Vous êtes sur la page 1sur 18

Ecole Nationale des Université Abdelmalek

Essaadi
Sciences Appliqués

Rapport du projet
Diagnostic des systèmes automatiques

Réalisé par : Proposé par :

BAADI Marouane M. A Cherkaoui


EL ADNANI Oussama
HILAL Anas
SLOUKIA Mohammed
Sommaire

Introduction………………………………………………………………………………………………………………………… 2

Diagnostic des systèmes industriels…………………………………………………………………………………….. 2

Défaut…………………………………………………………………………………………………………………….. 2

Défaut capteur…………………………………………………………………………………………… 3

Défaut actionneur……………………………………………………………………………………… 3

Observation et observabilité des systèmes……………………………………………………………. 4

Observateur………………………………………………………………………………………………. 4

Architecture avec un observateur……………………………………………………………… 5

Exemple de mise en œuvre ……………………………………………………………………………………………….. 5

Estimation en présence de défaut capteur…………………………………………………………….. 5

Partie théorique………………………………………………………………………………………… 6

Partie pratique………………………………………………………………………………………….. 6

Résultat de la simulation……………………………………………………………………….…. 9

Interprétation…………………………………………………………………………………………… 11

Estimation des entrées inconnues………………………………………………………………………… 11

Commentaire…………………………………………………………………………………………… 15

Interprétation …………………………………………………………………………………………. 17

Conclusion ……………………………………………………………………………………………………………………….. 17

1
INTRODUCTION :
Le diagnostic est l'identification de la nature et de la cause d'un certain phénomène.
Il est utilisé dans de nombreuses disciplines différentes avec des variations dans l'utilisation
de la logique, d'analyse, et de l'expérience afin de déterminer "cause et effet". C’est une
discipline très utilisée dans l'ingénierie systèmes et dans les systèmes informatiques, il est
généralement utilisé pour déterminer les causes des symptômes, comprendre les
atténuations et donner des solutions. Le diagnostic est donc un système d’aide à la décision
qui permet de localiser les composants ou les organes défaillants d’un système et
éventuellement de déterminer ses causes. Dans ce rapport on va entamer la notion du
diagnostic en général, ensuite parler du diagnostic à base d’observateur et en donner deux
exemples. Le premier est la mise en œuvre d'un observateur pour la détection de défaut et
le deuxième est la mise en œuvre d'un observateur à entrées inconnues pour la détection de
défaut.

I-Diagnostic des systèmes industriels

1-Défaut :

De manière générale, un système industriel est composé de trois parties :

 les actionneurs,
 le procédé,
 les capteurs.

Les défauts peuvent survenir sur chacune de ces trois parties. Selon le Comité Technique de
l’International Federation of Automatic Control (IFAC) Safeprocess, un défaut est une
déviation non permise d’au moins une propriété ou un paramètre caractéristique du système
par rapport à un comportement usuel, nominal ou acceptable.

On distingue trois types de défauts:

 défaut actionneur,
 défaut capteur
 défaut procédé (ou défaut composant).

2
1.1-Défaut capteur :

Les capteurs sont des instruments qui transforment une grandeur physique en une
grandeur traitable par les calculateurs. Les capteurs sont essentiellement les interfaces de
sortie d’un système avec l’environnement extérieur. Ils permettent de communiquer les
informations concernant l’état et le comportement interne du processus. Ainsi, un défaut
capteur caractérise une mauvaise image de la grandeur physique à mesurer. Pour les
systèmes en boucle fermée, les mesures issues de ces capteurs sont utilisées pour la
génération du signal de commande. Par conséquent, la présence d’un défaut capteur donne
un signal de commande inexacte et inefficace.

1.2-Défaut actionneur :

L’actionneur est un élément de la partie opérative d’un système qui transforme les
signaux de commande issus du contrôleur (microprocesseur, ou microcontrôleur) en
mouvement (moteur), en chaleur (résistance électrique), ou en champ magnétique
(électroaimant). Ainsi, les défauts actionneurs agissent au niveau de la partie opérative et
détruisent le signal d’entrée du système. Les conséquences de défauts actionneurs peuvent
varier d’une consommation élevée de l’énergie jusqu’à la perte totale de contrôle. Les défauts
actionneurs varient d’un actionneur à un autre.

