Poly Copie

République Algérienne Démocratique et Populaire
Ministère de l’Enseignement Supérieur et de la Recherche Scientifique
Université Mohammed Seddik BENYAHIA - Jijel
Faculté des Sciences et de la Technologie

Département d’Automatique
Notes de cours :
Diagnostic des Systèmes
Réalisé par :
KHEBBACHE Hicham
Master 2 : Automatique et Systèmes
Année universitaire : 2018/2019

Avant propos
Ce cours est destiné aux étudiants de Master 2 en “Automatique et Systèmes (AS)”, ainsi qu’aux
étudiants sollicités par des problèmes de diagnostic et détection de défauts des systèmes linéaires.
Il leur permettra de maitriser les concepts et les méthodes de diagnostic des systèmes afin de les
appliquer à des domaines aussi variés que l’électricité, la mécanique, la pétrochimie,... etc. Les pré-
requis constitués des connaissances mathématiques dispensées durant les deux premières années
d’un cursus universitaire dans la filière “Sciences et Techniques (ST)” ou dans le cadre des classes
préparatoires aux écoles supérieures, pourront être complétés par les notions basiques des systèmes
asservis (continus et échantillonnés), du traitement des signaux stochastiques et de la notion de la
robustesse en automatique.
Table des matières
Table des figures 5
1 Généralités et définitions 6
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.2 Notions fondamentales sur le diagnostic de défauts . . . . . . . . . . . . . . . . . . . 6
1.2.1 Définitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.3 Modes de fonctionnement d’un système . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.4 Classification des défauts . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.4.1 Selon leur localisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.4.2 Classification selon la modélisation . . . . . . . . . . . . . . . . . . . . . . . . 8
1.4.3 Classification selon les caractéristiques temporelles . . . . . . . . . . . . . . . 9
1.5 Différentes étapes du diagnostic d’un système . . . . . . . . . . . . . . . . . . . . . . 9
1.6 Critères de performances d’un système de diagnostic . . . . . . . . . . . . . . . . . . 11
2 Méthodes de diagnostic de défauts 12

2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.2 Méthodes quantitatifs (à base de connaissances) . . . . . . . . . . . . . . . . . . . . . 12
2.2.1 Méthodes mono-signal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.2.2 Méthodes multi-signaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.3 Méthodes qualitatifs (à base de données) . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.3.1 Reconnaissance de formes (RdF) . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.3.2 Réseaux de neurones artificiels (RNA) . . . . . . . . . . . . . . . . . . . . . . 16
2.3.3 Systèmes d’inférence floue (SIF) . . . . . . . . . . . . . . . . . . . . . . . . . 17
Table des matières
2.3.4 Systèmes experts . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
3 Diagnostic à base d’observateurs 18

3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
3.2 Diagnostic à l’aide de l’observateur de Luenberger . . . . . . . . . . . . . . . . . . . 18
3.2.1 Synthèse de l’observateur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
3.2.2 Structuration de résidus . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
3.3 Diagnostic à l’aide de l’observateur à entrées inconnues (Uknown Input Observer) . . 21
3.3.1 Synthèse de l’observateur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
3.3.2 Structuration de résidus . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.4 Diagnostic à l’aide du filtre de Kalman . . . . . . . . . . . . . . . . . . . . . . . . . . 24
3.4.1 Position du problème . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
3.4.2 Filtre de Kalman estimateur . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
3.4.3 Filtre de Kalman prédicteur . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.4.4 Propriétés statistiques du filtre de Kalman . . . . . . . . . . . . . . . . . . . 28
3.4.5 Stabilité du filtre de Kalman . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.4.6 Filtre de Kalman stationnaire . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
3.4.7 Application au diagnostic . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
4 Génération de résidus par espace de parité 31

4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
4.2 Redondance statique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
4.3 Redondance dynamique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
4.3.1 Auto-redondance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
4.3.2 Inter-redondance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
5 Diagnostic par identification paramétrique 40

5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
5.2 Principe de diagnostic par estimation paramétrique . . . . . . . . . . . . . . . . . . . 40
5.3 Identifiabilité et isolabilité des paramètres physiques . . . . . . . . . . . . . . . . . . 43
5.3.1 Identifiabilité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
5.3.2 Localisation logique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
5.4 Algorithmes d’estimation paramétrique . . . . . . . . . . . . . . . . . . . . . . . . . . 45
5.4.1 Méthode des moindres carrés récursifs (MCR) . . . . . . . . . . . . . . . . . . 45
5.4.2 Méthode des moindres carrés récursifs avec facteur d’oubli constant (MCRFDC) 49
5.4.3 Algorithme des moindres carrés récursifs avec facteur d’oubli variable (MCRFDV) 50
– 3 –
6 Analyse des Résidus 52
6.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
6.2 Cas déterministe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
6.2.1 Fonction d’évaluation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
6.2.2 Fonction de seuil . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
6.2.3 Retour à la normale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
6.3 Cas stochastique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
6.3.1 Test de Page-Hinkley . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
Annexe A Série de TD N◦ 1 61
Annexe B Série de TD N◦ 2 64
Annexe C Série de TD N◦ 3 67
Annexe D Série de TD N◦ 4 69
Annexe E Série de TD N◦ 5 72
Références bibliographiques 74
Table des figures
1.1 Types des défauts selon leur localisation. . . . . . . . . . . . . . . . . . . . . . . . . . 8

1.2 Défauts additif et multiplicatif. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.3 Évolution temporelle d’un défaut pour δ = cte. . . . . . . . . . . . . . . . . . . . . . 9
1.4 Différentes étapes du diagnostic. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.1 Classification des méthodes de diagnostic. . . . . . . . . . . . . . . . . . . . . . . . . 13

2.2 Architecture générale du diagnostic de défauts à base de modèles. . . . . . . . . . . . 15
3.1 Principe de la génération de résidus à base d’observateur. . . . . . . . . . . . . . . . 19

3.2 Structuration de résidus à l’aide de l’observateur de Luenberger. . . . . . . . . . . . 21
3.3 Génération de résidus à l’aide de l’observateur à entrées inconnues. . . . . . . . . . . 24
4.1 Le résidu directionnel correspondant. . . . . . . . . . . . . . . . . . . . . . . . . . . . 33

4.2 Génération de résidus à l’aide de l’espace de parité. . . . . . . . . . . . . . . . . . . . 35
5.1 Méthodologie de diagnostic via l’estimation paramétrique en utilisant un modèle

analytique. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
5.2 Circuit électrique RC série. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
5.3 Circuit électrique RLC série. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
A.1 Pendule simple avec un vecteur d’état x = (q, q̇). . . . . . . . . . . . . . . . . . . . . 63

Chapitre 1
Généralités et définitions
1.1 Introduction
Avant d’aller plus loin, il convient de définir ce qu’est un diagnostic, un défaut, une défaillance,
une panne, un état de fonctionnement normal,... etc., termes auxquels nous aurons souvent recours
dans les prochains chapitres.
1.2 Notions fondamentales sur le diagnostic de défauts
1.2.1 Définitions
• Diagnostic : Le diagnostic est défini par l’ensemble d’actions visant à évaluer un procédé
(système) et identifier la cause probable des défauts (défaillances) à l’aide d’un raisonnement
logique fondé sur un ensemble d’informations provenant d’une inspection, d’un contrôle ou
d’un test de son fonctionnement. Un système est dit diagnosticable s’il est susceptible d’être
soumis à un diagnostic, il doit alors être muni d’organes d’observation (capteurs) et d’un
système d’analyse pour étudier les informations fournies.
• Défaut : Un changement inattendu d’au moins une propriété caractéristique ou un paramètre

du système, qui peut dégrader les performances de celui-ci.
• Défaillance : Une interruption permanente, ou une détérioration complète d’un compo-

sant ou d’un système et l’incapacité totale de celui-ci à remplir une fonction spécifique. Une
défaillance est une situation plus grave qu’un défaut. Lorsqu’un défaut se produit dans un
– 6 –
Chapitre 1. Généralités et définitions Module. Diagnostic des systèmes
actionneur par exemple, ce dernier est encore utilisable, mais il peut avoir une réponse plus
lente ou devenir moins efficace. Par contre, lorsqu’une défaillance se produit, un actionneur
totalement différent est nécessaire pour pouvoir produire l’effet désiré.
• Panne : État d’un système incapable d’assurer le service spécifié à la suite d’une défaillance.
En effet, une panne résulte toujours d’une défaillance, et donc d’un défaut :
Défaut =⇒ Défaillance =⇒ Panne
• Dégradation : Une perte de performances d’une des fonctions assurées par un équipement.
• Résidu : Un signal indicateur d’anomalies fonctionnelles ou comportementales, obtenu à

partir de la différence entre les mesures et les calculs.
1.3 Modes de fonctionnement d’un système
Un système présente généralement plusieurs modes de fonctionnement. On peut observer des

modes de plusieurs types parmi lesquels :
• Mode de fonctionnement nominal : C’est le mode où l’équipement ou le système indus-

triel remplit sa mission dans les conditions de fonctionnement requises par le constructeur.
• Mode de fonctionnement dégradé : Correspond soit à l’accomplissement partiel de la mis-

sion, soit à l’accomplissement de celle-ci avec des performances moindre, en d’autres termes,
il y a eu une dégradation dans le système mais pas de défaillance.
• Mode de défaillance : Correspond à des mauvais fonctionnements du système, c’est-à-dire

qu’il y a eu défaillance, soit après dégradation, soit défaillance brusque.
1.4 Classification des défauts
1.4.1 Selon leur localisation
Un défaut est un événement soudain qui peut se produire dans n’importe quelle partie du
système. Selon l’endroit où il se produit, il peut être classé comme un défaut d’actionneur, un
défaut de capteur ou un défaut de composants (voir Figure 1.1).
• Défauts d’actionneurs : Les défauts d’actionneurs agissent au niveau de la partie opérative

et détériorent le signal d’entrée du système.
• Défauts de capteurs : Ce type de défauts est la cause d’une mauvaise image de l’état phy-
sique du système. Un défaut capteur partiel produit un signal avec plus ou moins d’adéquation
Master 2. Automatique et systèmes – 7 – KHEBBACHE Hicham

Figure 1.1: Types des défauts selon leur localisation.
avec la valeur vraie de la variable à mesurer. Un défaut capteur total produit une valeur qui
n’est pas en rapport avec la grandeur à mesurer.
• Défauts composants ou systèmes : Ce type de défauts provient du système lui-même ;

bien souvent les défauts n’appartenant pas à un défaut capteur ou actionneur sont classés de
manière arbitraire dans cette catégorie. Néanmoins, un défaut composant résulte de la casse
ou de l’altération d’un composant du système réduisant les capacités de celui-ci à effectuer
une tâche.
1.4.2 Classification selon la modélisation
D’un point de vue modélisation, les défauts peuvent être classés comme additifs ou multiplicatifs
comme le montre la Figure 1.2.
(a) Défaut additif (b) Défaut multiplicatif
Figure 1.2: Défauts additif et multiplicatif.
• Défauts additifs : Les défauts additifs sont considérés comme des signaux externes suppl-
émentaires, qui correspondent à des changements constatés indépendamment des entrées
connues (i.e. ce sont considérés comme des entrées inconnues). Ces défauts sont appropriés
pour représenter des défauts de composants dans le système à commander.
• Défauts multiplicatifs : Les défauts multiplicatifs correspondent à des changements de

paramètres qui affectent l’évolution des entrées et/ou des sorties, où l’amplitude de ces défauts
dépend des entrées connues. Notant que les défauts d’actionneurs et de capteurs sont les plus
souvent multiplicatifs par nature.
1.4.3 Classification selon les caractéristiques temporelles
Ainsi, en fonction de leurs caractéristiques temporelles, les défauts peuvent être aussi classés
comme graduels, abrupts ou intermittents (voir Figure 1.3).
(a) Défaut graduel (b) Défaut abrupt (c) Défaut intermittent
Figure 1.3: Évolution temporelle d’un défaut pour δ = cte.
• Défauts graduels : Ils représentent des changements paramétriques lents qui résultent sou-
vent en raison du vieillissement. Ils sont difficiles à détecter du fait de leurs caractéristiques
temporelles lentes, mais ils ne sont pas sévères. Cependant, si ces défauts ne sont pas pris en
charge rapidement, ils peuvent conduire à une situation grave.
• Défauts abrupts : Ils se produisent instantanément souvent à la suite d’un dommage

matériel. Ces défauts peuvent être très sévères, car, s’ils affectent les performances et/ou
la stabilité du système bouclé, une réaction rapide du système de commande est nécessaire.
• Défauts intermittents : Ce sont des défauts qui apparaissent et disparaissent à plusieurs

reprises. Ils représentent également un cas particulier de défauts abrupts avec la propriété par-
ticulière qu’ils reviennent d’une façon aléatoire à leurs valeurs normales. Ces défauts peuvent
être causés par un contact intermittent ou un câblage partiellement endommagé.
1.5 Différentes étapes du diagnostic d’un système
Le diagnostic d’un système industriel nécessite un certain nombre d’étapes à savoir : l’acquisition
de données, l’élaboration d’indicateurs de défauts, la détection, la localisation et la prise de décisions
(voir Figure 1.4).
• Étape d’acquisition de données : Il s’agit de l’extraction des informations nécessaires à

la mise en forme des caractéristiques associées aux fonctionnements normaux et anormaux,

