé résidu, qui reflète la cohérence entre le comportement d’un modèle de système non défaillant et le comportement du
système réel. Les résidus sont créés en utilisant essentiellement deux types d’approches : les observateurs et l’espace de parité.
Dans ce mémoire, nous avons choisie l’approche de l’espace de parité pour surveiller une classe particulière des systèmes
complexes, laquelle la classe des Systèmes Dynamiques Hybrides (SDH).
Les SDH sont des systèmes composés des dynamiques de nature continue et discrète interagissent entre eux, la dynamique
continue est représentée par des équations différentielles, et la dynamique discrète par des transitions d’états. Pour la
modélisation de ces systèmes, nous avons choisi les automates hybrides, car celles-ci combinent les parties continues et
discrètes dans une même structure. Les automates hybrides sont des graphes états-transitions, dont l'évolution dynamique est
représentée par une alternance de pas discrets et continus, ainsi, l'évolution continue a lieu dans les sommets de l'automate tandis
que l'évolution discrète est réalisée par le franchissement des transitions (arcs) du graphe.
Nous avons illustré la surveillance d’un SDH par un exemple non linéaire (système de deux réservoirs), la génération des
résidus pour les systèmes non linéaires nécessite l’utilisation d’une méthode d’élimination (qui a été la méthode des bases de
Groebner dans notre travail), après la transformation de ces systèmes non linéaires en des systèmes polynomiaux.
Mots clés : surveillance, espace de parité, résidu, Systèmes Dynamiques Hybride, SDH, automates hybrides, non linéaires,
élimination, polynomiaux, Groebner.
Abstract
Model based Fault Detection and Isolation (FDI) systems are designed using mainly tow kinds of approaches : the observer
based approach and the parity space one. The FDI algorithms are based on the analysis of signal (a residual) which reflets the
discrepancy between the actual behavior of the system and the expected behavior given by model. In this thesis, we have chosen
the parity space based approach to supervise a particular class of complex systems, which the class of Hybrid Dynamics
Systems (HDS).
The (HDS) are a systems composed by continous dynamic and discrete one interact between them, continous dynamic
represented by differentials equations, and discrete dynamic by transitions states. For modelisation of this kind of systems, we
have chosen hybrid automata, because they combine the continous and discretes parts on the same structure. Hybrid automaton
is a states-transitions graph, whose dynamic evolution is represented by discretes and continous steps alternations, also,
continous evolution happens in the automaton apexes, while discrete evolution is realized by transitions crossing (arcs) of the
graph.
We have illustrated a surveillance of a HSD by non linear example (tow tanks system), a generation of residuals for the non
linear systems necessitate the use of elimination method (which had been bases Groebner approach in our work), after
transformation of these non linear systems in polynomials systems.
Keywords : surveillance, Fault Detection and Isolation, parity space, Hybrid Dynamics Systems, HSD, hybrid automata, non
linear, elimination, polynomials, Groebner.

Khaouni Sofiane

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Khaouni Sofiane

Transféré par

Droits d'auteur :

Formats disponibles

‫ﻭﺯﺍﺭﺓ ﺍﻟﺘﻌﻠﻴــــــﻢ ﺍﻟﻌـــــﺎﱄ ﻭﺍﻟﺒﺤـــــﺚ ﺍﻟﻌـﻠﻤﻲ‬

MINISTERE DE L’ENSEIGNEMENT ET DE LA RECHERCHE SCIENTIFIQUE

‫ﺟـــــﺎﻣﻌﺔ ﻓــﺮﺣﺎﺕ ﻋﺒــﺎﺱ ﺳﻄﻴﻒ‬

Présenté pour l’obtention du diplôme de

Modélisation et Surveillance des Systèmes

Soutenu le :30 / 06 / 2010 devant le jury :

LAMAMRA Athmane M. C. à l’université de Ferhat Abbas de Sétif Président

Je dédier ce modeste travail

Ma source d’inspiration, de motivation et de bénédiction . . . Ma mère

Chapitre III : Structure générique de SDH et Automate Hybride 35

Chapitre. IV . . .:. Surveillance

Figure I.1. :. Anomalies

m : Seuil inférieur du thermostat.

Définition I.1. La surveillance :

Définition I.2. Le système de surveillance :

Définition I.3. Système physique :

Définition I.4. Composant :

Définition I.5. Modèle :

Définition I.6. L’anomalie :

Définition I.7. Le défaut :

Définition I.8. La défaillance :

Définition I.9. La panne :

Définition I.10. Le symptôme :

Définition I.11. La perturbation :

Limite du Limite du Plus aucune

Figure I.1 Anomalies et Observations classées par criticité croissante.

Définition illustrée Evènement Ecart au Aptitude à

Remarque I.1. Effet de perturbations :

Définition I.12. Le résidu :

La surveillance regroupe les sous fonctions suivantes : la détection, le diagnostic qui

Figure I.2 Fonctions de la surveillance.

Comportement réel du Modèle du système en

Comportement réel Connaissance a

Une défaillance sera détectable si au moins un résidu permet de la détecter.

sensible possible aux défaillances et le moins possible aux perturbations ou erreurs de

I. 3. 2. 1. a. Les résidus structurés (structurels):

L'ensemble des résidus structurés est construit en respectant la procédure suivante :

I. 3. 2. 1. b. Les résidus directionnels:

Figure I.4 Résidus directionnels

Figure I.5 Résidus directionnels pour la localisation

La figure I.5 illustre ce problème de l’isolation de défaillance en utilisant les résidus

Non Existe-t-il un Oui

Figure I.6 Différentes méthodes de surveillance

Dans ce qui suit, on présente différentes méthodes utilisées en surveillance de systèmes

de l’Automatique. Néanmoins, on s’est astreint à balayer le large spectre des techniques

I. 4. 1. Choix de la méthode de surveillance :

I. 4. 2. Les méthodes de surveillance sans modèle (directes) :

I. 4. 2. 4. Analyse fréquentielle (Filtrage) :

I. 4. 2. 5. Capteurs spécifiques (Capteurs-Détecteurs) :

course, d’état de fonctionnement d’un moteur ou de dépassement de seuils sont largement

I. 4. 2. 6. Réseaux de neurones artificiels :

I. 4. 2. 7. Systèmes d’inférence flous :

La structure de base d’un SIF est constituée de :

I. 4. 2. 8. Les systèmes experts (le raisonnement à partir des cas) :

vocale, la reconnaissance de caractères, l’automatisation industrielle, le diagnostic médical et

I. 4. 3. Les méthodes de surveillance avec modèle :

caractériser le comportement défaillant du système. Trois niveaux de connaissance peuvent

Figure I.7 Estimation paramétrique pour la détection et le diagnostic des défauts.

La seconde catégorie de méthodes à base de modèles regroupe celles reposant sur

I. 4. 3. 2. Estimation d’état (redondance analytique) :

concevoir un système dynamique permettant de donner une image, ou estimation, de certaines

I. 4. 3. 2. b. Espace de parité : (approche par Relation de Redondance Analytique RRA).

généralement fini (par exemple l’ensemble de symboles {a, b, c}). Le comportement du