Le diagnostic de défaut consiste donc en la détermination du type, de l’amplitude, de la


localisation et de l’instant d’occurrence d’un défaut. Il comprend trois étapes successives :

 la détection du défaut,
 l’isolation du défaut,
 l’identification du défaut

3
2-Observation et observabilité des systèmes

La majorité des systèmes réels peut être modélisée par un système d’équations
différentielles. Ce système d’équations constitue le modèle mathématique du comportement
du phénomène étudié.

Considérons le système linéaire suivant :

La mise en œuvre de la commande par retour d’état u(t) a besoin de capteurs


permettant de donner à chaque instant t une valeur approximative de l’état x(t). Deux types
de capteurs de natures différentes sont utilisés : Le premier est celui des capteurs physiques,
provenant de l'instrumentation. Ces capteurs sont parfois trop coûteux ou difficiles à réaliser
pour des raisons techniques. Pour cette raison, on est amené à concevoir un second type de
capteurs -- des capteurs logiciels, appelés plus communément des observateurs. Ces
derniers sont des algorithmes fondés sur un modèle du système et utilisant une information
pertinente donnée par des capteurs physiques. Ces capteurs logiciels délivrent à chaque
instant t une estimation en ligne des variables d'état non mesurées du système.

2.1-Observateur :

Un observateur est un système dynamique auxiliaire dont les entrées sont


constituées des vecteurs d’entrées x(t) et de sortie y(t) du système. Il a pour rôle de donner
une estimation 𝑥̂(𝑡) du vecteur d’état x(t) du système considéré. Cet état estimé sera utilisé
à des fins de commande du système ou de détection et localisation des défauts.

4
2.2-Architecture avec un observateur

Objectif de l’observateur :

observe les mesures (observations) issues de u (t) et/ou y(t)


simule (prédit) le comportement du système xˆ (reconstruction
d’information, état, état de santé...)
génère une estimation yˆ (t) cohérente avec les observations
résidu : l’écart entre la mesure de sortie et la prédiction :
ρ( t) = yˆ ( t) − y( t)

II-Exemples de mise en œuvre :

Pour la mise en œuvre, on traitera deux cas de figure pour mieux comprendre le
diagnostic à base d’observateurs.

 Exemple d’estimation en présence de défauts capteur.


 Exemple d’estimation des entrées inconnues.

1-Estimation en présence de défauts capteur

Le principe de base de diagnostic à base d’observateur consiste à estimer la sortie du


système à partir des connaissances de la commande (ou une partie de la commande), et des
mesures (ou une partie des mesures). Le vecteur résidu est ainsi construit comme l’écart

5
entre la sortie estimée et la sortie mesurée. Ces résidus doivent servir d’indicateurs fiables
du comportement du processus.

1.1-Partie théorique :

Si on prend par exemple le cas où les capteurs de mesure de sortie sont en partie
défaillants, les défauts possibles sont modélisés par un signal additionnel fc(t) le système
observé devient donc :

𝑥̇ (t)=Ax(t) +Bu(t)

y(t)=Cx(t) +Dcfc(t)

x(0)=x0

De plus les différents défauts sont supposés indépendants les uns des autres. L’erreur
d’estimation des sortie obtenue par l’observateur est donnée par :
.
̇
𝑥 (t)=(A –KC)𝑥̌(t) – KDcfc(t)

𝑦̌(t)=C𝑥̌(t) +Dcfc(t)

𝑥̌(0)=x0-𝑥̂0

L’erreur d’estimation de la sortie est un résidu qui permet de détecter les défauts
fc(t). Dans ce cas il est possible d’obtenir une quantification du signal fc(t) la transformé de
la place nous donne :

𝑌̌(p)=(I-C(pI – A+KC)^-1K)DcFc(p)