Figure 1.4: Différentes étapes du diagnostic.
à partir des moyens de mesures appropriées. Cette étape implique donc à savoir quels sont
les signaux importants à collecter pour répondre au cahier des charges de surveillance, et de
l’utilisation de capteurs permettant de mesurer ces signaux.
• Étape de génération de résidus : La deuxième étape concerne la génération d’indicateurs

de défauts. Un indicateur de défauts, nommé aussi résidu, représente un écart entre les gran-
deurs mesurées et estimées. Il permet à partir de sa valeur de différencier un fonctionnement
normal, d’un dysfonctionnement. Dans des conditions réelles et en l’absence de défaut, ces
indicateurs évoluent dans un voisinage de zéro. Un défaut se traduira par un écart significatif
des résidus de leurs valeurs nominales.
• Étape de détection : C’est l’étape qui permettre de décider si le système est soumis à un
défaut ou non. Il est à noter qu’il ne suffit pas de tester la non nullité des résidus pour décider
de la présence d’un défaut, car, en pratique, les grandeurs mesurées sont toujours entachées
de bruits et le système à surveiller est toujours soumis à des perturbations, de sorte que les
résidus peuvent êtres non nuls en absence de défaut. Par conséquent, la détection de défauts
fait le plus souvent appel aux tests statistiques ou, tout simplement, est réalisée en vérifiant

le dépassement d’un seuil par les résidus.
• Étape de localisation : Cette étape permet, à partir des résidus détectés non nuls sta-
tistiquement, de localiser le défaut et donc de déterminer l’endroit du système où se trouve
l’anomalie (i.e. déterminer le ou les composants défaillants), d’évaluer son importance et de
chercher sa cause éventuelle. La procédure de localisation nécessite donc l’utilisation d’un
ensemble (ou vecteur) de résidus, qui doivent avoir des propriétés permettant de caractériser
de manière unique chaque défaut.
• Étape de prise de décision : C’est la dernière étape de la tâche de diagnostic. Elle permet
de décider de la marche à suivre, afin de conserver les performances du système surveillé.
Cette étape doit permettre, à partir des informations fournies par les étapes précédentes, de
générer les actions correctrices au système, de sorte qu’il retourne au fonctionnement normal
(après un changement dans la consigne et/ou la loi de commande), ou qu’il mis en mode
dégradé ou arrêté, afin de préserver son intégrité et/ou son environnement.
En résumé, quelle que soit la méthode employée, la procédure de diagnostic comprend deux
principales étapes, une étape de génération de résidus et une étape d’évaluation de résidus.
1.6 Critères de performances d’un système de diagnostic
D’une manière générale, un système de diagnostic nécessite plusieurs critères de performances

parmi lesquels on site :
• La détectabilité : Représente l’aptitude du système de diagnostic à pouvoir déceler la

présence d’une défaillance ou d’un défaut dans le procédé.
• L’isolabilité : Indique la capacité du système de diagnostic à remonter directement à l’origine

du défaut.
• La sensibilité : Décrire l’aptitude du système à détecter des défauts d’une certaine ampli-
tude. Elle dépend de la structure du système ainsi que du rapport de l’amplitude du bruit de
mesure avec celle du défaut.
• La robustesse : Caractérise la capacité du système à détecter des défauts indépendamment

des erreurs de modélisation et des perturbations extérieures.
• La rapidité de détection : C’est un impératif à prendre en compte lorsque le diagnostic

doit être établit en temps réel.

Chapitre 2
Méthodes de diagnostic de défauts
2.1 Introduction
Les différentes méthodes de diagnostic ont pour principe de comparer le fonctionnement réel du
système à une référence, afin d’illustrer son fonctionnement normal ou son dysfonctionnement. Ces
méthodes se distinguent par rapport au type d’informations disponibles pour décrire le compor-
tement dynamique du système à surveiller. En effet, elles peuvent être classifiées en deux grandes
familles. Dans la première famille de méthodes, nommées : méthodes quantitatifs, la redondance
d’informations et la connaissance fournie par le modèle mathématique sont utilisées afin de ca-
ractériser le mode de fonctionnement ou l’état du système, et de confirmer ou d’infirmer l’existence
du défaut. La deuxième famille de méthodes, appelées également : méthodes qualitatifs, exploite
les techniques d’intelligence artificielle basées sur l’analyse de données fournies par des expériences
passées sur le système, permettant ainsi de décider de son état de fonctionnement.
Un panorama général des différentes méthodes de diagnostic est présenté dans la Figure 2.1.
2.2 Méthodes quantitatifs (à base de connaissances)
Le principe des méthodes à base de connaissances consiste à comparer le comportement réel du

système avec le comportement d’un modèle de référence, établi en fonctionnement normal de celui-
ci. Ainsi, selon la considération des mesures prises isolément les unes des autres, ou la présupposition
des relations mathématiques les reliant, ces méthodes se répartissent en deux grandes classes. La
première classe est dénommée analyse mono-signal, tandis que la deuxième est appelée analyse
– 12 –
Chapitre 2. Méthodes de diagnostic de défauts Module. Diagnostic des systèmes
Figure 2.1: Classification des méthodes de diagnostic.
multi-signaux (ou redondance analytique).
2.2.1 Méthodes mono-signal
Les méthodes mono-signal se reposent sur les techniques de traitement du signal. Ainsi, dans
le but d’extraire des informations révélatrices de défauts, ces méthodes se basent sur l’étude des
signaux, pris isolément les uns des autres.
2.2.1.1 Redondance matérielle (ou physique)
La redondance physique consiste à utiliser plusieurs actionneurs, capteurs, processeurs et lo-

giciels pour mesurer et/ou contrôler une variable particulière. L’utilisation du principe de vote
sur les valeurs redondantes permet de décider l’existence ou non, des déviations par rapport à
un état normal. Cette méthode est très largement utilisée dans l’industrie, notamment dans des
installations critiques (comme l’aérospatiale et le nucléaire). Bien qu’elle est simple à implanter
et s’avère extrêmement fiable, cependant, cette approche entraı̂ne un coût important en instru-
mentation et permet l’augmentation de la probabilité de pannes, donc d’un besoin de maintenance
supplémentaire.
2.2.1.2 Seuillage
Afin de détecter les défauts, les mesures doivent être comparées à des seuils critiques définis
par avance. Le fait de dépasser un seuil présente des risques sur le fonctionnement du processus.
Dans plusieurs systèmes, deux niveaux limites sont définis : le premier niveau permet seulement

à l’avertissement préalable de la présence d’un défaut, tandis que dans le deuxième niveau, des
mesures d’urgence sont déclenchées.
2.2.1.3 Analyse spectrale
Dans un état de fonctionnement normal, certaines mesures ont un spectre typique de fréquence ;
toute déviation de celui-ci se traduit par une anomalie. Certains types de défaillances peuvent même
caractérisées par une signature spécifique dans le spectre, ce qui peut être très utile pour l’isolation
de défauts. Cette méthode est bien adoptée pour l’analyse des signaux ayant des oscillations avec
des périodes longues (les pressions, les débits...). Lorsque les fréquences représentatives de défauts
sont connues, il est préférable d’utiliser l’une des méthodes suivantes : auto-corrélation, densité
spectrale des signaux, transformée de Fourier ou ondelettes. Dans le cas contraire, les fréquences
caractéristiques et les valeurs moyennes des paramètres peuvent être estimées en ligne par l’utili-
sation des modèles paramétriques de signaux.
2.2.1.4 Approches statistiques
Les approches statistiques se basent sur l’hypothèse de changements rapides (et non pas sur
l’amplitude) des caractéristiques du signal ou des paramètres du modèle, d’où la nécessite du
calcul des paramètres statistiques (tels que la moyenne, la variance, ...etc) de certaines variables
significatives du processus, afin de détecter la présence d’un défaut.
2.2.2 Méthodes multi-signaux
En se basant sur le concept de la redondance analytique, ces méthodes utilisent plus d’informa-
tion que celles apportées par les capteurs physiques pour générer les estimées de quelques grandeurs
du système. Afin de remplir la fonction du diagnostic, ces variables estimées sont utilisées avec les
mesures prélevées du système. Pour procéder à la synthèse d’un schéma de diagnostic à base de
modèle, on doit d’abord avoir le modèle mathématique le plus précis que possible du système à
surveiller (voir Figure 2.2).
2.2.2.1 Méthodes par espace de parité (ou équations de redondance)
L’objectif de la méthode de diagnostic par espace de parité est la vérification de la cohérence

entre les relations mathématiques du système à surveiller et les mesures issues des capteurs et des
entrées connues (consignes, signal de commande,..). Cette approche a été développée initialement
pour le cas statique, ensuite elle été généralisée pour le cas des systèmes dynamiques. Elle est
applicable également pour les systèmes déterministes et stochastiques. Une relation de parité (ou

Figure 2.2: Architecture générale du diagnostic de défauts à base de modèles.
de redondance analytique) est une équation dans laquelle toutes les variables sont connues. La
génération de telles relations permet d’engendrer des résidus. Si ces résidus sont statistiquement
nuls, les mesures sont cohérentes par rapport au modèle, le système est déclaré sans défaut. Un
résidu non nul implique l’existence d’un défaut.
2.2.2.2 Méthodes à base d’observateurs
Le principe de base de ces méthodes consiste à estimer la sortie du système à partir des variables
mesurées (ou une partie de ces variables) soit par un observateur de Luenberger ou à entrées in-
connues (unknown input observer) dans le cadre déterministe, soit par un filtre de Kalman dans le
contexte stochastique. Les résidus sont généralement générés en formant les différences entre les sor-
ties estimées et les sorties réelles. Ces résidus doivent servir d’indicateurs fiables du comportement
du processus. La flexibilité de ces approches réside dans le choix du gain des observateurs.
2.2.2.3 Méthodes par estimation paramétrique
Cette approche considère que l’influence de défauts se reflète sur les paramètres physiques et
non pas uniquement, comme le cas des observateurs, sur les variables du système. L’idée princi-
pale est d’estimer en temps réel des paramètres du procédé (e.g. masse, coefficient de viscosité,
...etc.) en utilisant les mesures d’entrées/sorties. Le vecteur de résidus est obtenu donc en faisant la
différence entre les grandeurs estimées et les valeurs nominales. Autrement dit, tout écart notable
des paramètres estimés par rapport aux valeurs nominales est révélateur d’un défaut.