Ce qui nous donne :

DcFc(p)=(I-C(pI-A+KC)^-1K)^-1𝑌̌(p)

On peut mettre cette équation sous la forme :

DcFc(p)=(C(pI-A)^-1K+I)𝑌̌(p)

1.2-Partie Pratique:

On considère le système ci-dessous, auquel on affecte un défaut capteur fc(p) et par


des bruit de mesure v(t) :

6
−3 2.5 3 1 0
𝑥̇ (𝑡)= 0 −4 −2 x(t) + 0 1 u(t)
0.1 −5 −6 0 0

1 0 0 0
y(t) = x(t) + fc(t) + v(t)
0 1 0 1

x(0) = (4 4 4)𝑇

Le défaut fc(t) intervient sur la deuxième mesure entre les instants t=5s et t=7s, entre
ces deux instants il est constant et donc l’amplitude = 0.5.

Pour détecter et estimer ce défaut de capteur on construit un observateur d’état afin de


filtrer l’erreur d’estimation des sorties.

La paire (C,A) est observable, il est donc possible de déterminer une matrice K telle que A-
KC soit stable.

On fixe l’état initial à : 𝑥̂ (𝑡) = [0 0 0]𝑇 . Le défaut corrompt l’erreur d’estimation des sorties.

On va présenter maintenant le code Matlab de cet exemple ainsi que les résultats de
simulation.

7
%--> définition du modèle
A=[-3 2.5 3;0 -4 -2;0.1 -5 -6]; %matrice A
B=[1 0;0 1;0 0]; Bc=[0;0;0]; %matrice B
C=[1 0 0;0 1 0]; %matrice C
D=[0 0;0 0];Dc=[0;1]; %matrice D
sys=ss(A,[B Bc],C,0); %créer l'espace d'état en spécifiant les matrices
d'état
%--> Simulation du systeme
t=0:0.01:10;
u=[zeros(1,101) 1*ones(1,200) 4*ones(1,300) 2*ones(1,200) 5*ones(1,200);
zeros(1,201) 5*sin(t(202:1001))];
fc=[zeros(1,501) 0.5*ones(1,200) zeros(1,300)]; % Défaut capteur d'amplitude
0.5
y=lsim(sys,[u;fc],t,[4;4;4]); % Simulation de la réponse temporelle du
système à des entrées arbitraires, prise en considération du défaut capteur,
avec l'état initial [4;4;4;4]
y=y'+Dc*fc+0.04*randn(2,1001);
%-->definition et simulation de l'observateur
K=[12 -13; -3.5 4.4; -1 -2.5]; %gain
obs=ss(A-K*C, [B K], eye(3), zeros(3,4));
xobs=lsim(obs, [u;y], t, [0;0;0]);
yobs=C*xobs';

%--> erreur d'estimation des sorties


ey=y-yobs;
figure('name','erreurd"estimation des sorties'),
subplot(211) , plot(t,ey(1,:)) ;
subplot(212) , plot(t,ey(2,:));
%--> Estimation du défaut
Dcp=pinv(Dc); %matrice pseudo-inverse de Moore-Penrose de Dc
filtre=ss([A-K*C zeros(3,3); -K*C A],[B K; zeros(3,2) K],[-pinv(Dc)*C
pinv(Dc)*C] , [[0 0] pinv(Dc)]); %élaboration du filtre
f_obs=lsim(filtre,[u;y],t,[0 ;0 ;0 ;0 ;0 ;0 ]); %application du filtre
figure('name', 'comparaison du défaut et de son estimation'),
subplot(211), plot(t,fc)
subplot(212), plot(t,f_obs)

8
1.3-Résultats de simulation :

Figure 1: Erreur d'estimation des sorties

Figure 2: Comparaison du défaut et de son estimation

9
Figure 3: Erreur d'estimation des sorties avec CI nulles

Figure 4:Comparaison du défaut et de son estimation avec CI nulles

10
1.4-Interprétation des résultats de simulation :
Figure 3 : Les résultats de la figure 3 montrent une comparaison entre la valeur de sortie et
l’estimation de la valeur de sortie, et la conclusion tirée est que la méthode d’observateur
d’état nous donne une estimation très proche de la réalité et ceci à travers les équations
d’état, on voit la même chose sûre.