2.3 Méthodes qualitatifs (à base de données)
Contrairement aux méthodes à base de connaissances, celles à base de données reposent sur
l’exploitation d’une base de connaissance symbolique (basée sur le savoir et l’expérience d’opérateur
humain ayant une parfaite maı̂trise du système à surveiller) et nécessitent l’existence d’un large
éventail de données historiques (base de connaissances numériques) correspondant aux divers modes
de fonctionnement de l’installation. L’objectif de ces approches est alors de construire un modèle
ajusté sur les données collectées, et la principale difficulté va donc être de définir non seulement la
structure appropriée du modèle, mais aussi le calage approprié entre ce modèle et le système. Suivant
ce type d’approches, on retrouve l’ensemble des méthodes basées sur l’intelligence artificielle, à
savoir : la reconnaissance de formes, les réseaux de neurones, les systèmes d’inférence floue et les
systèmes experts.
2.3.1 Reconnaissance de formes (RdF)
Cette approche consiste à effectuer une classification automatique d’objet suivant sa ressem-
blance par rapport à un objet de référence, c’est-à-dire, de décider à quelle classe d’objets connus,
l’objet observé, appelé également forme, doit être affecter. Dans un problème de diagnostic, une
classe est formée par l’ensemble d’observations caractérisant une situation ou un mode de fonction-
nement de processus : par exemple, la classe C1 peut être liée au fonctionnement normal du procédé,
la classe C2 pour le fonctionnement dégradé et la classe C3 pour le fonctionnement défaillant. Le
diagnostic consiste à associer toute nouvelle observation à une classe, autrement dit, de décider,
après avoir observé un objet, à quelle classe type celui-ci ressemble la plus. Ce problème revient
donc à la détermination des frontières entre classes et l’affectation de chaque forme à la classe qui
lui convient. Le calcul de l’erreur de classification peut être choisi comme un critère de décision pour
assigner une forme à une classe et de déterminer avec quelle confiance est effectuée cette décision.
2.3.2 Réseaux de neurones artificiels (RNA)
Un réseau de neurone est un modèle de calcul dont la conception est schématiquement ins-
pirée du fonctionnent de vrais neurones humaines. En effet, un RNA est un système informatique
constitué d’un nombre de processeurs élémentaires (nœuds) interconnectés entre eux qui traite l’in-
formation qui lui arrive à partir des signaux extérieurs. La synthèse du RNA repose sur plusieurs
étapes : le choix du type de réseau, du type de neurones, du nombre de couches et des méthodes
d’apprentissage.
Pour le diagnostic à base de réseaux de neurones, un nombre suffisant d’exemples de fonction-
nement normal et défaillant doivent être disposés afin de pouvoir les apprendre. Pendant la phase

d’apprentissage, les nouveaux exemples sont présentés au réseau en entrée avec les diagnostics cor-
respondants à la sortie. Ainsi, le réseau s’auto-organise en apprenant à relier les exemples montrés
aux diagnostics. Après l’apprentissage, le réseau ne reconnaı̂t pas seulement les exemples appris,
mais également des paradigmes leur ressemblant, à qui correspond à une certaine robustesse par
rapport aux déformations de signaux par le bruit.
2.3.3 Systèmes d’inférence floue (SIF)
La relation mathématique qui existe entre un défaut et ses symptômes est la plus souvent
difficile à obtenir. Toutefois, l’expérience d’opérateur humain, ayant une bonne maı̂trise du système,
parait précieuse dans la détermination, sur base de leur observations, de l’élément défaillant qui
est à l’origine d’un comportement qu’il est jugé anormal. Ce type de savoir peut être exprimé
avec une liste de règles de la forme : SI (condition) ALORS (conclusion), où la partie condition
comporte les symptômes observés et la partie conclusion concerne l’élément défaillant. L’idée est
alors de construire un dispositif, appelé système d’inférences floues, capable d’imiter les prises de
décisions d’un opérateur humain à partir de règles verbales traduisant ses connaissances relatives
à un processus donné. Les formalismes les plus utilisés pour les SIF sont ceux de Mandani et de
Takagi-Sugeno.
2.3.4 Systèmes experts
Un système expert est un système informatique employé pour résoudre un problème donné
à partir d’une analyse, d’une représentation des connaissances et du raisonnement d’un ou de
plusieurs spécialistes de ce problème. Il utilise notamment une information heuristique afin de lier
les symptômes aux défauts. A partir de l’ensemble des symptômes existants, il déduit toutes les
conclusions possibles, élabore de nouvelles hypothèses et approfondit son diagnostic en se servant
des informations supplémentaires collectées sur le système à surveiller. Les systèmes experts sont
composés de deux parties indépendantes : une base de connaissances et un moteur d’inférence.
La base de connaissances peut être subdivisée en deux groupes : la base de faits et la base de
règles. La base de faits représente l’état du système observé. La base de règles est un ensemble de
règles logiques qui permettent de déduire de nouveaux faits à partir des prémisses (i.e. d’autres
faits déjà établis). Le moteur d’inférence représente l’organe de résolution, il permet la sélection de
règles dans la base de connaissance en fonction des faits établis, la résolution des conflits entre les
règles sélectionnées, et l’exécution en indiquant les conditions de déclenchement et les conséquences
jusqu’à ce que le but recherché (le diagnostic par exemple) soit atteint.

Chapitre 3
Diagnostic à base d’observateurs
3.1 Introduction
Le problème de l’estimation de l’état d’un système est d’une importance pratique considérable,
que ce soit pour la mise en œuvre d’une loi de commande ou pour l’élaboration d’une stratégie
de diagnostic. L’observateur revient à un modèle parallèle au système avec une contre réaction
qui pondère l’écart de sortie. Le principe du diagnostic de défauts basé sur les observateurs est de
reconstruire une partie ou l’ensemble de sortie du système à partir des grandeurs accessibles du
procédé. Les résidus sont généralement générés en formant les différences (éventuellement filtrées)
entre les sorties estimées et les sorties réelles (voir Figure 3.1). Dans ce qui suit, on s’intéresse aux
approches de diagnostic via l’observateur de Luenberger, à entrées inconnues, et à base du filtre de
Kalman.
3.2 Diagnostic à l’aide de l’observateur de Luenberger
3.2.1 Synthèse de l’observateur
Soit le système linéaire décrit par la représentation d’état suivante :


ẋ(t) = Ax(t) + Bu(t) + Fx f (t), x(0) = x0

(3.1)

y(t) = Cx(t) + F f (t)
y
– 18 –
Chapitre 3. Diagnostic à base d’observateurs Module. Diagnostic des systèmes
Figure 3.1: Principe de la génération de résidus à base d’observateur.
où x(t) ∈ Rn , y(t) ∈ Rp et u(t) ∈ Rm sont, respectivement, les vecteurs : d’état, de sorties et
d’entrées du système, et f (t) ∈ Rqf est un vecteur inconnu représentant l’effet de défauts, distribués
via les matrices constantes connues Fx et Fy .
L’objectif ici est de synthétiser un vecteur de résidus r(t) sur la base de ce modèle de sorte que
ces résidus soient nuls en état normal (i.e. r(t) = 0 si f (t) = 0) et différents de zéro en présence de
défauts (i.e. r(t) 6= 0 si f (t) 6= 0)
Supposons que la paire (A, C) est observable, l’observateur d’état de Luenberger est donné
comme suit : 
˙
x̂(t)

= Ax̂(t) + Bu(t) + L (y(t) − ŷ(t)) , x̂(0) = x̂0
(3.2)

ŷ(t) = C x̂(t)
où L représente la matrice de gain de l’observateur. Elle est calculée de telle sorte que l’état estimé
x̂(t) tends vers l’état réel x(t) du système quand t → ∞, quels que soient les états initiaux x(0) et
x̂(0).
La dynamique de l’erreur d’estimation sur l’état ex (t) = x(t) − x̂(t) peut s’écrire de la façon
suivante :
˙
ėx (t) = ẋ(t) − x̂(t)
(3.3)
= Ax(t) + Bu(t) + Fx f (t) − Ax̂(t) − Bu(t) − Ly(t) − Lŷ(t)
En utilisant le fait que y(t) = Cx(t) + Fy f (t) et ŷ(t) = C x̂(t), il vient :
ėx (t) = (A − LC) ex (t) + (Fx − LFy ) f (t) (3.4)
En l’absence de défaut (i.e. f (t) = 0), l’équation (3.4) devient : ėx (t) = (A − LC) ex (t). Afin de
rendre lim ex (t) = 0 , la matrice de gain L est calculée d’une façon que la matrice (A − LC) soit
t→∞

stable.
On s’intéresse maintenant à la matrice de transfert reliant les défauts f (t) à l’erreur d’estimation
de l’état ex (t). Supposons que les conditions initiales sont nulles, la transformée de Laplace de (3.4)
peut être écrite comme suit :
sex (s) = (A − LC) ex (s) + (Fx − LFy ) f (s) (3.5)
Ce qui implique que :

ex (s) = [sI − (A − LC)]−1 (Fx − LFy ) f (s) (3.6)
On remarque que cette erreur est liée directement aux défauts f (s). Alors, elle pourrait être
utilisée pour générer un vecteur de résidus. Cependant, l’écart ex (t) ne peut être exploité directe-
ment, tant que le vecteur d’état n’est pas complètement connu. Pour éviter ce problème, on utilise
l’erreur d’estimation en sortie ey (t), elle s’écrit :
ey (s) = y(s) − ŷ(s)
= Cx(s) + Fy f (s) − C ŷ(s) (3.7)
= Cex (s) + Fy f (s)
En remplaçant (3.6) dans (3.7), on trouve :
ey (s) = Gf (s)f (s) (3.8)
où Gf (s) = C [sI − (A − LC)]−1 (Fx − LFy ) + Fy .
3.2.2 Structuration de résidus
D’après (3.8), il est clair que l’écart ey (t) est sensible aux défauts. Donc, il peut être exploité pour
construire un vecteur indicateur de défauts (résidus). Considérons le vecteur de résidus suivant :
r(s) = ey (s) = Gf (s)f (s) (3.9)
A partir de la formule de r(s), on peut facilement détecter les défauts, c’est-à-dire s’il y a des défauts
ou non. Toutefois, les éléments de la matrice Gf (s) étant non nuls, il est impossible de localiser
ces défauts. Donc, l’équation (3.9) ne peut pas être implémentée directement. Afin de résoudre ce
problème, le vecteur de résidus doit être structuré en utilisant une matrice de paramétrisation Q(s)
stable (voir Figure 3.2), tel que :

Figure 3.2: Structuration de résidus à l’aide de l’observateur de Luenberger.
r(s) = Q(s)ey (s) = Q(s)Gf (s)f (s) (3.10)
où Q(s) doit vérifier la condition : Q(s)Gf (s) 6= 0.

Afin d’assurer la localisation de défauts, la matrice Q(s) doit être choisie de façon que Q(s)Gf (s)
soit diagonale. Dans le cas où Gf (s) est inversible et son inverse est stable, le choix intuitif Q(s) =
Gf (s)−1 , conduisant à r(s) = f (s), peut être considéré.
3.3 Diagnostic à l’aide de l’observateur à entrées inconnues (Uknown Input

Observer)
3.3.1 Synthèse de l’observateur
Le principe de construction d’un observateur à entrées inconnues consiste à rendre l’erreur

d’estimation indépendante des perturbations non mesurables. Considérons le modèle d’état linéaire
suivant : 
ẋ(t) = Ax(t) + Bu(t) + Fx f (t) + Dx d(t), x(0) = x0

(3.11)

y(t) = Cx(t) + F f (t)
y
où Dx représente la matrice de distribution des perturbations d(t) ∈ Rqd .

L’objectif dans cette section est de concevoir un vecteur de résidus r(t) sur la base de ce modèle,
tel que r(t) soit insensible aux entrées inconnues d(t) et sensible aux défauts f (t).
Le principe de base de l’observateur à entrées inconnues est l’emploi d’une transformation T ,
telle que z = T x ∈ Rqf soit l’estimation d’une combinaison linéaire de l’état. La méthode consiste

alors à estimer la variable z à l’aide de l’observateur suivant :


ż(t) = M z(t) + N u(t) + P y(t)

(3.12)
x̂(t) = z(t) − L y(t)

y
où M , N , P et Ly sont des matrices inconnues de dimensions adéquates, qui vont être déterminées
de façon que l’erreur d’estimation ex (t) = x̂(t) − x(t) converge asymptotiquement vers zéro (i.e.
x̂(t) → x(t) quand t → ∞), malgré la présence des perturbations. Cette erreur peut s’écrire comme
suit :
ex (t) = z(t) − Ly y(t) − x(t)
= z(t) − (I + Ly C) x(t) − Ly Fy f (t) (3.13)
= z(t) − Ex(t) − Ly Fy f (t)
où E = I + Ly C.
La dynamique de ex (t) s’écrit donc :
ėx (t) =ż(t) − E ẋ(t) − Ly Fy f˙(t)
=M ex (t) + (M E + P C − EA) x(t) + (N − EB) u(t) (3.14)
+ (M Ly Fy + P Fy − EFx ) f (t) − Ly Fy f˙(t) − EDx d(t)
Si les conditions suivantes sont satisfaites :


M est stable










M E + P C = EA




N = EB

(3.15)



EDx = 0




M Ly Fy + P Fy − EFx 6= 0







Ly Fy 6= 0

alors, la dynamique de l’erreur d’estimation devient sensible seulement qu’aux défauts :
ėx (t) = M ex (t) + (M Ly Fy + P Fy − EFx ) f (t) − Ly Fy f˙(t) (3.16)
La résolution du système (3.15) consiste, d’abord, à calculer la matrice Ly qui assure la condition
de découplage des entrées inconnues : EDx = 0, avec E = I + Ly C, d’où : Ly CDx = −Dx . Si la
h i−1
pseudo-inverse de CDx , notée (CDx )+ = (CDx )T (CDx ) (CDx )T , existe, Ly peut être calculée

de la manière suivante :
h i−1
Ly = −Dx (CDx )+ = −Dx (CDx )T (CDx ) (CDx )T (3.17)
Une condition nécessaire pour l’existence d’un tel observateur est donnée par la condition de
rang suivante :
rang (CDx ) = rang (Dx ) = qd < p (3.18)
où qd représente le nombre d’entrées inconnues. Cette condition signifie que pour pouvoir construire
un observateur à entrées inconnues, le nombre de sorties p doit être supérieur aux entrées inconnues
à découpler. La synthèse de l’observateur peut être résumée comme suit :
1. Vérifier que : rang (Dx ) = qd < p, puis calculer Ly à partir de (3.17).
2. Calculer E = I + Ly C à partir de Ly .
3. Calculer N = EB à partir de E.
4. Imposer que M soit une matrice de Hurwitz. Afin de faciliter les calculs, en faisant apparaitre
explicitement les valeurs propres désirées pour l’observateur, M peut être choisie comme une
matrice diagonale.
5. Calculer la matrice P , telle que : P C = EA − M E.
3.3.2 Structuration de résidus
On calcul maintenant la matrice de transfert reliant les défauts f (t) à l’erreur d’estimation en
sortie ey (t). Supposons que H1 = M Ly Fy + P Fy − EFx et H2 = −Ly Fy , la transformée de Laplace
de (3.16) peut s’exprimer par :
sex (s) = M ex (s) + H1 f (s) + sH2 f (s) (3.19)
Ce qui implique que :

ex (s) = (sI − M )−1 (H1 + sH2 ) f (s) (3.20)
L’erreur d’estimation en sortie ey (t) s’écrit comme suit :
ey (s) = ŷ(s) − y(s)
= C (x̂(s) − x(s)) − Fy f (s) (3.21)
= Cex (s) − Fy f (s)

A partir de (3.20) et (3.21), il en résulte que :
0
ey (s) = Gf (s)f (s) (3.22)
0
où Gf (s) = C (sI − M )−1 (H1 + sH2 ) − Fy , H1 = M Ly Fy + P Fy − EFx et H2 = −Ly Fy .
Dans le but de faciliter la localisation de défauts, on utilise une matrice de transfert Q(s) stable,
permettant de structurer le vecteur de résidus r(s), de façon que :
0 0
r(s) = Q(s)ey (s) = Q(s)Gf (s)f (s), Q(s)Gf (s) 6= 0 (3.23)
Figure 3.3: Génération de résidus à l’aide de l’observateur à entrées inconnues.
3.4 Diagnostic à l’aide du filtre de Kalman
3.4.1 Position du problème
Considérons le système linéaire stochastique suivant :


x(k + 1) = Ax(k) + Bu(k) + w(k)

(3.24)

y(k) = Cx(k) + v(k)
où x(k) ∈ Rn est le vecteur d’état, u(k) ∈ Rm est le vecteur d’entrées, y(k) ∈ Rp est le vecteur de
sorties, w(k) ∈ Rq et v(k) ∈ Rp sont, respectivement, des bruits affectant l’état et les mesures du
système.
Hypothèse 3.1. On suppose que :

1. La paire (A, C) est détectable.
2. Les propriétés statistiques de l’état initial x(0) sont :
h i
x̄0 = E [x(0)] (moyenne), et P0 = E (x(0) − x̄0 ) (x(0) − x̄0 )T (variance)
3. Les signaux w(k) et v(k) sont des bruits pseudo-blancs gaussiens centrés de matrices de
covariance W et V respectivement, c’est-à-dire :
E [w(k)] = 0, et E [v(k)] = 0 (centrés) (3.25)
E w(k)w(i)T = W δ (k − i) , et E v(k)v(i)T = V δ (k − i) (stationnaires)

(3.26)
où W ≥ 0, V > 0, et δ (k − i) ; avec δ = 1 pour k = i et δ = 0 pour k 6= i.
4. L’état initial x(0), le bruit de système w(k) et le bruit de mesures v(k) sont mutuellement
indépendants, tels que :
E x(0)w(k)T = 0, E x(0)v(k)T = 0, et E w(k)v(i)T = 0

(3.27)
3.4.2 Filtre de Kalman estimateur
Étant donné le modèle dynamique et connaissant les entrées et les sorties jusqu’à l’instant actuel
k, c-à-d, Y (k) = {u(i), y(i) |i ≤ k }, l’objectif est de chercher un estimé linéaire x̂ (k |k ) de x(k) qui
est à variance minimale, en d’autres termes, qui minimise la trace de la matrice de covariance
h i
P (k |k ) = E e (k |k ) e (k |k )T de l’erreur d’estimation e (k |k ) = x (k) − x̂ (k |k ).
Le filtre de Kalman estimateur est un filtre récursif, qui est déterminé en deux étapes dénommées :
prédiction et estimation, en utilisant la relation de récurrence reliant l’estimé future x̂ (k + 1 |k + 1 )
à l’estimé à l’instant précédente x̂ (k |k ) et aux mesures collectées à l’instant k + 1 (i.e. u (k + 1) et
y (k + 1)).
étape 1 étape 2
x̂ (k |k ) −−−−−−→ x̂ (k + 1 |k ) −−−−−−→ x̂ (k + 1 |k + 1 )
Prédiction Estimtaion
où x̂ (k + 1 |k ) est l’estimé a priori et x̂ (k + 1 |k + 1 ) est l’estimé a posteriori.
3.4.2.1 Étape de prédiction
Étant donné l’estimé x̂ (k |k ) avec les mesures jusqu’à l’instant k, l’idée de cette étape consiste
à prédire l’état x (k + 1) en utilisant le modèle stochastique :
x̂ (k + 1 |k ) = Ax̂ (k |k ) + Bu(k) (3.28)

avec ŷ (k + 1 |k ) = C x̂ (k + 1 |k ).
A l’instant k, l’erreur d’estimation e (k |k ) = x (k) − x̂ (k |k ) était caractérisée par P (k |k ) =
h i
T
E e (k |k ) e (k |k ) . Ainsi, à l’instant k + 1, l’erreur de prédiction e (k + 1 |k ) = x (k + 1) −
x̂ (k + 1 |k ) sera caractérisée par :
h i
P (k + 1 |k ) = E e (k + 1 |k ) e (k + 1 |k )T
(3.29)
T
= AP (k |k ) A + W
3.4.2.2 Étape d’estimation (Recalage)
Cette étape consiste à établir les relations reliant l’estimé à posteriori x̂ (k + 1 |k + 1 ) à l’estimé
à priori x̂ (k + 1 |k ), en utilisant les mesures à l’instant k + 1. Donc, on cherche un estimateur
linéaire, permettant le recalage de la prédiction avec l’innovation via un gain de filtre :
x̂ (k + 1 |k + 1 ) = x̂ (k + 1 |k ) + Ke (k + 1) (y(k + 1) − C x̂ (k + 1 |k )) (3.30)
| {z } | {z }
Gain du filtre Innovation γ(k+1)
| {z }
Terme de correction
Définissons l’erreur d’estimation à posteriori e (k + 1 |k + 1 ) avec sa covariance P (k + 1 |k + 1 ),

telle que :
e (k + 1 |k + 1) = x (k + 1) − x̂ (k + 1 |k + 1 )
(3.31)
= (I − Ke (k + 1)C) (x (k + 1) − x̂ (k + 1 |k )) − Ke (k + 1)v(k + 1)
et
h i
P (k + 1 |k + 1 ) =E e (k + 1 |k + 1 ) e(k + 1 |k + 1 )T
= (I − Ke (k + 1)C) P (k + 1 |k ) (I − Ke (k + 1)C)T + Ke (k + 1)V KeT (k + 1)
=P (k + 1 |k ) − Ke (k + 1)CP (k + 1 |k ) − P (k + 1 |k ) C T KeT (k + 1)
+ Ke (k + 1) CP (k + 1 |k ) C T + V KeT (k + 1)

(3.32)
Le gain de Kalman Ke (k + 1) est déterminé en minimisant le critère J = trace (P (k + 1 |k + 1 )) :
∂J
= −2P (k + 1 |k ) C T + 2Ke (k + 1) CP (k + 1 |k ) C T + V

(3.33)
∂Ke (k + 1)
Ce qui nous donne :
−1
Ke (k + 1) = P (k + 1 |k ) C T CP (k + 1 |k ) C T + V (3.34)

En remplaçant (3.34) dans (3.32), on obtient :
P (k + 1 |k + 1 ) = (I − Ke (k + 1)C) P (k + 1 |k ) (3.35)
Pour une application en temps réel des récurrences précédentes, le filtre de Kalman peut être
implémenté selon l’algorithme suivant :
Algorithme 1 : Filtre de Kalman estimateur.

1. Initialisation
- x̂ (0 |0 ) = x̄0 est la prédiction initiale.
- P (0 |0 ) = P0 est la covariance de l’erreur de prédiction initiale.
2. Pour chaque instant d’échantillonnage k > 0 faire :
— Prédiction
x̂ (k + 1 |k ) = Ax̂ (k |k ) + Bu(k)
P (k + 1 |k ) = AP (k |k ) AT + W
— Estimation
−1
Ke (k + 1) = P (k + 1 |k ) C T CP (k + 1 |k ) C T + V
x̂ (k + 1 |k + 1 ) = x̂ (k + 1 |k ) + Ke (k + 1) (y(k + 1) − C x̂ (k + 1 |k ))
P (k + 1 |k + 1 ) = P (k + 1 |k ) − Ke (k + 1)CP (k + 1 |k )
3. Fin pour.
3.4.3 Filtre de Kalman prédicteur
L’objectif ici est de chercher un estimé linéaire x̂ (k |k − 1 ) de x(k) qui minimise la trace de la
matrice de covariance P (k |k − 1 ) de l’erreur de prédiction e (k |k − 1 ) = x (k) − x̂ (k |k − 1 ).
Le filtre de Kalman prédicteur est un filtre récursif, qui est déterminé directement, en utilisant
la relation de récurrence reliant x̂ (k + 1 |k ) à l’estimé à l’instant précédente x̂ (k |k − 1 ) et aux
mesures collectées à l’instant k (i.e. u(k) et y(k)).
Prédiction
x̂ (k |k − 1 ) −−−−−−→ x̂ (k + 1 |k )
directe
L’algorithme d’implémentation correspondant se donne sous la forme :

Algorithme 2 : Filtre de Kalman prédicteur.