Figure 4 : les résultats de la figure 4 illustrent une comparaison entre le défaut et son
estimation par la méthode d’observateur d’état, on remarque que le résultat est très proche
de la réalité.

2-Estimation des entrées inconnues

Pour illustrer l’estimation des entrées inconnues, on considère le réseau de


distribution d’eau représenté dans la figure suivante :

Ce réseau est alimenté par deux débits volumiques qe1 (t) et qe2(t) arrivant dans les
réservoirs 1 et 2 respectivement. Ces deux débits sont alimentés par deux pompes.

11
On dispose aussi de trois débitmètres repérés dans la figure par des ronds noirs.

Deux grandeurs non mesurables affectent l’évolution du réseau :

Une fuite dans la canalisation du réservoir 1 noté f(t), des infiltrations dans le réservoir 4
noté d(t).

La figure suivante montre la modélisation du système :

𝜕𝑞(𝑡)𝑒𝑖 désigne la variation du débit d’alimentation qei(t) autour de sa valeur en régime


stationnaire.

𝑠 √𝑔
Les coefficients ai sont donnés par ai = où hi0 est la hauteur d’eau dans le réservoir i
𝑆𝑖 √2ℎ𝑖0

en fonctionnement stationnaire.

Les pôles observateurs sont placés au {-0.0196 -0.0206 -0.0216 -0.0196}.

12
Les paramètres K, Θ obtenus sont données ci-dessous.

Les gains N, E, M, L sont calculés à partir des équations suivantes :

Le débit de fuite f(t) est égal à 30% de 𝜕𝑞(𝑡)𝑒1 entre les instants t = 500s et t = 750s,
les infiltrations d(t) sont égales à 0.01m3 /s entre les instants t = 850s et 1050s.

La modélisation du système sous Matlab est donnée par le code suivant :

Figure 5: Partie du code modélisant le système

Figure 6: Partie du code pour la création des données

13
Figure 7: Partie du code modélisant l'observateur à l'entrée

Figure 8: Affichage des résultats

(a) (b)

(c)
Figure9: Résultats du code (d)

14
Commentaires :

Figure (a) : Comparaison de la variable d’état x1(t) (pointillés) et de son estimé (trait
continu).

Figure (b) : Comparaison de la variable d’état x2(t) (pointillés) et de son estimé (trait
continu).

Figure (c) : Comparaison de la variable d’état x3(t) (pointillés) et de son estimé (trait
continu).

Figure (d) : Comparaison de la variable d’état x4(t) (pointillés) et de son estimé (trait
continu).

Interprétation :

La différence entre la variable d’état et de son estimé est dû aux bruits affectés par les
capteurs.

Pour le diagnostic du système, le code suivant modélise son implémentation Matlab

Figure 10: Synthèse de l'observateur insensible à f(t)

15
Figure11: Synthèse de l'observateur pour d(t)

Affichage des résultats du diagnostic :

(a)

(b)
Figure 5: Résultats du code

16
Interprétation :
La figure (a) représente le résidu d’observateur insensible à d(t), on voit clairement qu’il
est sensible à f(t) comme indiqué dans l’énoncé que f(t) intervient entre les instants 500s et
750s, tandis que la deuxième figure représente le résidu d’observateur insensible à f(t), on
voit clairement qu’il est sensible à d(t) l’intervention de ce dernier entre les instants 850s
et 1500s

CONCLUSION :
Dans la cadre de notre formation en électronique et automatique, la matière du
diagnostic des systèmes automatiques vient orner notre cursus de formation en nous
ouvrant sur un domaine riche et très intéressant. Après avoir vu le cours, nous étions
amenés à présenter un sujet parmi les sujets proposé par notre professeur qui est
diagnostic à base d'observateur d'état.

17

Vous aimerez peut-être aussi