1. Initialisation
- x̄0 est la prédiction initiale.
- P0 est la covariance de l’erreur de prédiction initiale.
— Prédiction
x̂ (k + 1 |k ) = Ax̂ (k |k − 1 ) + Bu(k) + Kp (k + 1) (y(k) − C x̂ (k |k − 1 ))

| {z }
Innovation γ(k)
−1
Kp (k + 1) = AKe (k) = AP (k |k − 1 ) C T CP (k |k − 1 ) C T + V
P (k + 1 |k ) = AP (k |k − 1 ) AT − Kp (k + 1)CP (k |k − 1 ) AT + W
3. Fin pour.
Remarque 3.1. Le filtre de Kalman prédicteur peut être obtenu à partir du filtre de Kalman
estimateur, en remplaçant les équations d’estimation dans celles de prédiction.
3.4.4 Propriétés statistiques du filtre de Kalman
1. Le filtre de Kalman est un estimateur non biaisé, c.-à-d. E [e (k |k )] = 0 et E [e (k + 1 |k )] = 0.
2. Les erreurs de prédiction e (k − 1 |k ) et d’estimation e (k |k ) sont des séquences aléatoires

gaussiennes.
3. A partir de (3.29) et (3.35), il est clair que :
P (k |k ) < P (k |k − 1) ⇒ E e (k |k ) eT (k |k ) < E e (k |k − 1) eT (k |k − 1 )

Donc, la prise en compte de la mesure y(k) dans l’estimation x̂ (k |k ) améliore la qualité de

la prédiction x̂ (k |k − 1 ).
4. La séquence d’innovation γ (k) = y(k) − C x̂ (k |k − 1 ) est un bruit blanc gaussien ayant les
propriétés :
h i h i
E [γ (k)] = 0, E γ (k) γ(k)T = CP (k |k − 1 ) C T + V et E γ (k) γ(i)T = 0 si k 6= i
3.4.5 Stabilité du filtre de Kalman
Le filtre de Kalman est stable si pour des conditions initiales données et pour des entrées bornées,
l’estimateur x̂ (k + 1 |k + 1 ) et le prédicteur x̂ (k + 1 |k ) restent bornés.

Afin de réduire la complexité temporelle du filtre de Kalman, une version stationnaire peut
être utilisée avec un temps d’exécution plus rapide. Pour cela, les conditions de stabilité suivantes
doivent être satisfaites avant de passer à l’implémentation en temps réel :
1. La paire (A, C) est détectable (observable).
2. La paire (A, H) est stabilisable (commandable), où la matrice carrée H est choisie telle que :
HH T = W .
En régime permanent (lorsque k → ∞) et sous ces deux conditions de stabilité, il en résulte

que :
lim P (k + 1 |k ) = P∞ ,
k→∞
lim Ke (k + 1) = Ke∞ (Estimateur),

k→∞
lim Kp (k + 1) = Kp∞ (Prédicteur).

k→∞
où P∞ , Ke∞ et Kp∞ sont des matrices constantes.
3.4.6 Filtre de Kalman stationnaire
La satisfaction de toutes les conditions ci-dessus permet la synthèse d’un filtre de Kalman
stationnaire. D’abord, il faut calculer la matrice de covariance P∞ en résolvant l’équation algébrique
de Riccati discrète (DARE) suivante :
−1
P∞ = AP∞ AT − AP∞ C T CP∞ C T + V CP∞ AT + W (3.36)
Une fois cette matrice est calculée, on passe au calcul du gain constant du filtre estimateur Ke∞
ou prédicteur Kp∞ :
−1
Ke∞ = P∞ C T CP∞ C T + V (3.37)
−1
Kp∞ = AP∞ C T CP∞ C T + V (3.38)
Par la suite, l’implémentation des deux filtres de Kalman stationnaires estimateur et prédicteur se
fait comme suit :
Algorithme 3 : Filtre de Kalman stationnaire.

1. Initialisation
- x̄0 est la prédiction initiale.
- P0 est la covariance de l’erreur de prédiction initiale.

— Filtre estimateur
x̂ (k + 1 |k + 1 ) = Ax̂ (k |k ) + Bu(k) + Ke∞ (y(k + 1) − C (Ax̂ (k |k ) + Bu (k)))

| {z }
γ(k+1)
— Filtre prédicteur
x̂ (k + 1 |k ) = Ax̂ (k |k − 1 ) + Bu(k) + Kp∞ (y(k) − C x̂ (k |k − 1 ))

| {z }
γ(k)
3. Fin pour.
3.4.7 Application au diagnostic
On considère maintenant le système linéaire stochastique défaillant suivant :

x(k + 1) = Ax(k) + Bu(k) + w(k) + Fx f (k)

(3.39)

y(k) = Cx(k) + v(k) + F f (k)
y
où f (t) ∈ Rqf est le vecteur de défauts. Afin de surveiller le système, on utilise l’erreur d’estimation
en sortie (i.e. la séquence d’innovation) comme un signal indicateur de défaut (résidu) :
r(k) = γ(k) = y(k) − C x̂ (k |k − 1) (3.40)
En absence de défaut, le vecteur de résidus r(k) suit une distribution gaussienne r(k) ∼ N r (k) ,
0, CP (k |k − 1 ) C T + V (voir propriété 4 du filtre de Kalman). L’apparition d’un défaut provoque

un changement de la moyenne (qui devienne non nulle), de la matrice de covariance ou même rend
le résidu non-blanc (coloré) ou non-gaussien. Cette modification peut être détectée en utilisant des
algorithmes de détection de changement basés sur l’analyse des propriétés statistiques du signal
résidu (pour plus de détail, voir la section 6.3 du chapitre 6).
La localisation de défauts avec le filtre de Kalman est plus délicate par rapport aux autres
approches à base d’observateurs (Luenberger et à entrées inconnues). En effet, la construction d’un
banc de filtres de détection, dédié à chaque défaut suspecté, permettant de vérifier la cohérence
des filtres avec les observations réelles, peut résoudre ce problème. Cependant, cette solution peut
entraı̂ner des coûts élevés de calcul.

Chapitre 4
Génération de résidus par espace de parité
4.1 Introduction
L’objectif de la méthode de diagnostic par espace de parité est la vérification de la cohérence

des modèles du procédé avec les mesures issues des capteurs et des entrées connues. En effet,
cette approche consiste à réaliser une redondance analytique entre les entrées et les sorties du
système et cela indépendamment des états du système, ce qui permet de comparer les informations
fournies par plusieurs capteurs avec celles correspondant aux variables calculées à partir des modèles
dynamiques, Cette comparaison se traduit par la génération de variables d’écart appelées résidus.
Lorsque le processus est en état de fonctionnement normal, ces résidus sont nuls ; leur déviation
par rapport à la valeur zéro, indique l’apparition d’un défaut. Il existe deux types de relations de
redondance analytique :
• Redondance statique : elle représente l’ensemble de relations algébriques entre les mesures
issues des différents capteurs.
• Redondance dynamique : c’est l’ensemble d’équations différentielles ou récurrentes entre les

mesures et les entrées du système.
4.2 Redondance statique
Dans un système physique, les variables mesurées sont généralement liées par un ensemble de
relations algébriques. L’objective de la redondance statique est de trouver les relations existantes
entre les mesures fournies par les différents capteurs en utilisant le modèle mathématique du système
– 31 –
Chapitre 4. Génération de résidus par espace de parité Module. Diagnostic des systèmes
de mesure, qui s’écrit de la manière suivante :
y(k) = Cx(k) + Fy f (k) (4.1)
où y(k) ∈ Rp est le vecteur de mesures, C ∈ Rp x n est la matrice d’observation, x(k) ∈ Rn est le
vecteur d’état du système, f (k) ∈ Rqf est le vecteur de défauts, et Fy ∈ Rp x qf est la matrice de
distribution des défauts de capteurs.
Pour détecter la présence de défauts, on cherche à établir des relations de redondance analytique
entre les mesures y(k), qui sont indépendantes des états inconnus x(k), mais qui restent sensibles
aux défauts f (k). Pour ce fait, il faut que : rang (C) < p. Par conséquent, il est possible de trouver
une matrice de projection (de parité) W de dimension (p − rang (C) , p) orthogonale à C (i.e.
W C = 0), permettant d’avoir des relations indépendantes en fonction des mesures. En projetant
l’équation de mesure dans l’espace de parité, c’est-à-dire en multipliant les deux côtés de (4.1) par
W , on obtient :
qf
X
r(k) = W y(k) = W C x(k) + W Fy f (k) =
|{z} Vi fi (k) (4.2)
| {z }
0 i=1
V 6=0
où r(k) est le vecteur de parité de dimension p − rang(C), Vi est le ième vecteur colonne de la
matrice V = W Fy 6= 0. La détection des défauts de capteurs s’effectue selon la valeur du vecteur
de résidus r(k). En absence de défaut, ce vecteur est nul (i.e. r(k) = 0). En cas de présence d’un
défaut fi (k), le vecteur r(k) s’oriente vers la direction de Vi correspondant au vecteur défaillant.
Exemple 4.1 : Considérons l’équation de mesure suivante :
      
y1 (k) 1 0 1 0 f1 (k)
      
y2 (k) = 1 x(k) + 0 0 1 f2 (k)
      
      
y3 (k) 1 1 0 0 f3 (k)
h iT
On a : p = qf = 3, C = 1 1 1 et rang (C) = 1. Donc, l’espace de parité est de dimension
p − rang (C) = 2. Une matrice W peut être choisie en cherchant deux vecteurs orthogonaux à C.
Parmi les solutions existantes, on choisit :
 
1 −1 0
W = 
0 1 −1

Donc, on obtient les deux résidus indépendants :
r1 (k) = y1 (k) − y2 (k)

r2 (k) = y2 (k) − y3 (k)
Le vecteur de résidus r(k) peut s’écrire encore sous la forme :

  
    0 1 0 f1 (k)
r1 (k) 1 −1 0   
r(k) =  =   
0 0 1 f2 (k)
r2 (k) 0 1 −1    
1 0 0 f3 (k)
 
  f1 (k)
0 1 −1  
=  
f2 (k)
−1 0 1  
f3 (k)
ou de même,      
0 1 −1
r(k) =   f1 (k) +   f2 (k) +   f3 (k)
−1 0 1
| {z } |{z} | {z }
V1 V2 V3
L’interprétation géométrique de ces relations de redondance analytique (RRA) est appelée résidu
directionnel. Ce type de résidu est employé afin d’effectuer la localisation de défauts. Il est conçu
de façon que, en réponse à un défaut donné, le vecteur de résidus r(k) soit orienté suivant une
direction bien précise dans l’espace de parité. Dans cet exemple, l’espace de parité est un espace de
dimension 2 (voir Figure 4.1). Le vecteur de résidus se déplacera suivant une direction spécifique à
chacune des défauts.
Figure 4.1: Le résidu directionnel correspondant.
Dans le cas où la matrice C est de rang plein colonne (i.e. rang (C) = n < p), les lignes de

W forment une base de l’espace de parité de dimension p − n. Une façon simple de déterminer la
matrice de parité W est de réarranger l’équation (4.1). En absence de défaut (lorsque f (k) = 0),
la relation (4.1) peut être exprimée de la manière suivante :
   
yn (k) Cn
 =  x(k) (4.3)
yp−n (k) Cp−n
| {z } | {z }
ȳ(k) C̄
où Cn est une matrice carrée inversible composée de n lignes indépendantes de C, et Cp−n est
la matrice obtenue à l’aide de p − n lignes restantes de la matrice C. Afin d’obtenir une relation
indépendante du vecteur d’état inconnu, permettant au même temps de vérifier la cohérence des
mesures, l’équation (4.3) est reformulée de la façon suivante :
yp−n (k) = Cp−n Cn−1 yn (k) (4.4)

| {z }
x(k)
Ce qui conduit à :
 
h i yn (k)
− Cp−n Cn−1 yn (k) + yp−n (k) = −Cp−n Cn−1 Ip−n   = W ȳ(k) = r(k) = 0 (4.5)
yp−n (k)
h i
où la matrice de parité W = −Cp−n Cn−1 Ip−n ∈ R(p−n) x p est orthogonale à C̄ (i.e. W C̄ = 0).
Exemple 4.2 : Soit l’équation de mesure suivante :
 
−1 4
 
1 0
 
y (k) = 
  x (k)
 1 −1

 
0 3
| {z }
C
On a : rang (C) = 2. Supposons que la matrice C ne subit pas un changement

 d’ordre
 des lignes
−1 4 1 −1
(i.e. C̄ = C et ȳ (k) = y (k)). Donc, on obtient Cn =   et Cp−n =  .
1 0 0 3
Les deux relations de redondance analytique (RRAs) sont données comme suit :
 
h i −1 3 −4 0
y(k) = −Cp−n Cn−1 Ip−n y(k) =   y(k) = 0
3 3 0 −4

ou sous la forme algébrique suivante :
−y1 (k) + 3y2 (k) − 4y3 (k) = 0
3y1 (k) + 3y2 (k) − 4y4 (k) = 0
Avant l’occurrence de défauts, ces deux relations de redondance analytique sont satisfaites (ils
sont nulles), ce qui indique qu’il y a une cohérence des mesures. Cette cohérence sera disparaı̂t et
ces RRAs n’ont plus vérifiées en présence d’un défaut.
Il est à noter que la nécessité d’avoir le nombre des états inférieur au nombre des mesures du
système (i.e. n < p), rend la redondance statique un peu restreinte. Afin de relaxer cette contrainte,
on prend en considération la dynamique du système, c’est-à-dire, l’évolution temporelle des mesures
et des entrées de commande. Donc, on parle de la redondance dynamique (ou temporelle).
4.3 Redondance dynamique
La redondance dynamique est une extension de la redondance statique dans le cas d’utilisation
d’un modèle dynamique du système étudié. L’idée ici est de trouver des relations entre les mesures
fournies par les différents capteurs et les entrées du système aux différents instants (voir Figure
4.2). Considérons le système linéaire discret défaillant suivant :

x(k + 1) = Ax(k) + Bu(k) + Fx f (k)

(4.6)

y(k) = Cx(k) + F f (k)
y
où x(k) ∈ Rn , y(k) ∈ Rp et u(k) ∈ Rm et f (t) ∈ Rqf sont, respectivement, les vecteurs : d’état,
de mesures, d’entrées de commande, et de défauts ; Fx ∈ Rn x qf est la matrice de distribution des
défauts d’actionneurs. L’objectif est de construire un générateur de résidus capable d’effectuer, à
la fois, la détection et la localisation des défauts de capteurs et/ou d’actionneurs.
Figure 4.2: Génération de résidus à l’aide de l’espace de parité.

Considérons une fenêtre temporelle [k, k + l[ de taille l, pour laquelle l’état x(k + l) peut être
exprimé en fonction de l’état à l’instant k (i.e. x(k)), des variables d’entrées connues, et des défauts
éventuels aux instants k à k + l − 1 (i.e. u(k) jusqu’à u(k + l − 1) et f (k) jusqu’à f (k + l − 1)) de
la manière suivante :
l
X l
X
l l−i
x(k + l) = A x(k) + A Bu(k + i − 1) + Al−i Fx f (k + i − 1) (4.7)
i=1 i=1
Par conséquent, le vecteur de mesures sur cette fenêtre d’observation (i.e. y(k) jusqu’à y(k + l))
peut s’écrire sous la forme matricielle compacte suivante :
y(k, k + l) = Ho (l) x(k) + Hu (l) u(k, k + l) + Hf (l) f (k, k + l) (4.8)
       
y(k) u(k) f (k) C
       
y(k + 1) u(k + 1) f (k + 1)  CA 
       
       
avec y(k, k + l) = y(k + 2), u(k, k + l) = u(k + 2), f (k, k + l) = f (k + 2), Ho (l) = CA2 ,
       
.. .. ..  .. 
       
     

 . 


 . 


 . 

 . 
 
y(k + l) u(k + l) f (k + l) CAl
   
0 0 0 ··· 0 Fy 0 ··· 0 0
   
 CB 0 · · · 0 0  CFx Fy ··· 0 0
   
   
Hu (l) =  CAB CB 0  et Hf (l) =  CAFx CFx Fy .
   
.. .. .. . . ..
   
 . ..   .. .. .. 
 . . .   . . 
   
CAl−1 B CAl−2 B · · · CB 0 CAl−1 Fx CAl−2 Fx · · · CFx Fy
Le vecteur de résidus peut être exprimé en fonction des entrées et des sorties du système selon la
relation suivante :

r(k, k + l) = W y(k, k + l) − Hu (l) u(k, k + l) = W Hf (l) f (k, k + l) (4.9)
où W représente la matrice de parité, qui doit être orthogonale à Ho (l) (i.e. W Ho (l) = 0). Afin
d’assurer la détection de défauts, il faut que la condition : W Hf (l) 6= 0 soit satisfaite.
On distingue deux types de résidus correspondant chacun à une redondance analytique parti-
culière : l’auto-redondance et l’inter-redondance.
4.3.1 Auto-redondance
L’écriture de l’équation (4.9) pour chaque capteur permet l’obtention des relations d’auto-
redondance. En effet, pour un capteur donné, on ne conserve que les relations indépendantes

permettant d’exprimer une partie de l’état. Pour j variant de 1 à p, la relation (4.9) peut s’écrire :
yj (k, k + lj ) = Hoj (lj ) x(k) + Huj (lj ) u(k, k + lj ) + Hfj (lj ) f (k, k + lj ) (4.10)
   
Cj 0 0 ··· 0 0
   
 Cj A   Cj B 0 ··· 0 0
   
   
avec Hoj (lj ) =  Cj A2 , Huj (lj ) =  Cj AB Cj B 0
   

 ..  .. .. ..
   
 . . 
 .   . . . . 
   
Cj A lj Cj A l j −1 B Cj A l j −2 B · · · Cj B 0
 
Fy 0 ··· 0 0
 
C F F · · · 0 0
 
 j x y 
 
et Hfj (lj ) =  Cj AFx Cj Fx Fy .
 
.. .. ..
 
 .. 
 . . . . 
 
Cj A lj −1 Fx Cj A lj −2 Fx · · · Cj Fx Fy
où Cj représente la j ème ligne de la matrice C, qui corresponde au capteur j. Soit nj l’indice
d’observabilité de la paire (A, Cj ), alors la fenêtre temporelle pour chaque capteur j comporte nj =
h T i T
lj + 1 lignes. En effet, la matrice Hoj (nj − 1)T = CjT (Cj A)T 2
T n −1
Cj A · · · Cj A j ,
dite matrice d’observabilité réduite (relative au j ème capteur) est de dimension (nj , n) et de rang
maximum nj . Les colonnes de cette matrice définissent l’espace d’observabilité du capteur j. La
somme des espaces d’observabilité associés à chacun des capteurs (i.e. de 1 à p) définit l’espace
d’observabilité du système. Afin d’avoir de la redondance, une ligne supplémentaire est ajoutée à
Hoj (nj − 1) de façon que :
yj (k, k + nj ) = Hoj (nj ) x(k) + Huj (nj ) u(k, k + nj ) + Hfj (nj ) f (k, k + nj ) (4.11)
L’idée donc est de trouver un vecteur ligne Wj qui satisfait les deux conditions suivantes :
Wj Hoj (nj ) = 0, et Wj Hfj (nj ) 6= 0 (4.12)
Donc, la relation d’auto-redondance peut s’écrire comme suit :

rj (k) = Wj y(k, k + nj ) − Huj (nj ) u(k, k + nj ) = Wj Hfj (nj ) f (k, k + nj ) (4.13)
Notons que l’équation d’auto-redondance (4.13) est obtenue sans avoir besoin de l’état inconnu
x(k). La détection de défaut se fait selon la valeur du résidu rj (k). Cette valeur est égale à zéro (au
bruit de mesure prés) en état de fonctionnement normal (sans défaut), et différent de zéro après

l’apparition d’un défaut.
4.3.2 Inter-redondance
Dans ce cas, la forme de calcul des résidus se fait en reliant les informations provenant de
plusieurs capteurs. Les relations d’inter-redondance sont obtenues donc en considérant les nj (j
varie de 1 à p) relations indépendantes qui corresponds à (4.10), c.-à-d. :
      
y1 (k, k + n1 − 1) Ho1 (n1 − 1) Hu1 (n1 − 1) u(k, k + n1 − 1)
 .
..
  .
..
  ..  .. 


 
 



 . 
 . 

      
 y (k, k + n − 1)  =  H (n − 1)  x(k) +  H (n − 1)  u(k, k + n − 1)
 j j   oj j   uj j  j 
 ..   ..   ..  .. 
. . . .
      
      
      
yp (k, k + np − 1) Hop (np − 1) Hup (np − 1) u(k, k + np − 1)
   (4.14)
H
 f1 1 (n − 1)  f (k, k + n 1 − 1) 

 .
..

 .
..


  
  
+ Hfj (nj − 1)  f (k, k + nj − 1)
 
 ..   .. 
. .
  
  
  
Hfp (np − 1) f (k, k + np − 1)
p
P
Le système résultant (4.14) se compose de N relations indépendantes, avec N = nj . Pour un
j=1
vecteur d’état de dimension n, on peut trouver N − n relations d’inter-redondance indépendantes.
Ces relations sont obtenues par élimination du vecteur d’état. Cela revient à chercher une matrice
W qui vérifie les conditions suivantes :
   
Ho1 (n1 − 1) Hf1 (n1 − 1)
 ..   .. 

 . 


 . 

   
W  Hoj (nj − 1)   H (n − 1)  6= 0
 = 0, et W (4.15)

 fj j 
 .
.
  .. 
. .
   
   
   
Hop (np − 1) Hfp (np − 1)

Donc, les relations d’inter-redondance peuvent être écrites comme suit :

    
y1 (k, k + n1 − 1) Hu1 (n1 − 1) u(k, k + n1 − 1)
 ..   ..  .. 

 .  
  . 
 . 

    
r(k) = W  yj (k, k + nj − 1)  −  Huj (nj − 1)  u(k, k + nj − 1)
      

 ..   ..  .. 
. . .
    
    
    
yp (k, k + np − 1) Hup (np − 1) u(k, k + np − 1)
   (4.16)
H
 f1 1(n − 1)  f (k, k + n 1 − 1) 
 .
.
 .
.


 . 
 . 

  
=W  Hfj (nj − 1)  f (k, k + nj − 1)
 
 ..   .. 
. .
  
  
  
Hfp (np − 1) f (k, k + np − 1)

Chapitre 5
Diagnostic par identification paramétrique
5.1 Introduction
Contrairement aux approches de diagnostic à base observateurs et par espace de parité, déjà
étudiées aux chapitres 3 et 4, qui sont bien adaptées pour les défauts de capteurs et d’actionneurs,
la méthode de diagnostic par estimation paramétrique est mieux adaptée pour les défauts internes
du procédé (ou défauts composants). L’idée principale de cette approche est qu’un défaut se traduit
par la variation d’un (ou plusieurs) paramètre(s) caractéristique(s) du système, constituant ainsi
la signature de ce défaut. En effet, le diagnostic de défauts revient à réaliser une estimation des
paramètres d’un modèle de fonctionnement normal, dont la simple variation paramétrique est une
indication de la présence d’un défaut. Le suivi de l’évolution de ses paramètres caractéristiques est
donc un excellent moyen pour réaliser sa surveillance. Cette méthode repose essentiellement sur
deux éléments :
• avoir un modèle d’observation (modèle de connaissance ou de représentation en vue de l’es-

timation paramétrique) avec une structure donnée.
• avoir dans la mesure les relations reliant les paramètres du modèle aux paramètres physiques.
5.2 Principe de diagnostic par estimation paramétrique
Le diagnostic à base de l’estimation paramétrique repose sur le principe selon lequel les défauts du
système peuvent être associés à des paramètres spécifiques du modèle mathématique d’un système
– 40 –
Chapitre 5. Diagnostic par identification paramétrique Module. Diagnostic des systèmes
donné généralement par la relation entrée-sortie suivante :
y (t) = H (x (t) , u (t) , e (t) , θ) (5.1)
où y(t), x(t), u(t), e(t) et θ représentent, respectivement, le vecteur de sorties, le vecteur d’état,
le vecteur d’entrées, les bruits et les erreurs de modélisation, et les paramètres non mesurables du
système, qui sont susceptibles de changer. Donc, il est évident qu’il faut avoir un modèle dynamique
précis du système afin d’appliquer les algorithmes d’estimation paramétrique. Un système peut être
représenté dans le domaine temporel via un modèle continu sous forme des équations différentielles,
ou via un modèle discret en utilisant des équations aux différences. Les paramètres du modèle θi
sont exprimés en fonction des coefficients physiques du système pi , dont les changements de ces
coefficients indiquent l’existence d’un défaut dans les composants de celui-ci. Par conséquent, ces
paramètres (analytiques θi et physiques pi ) doivent être estimés. Dans ce cas, il faut avoir des
grandeurs (entrées/sorties) mesurables qui permettent d’estimer les différents paramètres. Prenons
par exemple le modèle dynamique linéaire suivant :
y(t) + a1 ẏ(t) + · · · + an y (n) (t) = b0 u(t) + b1 u̇(t) + · · · + bm u(m) (t) (5.2)
Les paramètres du modèle, T

.
θ = a1 · · · an ..b0 · · · bm (5.3)
représentés par le vecteur θ, sont définis comme des relations de plusieurs coefficients physiques
du système (i.e. θ = h (p)), par exemple : longueur, masse, vitesse, coefficient de traı̂née, visco-
sité, résistances, capacités...etc. Les défauts qui deviennent visibles dans ces constantes physiques,
peuvent être également exprimés dans les paramètres du modèle de processus. Si les paramètres
physiques du système p, indicatifs de défauts, ne sont pas directement mesurables, une tentative
peut être faite pour détecter leurs changements via les changements dans les paramètres du modèle
θ. Généralement, la procédure de diagnostic via l’estimation paramétrique s’effectue selon les étapes
suivantes :
1. Établissement d’un modèle mathématique du système en état de fonctionnement normal,
y (t) = H (u (t) , θ) (5.4)
2. Détermination de la relation entre les paramètres du modèle θi et les paramètres physiques

du système pi ,
θ = h (p) (5.5)

ainsi que la relation inverse correspondante,
p = h−1 (θ) (5.6)
3. Estimation des paramètres du modèle θi en utilisant les mesures de y(t) et u(t) par une
procédure d’estimation appropriée (méthode des moindres carrés par exemple),
θ̂ (t) = g (y (1) , ..., y (t) , u (1) , ..., u (t)) (5.7)
4. Calcul des paramètres physiques estimés via la relation inverse,

p̂ (t) = h−1 θ̂ (t) (5.8)
5. Détermination des variations des coefficients physiques ∆pi = p̂i − pi par rapport aux pa-
ramètres nominaux pi en utilisant les relations inverses (5.6) et (5.8).
6. Détection de défauts à l’aide des méthodes statistiques de décision.
7. Localisation de défauts.
Cet algorithme de diagnostic peut être résumé dans la Figure 5.1.
Figure 5.1: Méthodologie de diagnostic via l’estimation paramétrique en utilisant un modèle ana-
lytique.

Cependant, cette méthodologie exige l’existence des relations inverses (5.6) et (5.8), ce qui la
rendre applicable à une classe limitée des systèmes dynamiques.
5.3 Identifiabilité et isolabilité des paramètres physiques
5.3.1 Identifiabilité
Afin de fixer l’idée d’identifiabilité, on considère un exemple très simple représenté par un circuit
électrique RC série (voir Figure 5.2) :
Figure 5.2: Circuit électrique RC série.
Supposons que la capacité est n’est pas chargée initialement, donc, les équations physiques
correspondant sont données comme suit :
u (t) = Ri (t) + s (t) (5.9)

ds (t)
i (t) = C (5.10)
dt
A partir de (5.9) et (5.10), on obtient :

 
ds (t) h i a1
a1 + s (t) = b0 u (t) ⇒ s (t) = − ds(t)
dt u(t)  , a1 = RC et b0 = 1 (5.11)
dt | {z } b0
U | {z }
θ
 
di (t) du (t) h i a1
a1 + i (t) = b1 ⇒ i (t) = − di(t)
dt
du(t)  
dt
a1 = RC et b1 = C (5.12)
dt dt | {z } b1
U | {z }
θ
Le choix des variables entrée-sortie mesurées (u (t) , s (t)) permet de conduire à la relation (5.11),
h iT
qui lie un vecteur de paramètres physiques p = R C avec un seul paramètre analytique a1 .
Donc, il est impossible de calculer les deux grandeurs physiques R et C à partir d’un seul paramètre
a1 . Maintenant, en considérant le couple entrée-sortie (u (t) , i (t)), on a : θ1 = a1 = RC et θ2 = b1 =
C. Alors, grâce à (5.12), il est possible d’estimer les deux grandeurs R = θ1 /θ2 et C = θ2 . Ce qui
explique que le choix des variables entrées-sorties est donc déterminant pour garantir l’identifiabilité

des paramètres physiques.

La question la plus importante dans ce choix est de savoir quels sont les paramètres physiques
calculables à partir des paramètres analytiques. Cependant, le manque d’une méthode générale
limite la résolution de ce problème.
5.3.2 Localisation logique
La localisation de défauts n’exige pas la connaissance de la valeur exacte du paramètre physique.

Elle importe simplement de savoir quel est le paramètre physique défaillant. On n’a pas besoin de
chercher les relations inverses (5.6) et (5.8). Cette approche de localisation repose sur l’hypothèse
(réaliste) que plusieurs défauts ne se produisent pas en même temps.
Pour cela, on emploi les relations reliant les paramètres analytiques aux paramètres physiques.
La structure du défaut en termes de paramètres analytiques permet une reconnaissance logique du
paramètre physique défaillant.
Afin d’illustrer cette approche, on considère l’exemple du circuit RLC série (voir Figure 5.3) :
Figure 5.3: Circuit électrique RLC série.
La relation qui lie la tension du condensateur s(t) à la tension globale u(t) est la suivante :
 
a
d2 s (t) ds (t) h 2
i  1
a2 + a + s (t) = b u (t) ⇒ s (t) = − ds(t) − d dts(t) (5.13)
 
1 0 u(t) a2 
dt2 dt |
dt
{z
2
} 
U b0
| {z }
θ
où a1 = RC, a2 = LC et b0 = 1. La relation (5.13) fait apparaı̂tre trois paramètres physiques

p1 = R, p2 = L et p3 = C, et deux paramètres analytiques : θ1 = RC et θ2 = LC. Donc, la relation
(5.5) n’est pas inversible par rapport aux paramètres physiques (i.e. la relation inverse (5.6) n’existe
pas dans ce cas).
Le tableau d’incidence de la structure peut s’écrire sous la forme :
R L C
θ1 1 0 1
θ2 0 1 1

Les colonnes de ce tableau forment les signatures théoriques des défauts physiques. Tant qu’elles
sont différentes, les écarts sur les paramètres physiques ∆pi pourront être localisés à partir des
écarts constatés sur les paramètres analytiques ∆θi .
Dans le cas où les différentes signatures par rapport aux défauts sur les paramètres physiques
sont distinctes (comme dans cet exemple), on parlera alors d’une identifiabilité structurelle.
5.4 Algorithmes d’estimation paramétrique
5.4.1 Méthode des moindres carrés récursifs (MCR)
La plupart des schémas de diagnostic via l’estimation paramétrique utilisent les méthodes des
moindres carrés. Modélisons le système (5.1) sous la forme :
y (k) = G z −1 ; θ u (k) + H z −1 ; θ e (k)

(5.14)
où y(t) ∈ Rp , u(t) ∈ Rm , e(k) est un bruit blanc avec une moyenne nulle et une covariance R(θ),
G z −1 ; θ et H z −1 ; θ sont des filtres avec des dimensions appropriés, z −1 représente l’opérateur

de décalage vers l’arrière : z −1 [u(k)] = u(k − 1) et θ ∈ Rn est le vecteur des paramètres du modèle.
L’équation (5.14) décrit un modèle linéaire général, qui par un choix approprié des matrices G,
H et des paramètres θi , ce modèle peut être mis en formes plus familières. Un modèle ARMAX
(auto-régressive à moyenne ajustée avec entrée exogène) est obtenu si :
B z −1 C z −1

−1 −1
, R (θ) = λ2

G z ;θ = , H z ;θ =
A (z −1 ) A (z −1 )
avec,
A z −1 = 1 + a1 z −1 + · · · + anA z −nA

B z −1 = b1 z −1 + · · · + bnB z −nB

C z −1 = 1 + c1 z −1 + · · · + cnC z −nC

Le vecteur de paramètres est choisi comme suit :
h iT
θ = a1 · · · anA b1 · · · bnB c1 · · · cnC (5.15)
Le modèle ARMAX se donne de la manière suivante :
A z −1 y (k) = B z −1 u (k) + C z −1 e (k)

(5.16)

ou sous forme d’équations aux différences :
y (k) + a1 y (k − 1) + · · · + anA y (k − nA ) =b1 u (k − 1) + · · · + bnB y (k − nB )

(5.17)
+ e (k) + c1 e (k − 1) + · · · + cnC e (k − nC )
où y(k) et u(k) sont des signaux scalaires.

Si en plus nC = 0, un modèle ARX (auto-régressive avec entrée exogène) est obtenu sous la
forme :
A z −1 y (k) = B z −1 u (k) + e (k)

(5.18)
Cette structure peut être considérée comme une régression linéaire. En effet, le modèle (5.18) peut
être reformulé de la manière suivante :
y (k) = φT (k) θ + e (k) (5.19)
avec,
h iT
θ = a1 · · · anA b1 · · · bnB (5.20)
et,
h iT
φ(k) = −y(k − 1) · · · − y(k − nA ) u(k − 1) · · · u(k − nB ) (5.21)
Ainsi, dans le cas où nB = 0 (i.e. B z −1 = 0), un modèle ARMA (auto-régressive à moyenne

ajustée) est obtenu par :

A z −1 y (k) = C z −1 e (k)

(5.22)
ou encore sous la forme de la régression linéaire (5.19) avec,
h iT
θ = a1 · · · anA c1 · · · cnC (5.23)
et,
h iT
φ(k) = −y(k − 1) · · · − y(k − nA ) e(k − 1) · · · e(k − nC ) (5.24)
Remarque 5.1. Il est important de noter que le modèle linéaire stochastique défini par (3.24) :

 x(k + 1) = A (θ) x(k) + B (θ) u(k) + w(k)
 y(k) = C (θ) x(k) + v(k)
où w(k) ∈ Rn et v(k) ∈ Rp sont des bruits blancs centrés avec de matrices de covariance W et V

définis, respectivement, par (3.26)-(3.27) :
h i h i h i
E w (k) w(i)T = W δk,i , E v (k) v(i)T = V δk,i et E w (k) v(i)T = 0
peut être transformé sous la forme générale (5.14), si les conditions suivantes sont satisfaites :
G z −1 ; θ = C (θ) [zI − A (θ)]−1 B (θ)

H z −1 ; θ = I + C (θ) [zI − A (θ)]−1 K (θ)

R (θ) = C (θ) P (θ) C T (θ) + V
où K (θ) représente le gain de Kalman,
−1
K(θ) = A(θ)P (θ)C T (θ) C(θ)P (θ)C T (θ) + V
et P (θ) est une matrice définie positive solution de l’équation de Ricatti,
−1
P (θ) = A(θ)P (θ)AT (θ) − A(θ)P (θ)C T (θ) C(θ)P (θ)C T (θ) + V C(θ)P (θ)AT (θ) + W
| {z }
K(θ)
Considérons maintenant le modèle ARMA donné par (5.19) et (5.23)-(5.24) (ou le modèle ARX
donné par (5.20)-(5.21)), l’estimation du vecteur de paramètres au sens des moindres carrés (MC)
se donne sous la forme :
−1
θ̂ (k) = ΦT (k) Φ (k) ΦT (k) Y (k)
" k #−1 " k # (5.25)
X X
T
= φ (i) φ (i) φ (i) y (i)
i=1 i=1
h iT h iT
où Φ(k) = φT (1) · · · φT (k) , et Y (k) = y(1) · · · y(k) .
L’expression (5.25) peut être calculée d’une manière récursive. Introduisons la notation suivante :
" k #−1
X
P (k) = φ (i) φT (i) (5.26)
i=1
et utilisant le fait que :

P −1 (k) = P −1 (k − 1) + φ (k) φT (k) (5.27)

Il vient :
k−1
" ! #
X
θ̂ (k) = P (k) φ (i) y (i) + φ (k) y (k)
i=1
h i (5.28)
= P (k) P −1 (k − 1) θ̂ (k − 1) + φ (k) y (k)
h i
= θ̂ (k − 1) + P (k) φ (k) y (k) − φT (k) θ̂ (k − 1)
ou encore,
θ̂ (k) = θ̂ (k − 1) + K (k) ε (k) (5.29a)
K (k) = P (k) φ (k) (5.29b)

h i
ε (k) = y (k) − φT (k) θ̂ (k − 1) (5.29c)
Le terme ε(k) est interprété comme une erreur de prédiction a priori, puisque, il représente
l’erreur entre la sortie mesurée y(k) et la prédiction ŷ (k |k − 1 ) = φT (k) θ̂ (k − 1) calculée à partir
de θ̂(k − 1) (non θ̂(k)). Si l’erreur ε(k) est petite, l’estimation θ̂(k − 1) est bonne et ne devrait pas
être modifiée beaucoup. Le vecteur K(k) dans (5.29b) doit être interprété comme un facteur de
pondération (ou de gain) montrant combien la valeur de ε(k) va modifier les différents éléments du
vecteur de paramètres.
Il est à noter que le calcul de θ̂(k) nécessite la connaissance de P (k), alors que l’on dispose
seulement de P −1 (k) (voir l’équation (5.27)). Le calcul précédent exige alors de réaliser une inver-
sion matricielle à chaque pas d’échantillonnage, ce qui n’est pas souhaitable. Afin de résoudre ce
problème, le lemme d’inversion matricielle suivant est employé :
BC T CB
A−1 = B −1 + C T C ⇒ A = B − (5.30)
1 + CBC T
où 1 + CBC T est un scalaire. Par conséquent, la relation (5.27) peut s’écrire dans une forme plus
utile, donnant une loi d’ajustement sous la forme :
P (k − 1) φ (k) φT (k) P (k − 1)
P (k) = P (k − 1) − (5.31)
1 + φT (k) P (k − 1) φ (k)
Notons que dans (5.31), il y a une inversion scalaire (le terme 1 + φT (k) P (k − 1) φ (k) est un
scalaire) au lieu d’une inversion matricielle.
En utilisant (5.31), l’équation (5.29b) devient :
P (k − 1) φ (k) φT (k) P (k − 1) φ (k)

K (k) = P (k − 1) φ (k) −
1 + φT (k) P (k − 1) φ (k)
(5.32)
P (k − 1) φ (k)
=
1 + φT (k) P (k − 1) φ (k)

L’algorithme des moindres carrés récursifs s’exprime alors en utilisant les equations (5.32),
(5.29c), (5.29a) et (5.31), c’est-à-dire :
P (k − 1) φ (k)
K (k) =
1 + φT (k) P (k − 1) φ (k)
h i
ε (k) = y (k) − φT (k) θ̂ (k − 1)
θ̂ (k) = θ̂ (k − 1) + K (k) ε (k)
P (k) = P (k − 1) − K (k) φT (k) P (k − 1)
La mise en œuvre de cet algorithme d’estimation nécessite encore la connaissance des valeurs
initiales θ̂(0) et P (0). Dans le cas où l’on ne dispose d’aucune information à priori, on peut adopter
une initialisation de la forme : θ̂(0) = 0 et P (0) = αI, avec α = 100 ou 1000 par exemple. Le facteur
α interprète en quelque sorte notre ignorance sur la valeur initiale du vecteur de paramètres.
Comme il est bien connu, l’estimation résultante minimise le critère quadratique suivant :
k
X
Jk (θ) = ε (i)2 (5.33)
i=1
Notons que ce critère apporte la même importance aux nouvelles mesures qu’aux anciennes. Ce qui
peut provoquer une lente convergence d’estimation, notamment pour les paramètres qui sont sus-
ceptibles de varier au cours du temps suite à l’apparition d’un défaut. Une solution de ce problème
est la modification de l’algorithme des moindres carrés récursifs en utilisant un facteur d’oubli
0<λ<1.
5.4.2 Méthode des moindres carrés récursifs avec facteur d’oubli constant (MCRFDC)
Dans ce cas, l’approche consiste à modifier le critère à minimiser. La nouvelle fonction du coût
s’écrit :
k
X
Jk (θ) = λk−i ε (i)2 (5.34)
i=1
La fonction du coût utilisée précédemment (voir équation (5.33)) avait λ = 1. Maintenant le facteur
d’oubli λ est un nombre un peu moins que 1 (par exemple 0.99 ou 0.95). Cela signifie que les mesures
obtenues précédemment sont préalablement actualisées avec l’augmentation de k. Plus la valeur de
λ est petite, plus l’information dans les données précédentes sera rapidement oubliée. Pour le critère
modifié (5.34), la méthode des moindres carrés récursifs avec facteur d’oubli peut s’écrire :

P (k − 1) φ (k)
K (k) =
λ + φT (k) P (k − 1) φ (k)
h i
ε (k) = y (k) − φT (k) θ̂ (k − 1)
(5.35)
θ̂ (k) = θ̂ (k − 1) + K (k) ε (k)
1
P (k − 1) − K (k) φT (k) P (k − 1)

P (k) =
λ
Le facteur d’oubli λ permet d’apporter plus d’importance aux mesures récentes qu’aux mesures
anciennes. Pour le choix de la valeur de λ, les expériences avec cet algorithme montrent qu’une
diminution de la valeur du facteur d’oubli mène à deux effets :
1. Les estimés des paramètres convergent vers leurs valeurs vraies plus rapidement, diminuant
ainsi, le retard d’alarme de défauts.
2. L’estimation dans ce cas devient plus sensible aux bruits. En effet, si λ 1 (beaucoup moins
de 1), les estimés peuvent même osciller autour de leurs valeurs réelles.
Une façon de résoudre ce problème est l’utilisation d’un facteur d’oubli variant dans le temps.
5.4.3 Algorithme des moindres carrés récursifs avec facteur d’oubli variable (MCRFDV)
Dans cette méthode, la constante λ dans (5.35) est remplacée par une variable λ(k). Un choix
approprié de sa valeur est donné par la règle d’ajustement suivante [1] :
λ (k) = ∆ − Γε2 (k) (5.36)
où 0 < ∆ < 1 et Γ > 0 sont deux facteurs de réglage avec des valeurs constantes. En pratique,
afin d’avoir un oubli exponentiel continu et d’éviter au même temps le problème d’explosion de
covariance P (k), le paramètre ∆ est choisi d’être proche de 1, et le facteur Γ est conçu pour être
un grand nombre, disons 1000. Ainsi, afin d’éviter que le facteur d’oubli soit assez grand ou assez
petit (même négatif), une limite supérieure et une autre inférieure sont ajoutées :

 λmin , si λ (k) < λmin
λ (k) = (5.37)
 λ , si λ (k) > λ
max max
Généralement, le paramètre λmax est défini d’être égale à 1, et λmin est défini comme un petit
nombre, disons 0.2.

L’algorithme d’estimation résultant se donne sous la forme :

h i
ε (k) = y (k) − φT (k) θ̂ (k − 1)
λ (k) = ∆ − Γε2 (k) , λmin ≤ λ (k) ≤ λmax

P (k − 1) φ (k)
K (k) = (5.38)
λ (k) + φT (k) P (k − 1) φ (k)
θ̂ (k) = θ̂ (k − 1) + K (k) ε (k)
1
P (k − 1) − K (k) φT (k) P (k − 1)

P (k) =
λ (k)
Cet algorithme est approprié pour le suivi des éventuelles variations paramétriques du système. En
effet, lorsque l’erreur de prédiction ε(k) accroı̂tre brusquement, λ(k) diminuera rapidement, afin
d’adapter le changement, en fournissant un grand oubli exponentiel. Quand ε(k) tend vers zéro, le
facteur d’oubli λ(k) s’approche de la constante ∆, afin d’assurer un oubli exponentiel faible mais
continu.

Chapitre 6
Analyse des Résidus
6.1 Introduction
Après la génération des résidus en utilisant l’une des méthodes étudiées dans les chapitres 3, 4
et 5, on arrive maintenant à l’étape d’analyse (ou d’évaluation) de ces résidus. Cette étape n’est
pas facile à réaliser, car il faut, dans un contexte soumis aux aléas de fonctionnement du système et
aux perturbations de l’environnement, décider d’une façon binaire et avec certitude s’il y a défaut
ou non. L’examen des résidus résultants doit conduire à décider si le système se trouve dans un
état normal ou défaillant. Nous sommes donc amenés à choisir parmi deux hypothèses :
• Hyp0 : Les résidus sont symptomatiques d’un état de fonctionnement normal du système.
• Hyp1 : Les résidus sont symptomatiques d’un état de fonctionnement défaillant du système.
L’évaluation des résidus se compose de deux étages : le choix de la méthode d’évaluation, et

la sélection du seuil. Le choix de la méthode d’évaluation des résidus joue un rôle très important
dans le diagnostic de défauts, puisqu’elle influe directement sur les performances de la procédure de
détection de ces défauts. Principalement, il existe deux groupes de méthodes fondamentales pour
l’évaluation des résidus. Le premier groupe est destiné aux systèmes déterministes en employant
les stratégies d’évaluation de la norme des résidus, alors que le deuxième groupe est adopté pour
systèmes stochastiques en se basant sur des approches statistiques.
– 52 –
Chapitre 6. Analyse des Résidus Module. Diagnostic des systèmes
6.2 Cas déterministe
Le but de cette partie est de trouver une méthode d’évaluation des résidus pour le cas déterministe,
qui déterminera si un défaut est présent. Les valeurs des résidus doivent refléter l’effet de défauts.
En effet, elles doivent être proches de zéro en l’absence de défaut, et différentes de zéro dans le
cas contraire. Les deux hypothèses avec leurs conditions associées sur le vecteur de résidus sont les
suivantes :
H0 (0, t) : absence de défaut kr (t)k = 0

(6.1)
H1 (fj , tj ) : occurrence de défaut fj depuis l’instant tj kr (t)k =
6 0, t ≥ tj
où kr (t)k est une norme appropriée du résidu.
6.2.1 Fonction d’évaluation
Afin d’évaluer les résidus, on utilise souvent une fonction de test ϕ (r (t)) (ϕ (r (k))), qui permet
de fournir une mesure (norme) de l’écart du résidu par rapport à zéro. Les fonctions tests les plus
utilisées sont :
• La valeur absolue :
ϕ (rj (t)) = |rj (t)| , cas continu
(6.2)
ϕ (rj (k)) = |rj (k)| , cas discret
• L’approximation de la norme L2 sur un intervalle [t, t + T ] :

v
u ˆ
u t+T
u1
ϕ (rj (t)) = t |rj (τ )|2 dτ , cas continu
T
t
v (6.3)
u k+N
u1 X
ϕ (rj (k)) = t |rj (i)|2 , cas discret
N
i=k
• La racine moyenne quadratique (RMS) :

v
u ˆT
u
u1
ϕ (rj (t)) = t |rj (τ )|2 dτ , cas continu
T
0 (6.4)
v
u
u1 X N
ϕ (rj (k)) = t |rj (i)|2 , cas discret
N
i=1

6.2.2 Fonction de seuil
La prochaine étape de l’évaluation des résidus consiste à déterminer une fonction de seuil Φ (t)
(Φ (k)) pour l’évaluation de la fonction de test ϕ (r (t)) (ϕ (r (k))). Cette fonction de seuil devrait
avoir les deux propriétés suivantes :
• Absence de défaut :
∀t ≥ 0, f (t) = 0 : ϕ (r (t)) ≤ Φ (t) , cas continu
∀k ≥ 0, f (k) = 0 : ϕ (r (k)) ≤ Φ (k) , cas discret
• Présence de défaut :
∀t ≥ 0, f (t) 6= 0 : ϕ (r (t)) > Φ (t) , cas continu
∀k ≥ 0, f (k) 6= 0 : ϕ (r (k)) > Φ (k) , cas discret
Dans le cas idéal (i.e. en absence des entrées et des perturbations), le seuil Φ (t) (Φ (k)) peut être
choisi constant et aussi proche de zéro, en tenant compte des valeurs pratiques des bruits dans les
résidus. Dans le cas général, il faut prendre en considération les effets des entrées, des perturbations
et des bruits de mesures. Avec l’une des fonctions tests mentionnées dans (6.2)-(6.4), le seuil doit
être déterminé de tel sorte que :
Φj (t) ≥ sup (ϕ (rj (t))) , cas continu

f (t)=0, ku(t),d(t)k<β
(6.5)
Φj (k) ≥ sup (ϕ (rj (k))) , cas discret
f (k)=0, ku(k),d(k)k<β
Dans ce cas, le seuil Φ (t) (Φ (k)) est une fonction des gains maximums des entrées de com-
mande βu = max ku (t)k (max ku (k)k) et des perturbations βd = max kd (t)k (max kd (k)k). Dans
la littérature, on parle souvent du seuil variant dans le temps. Le terme seuil adaptatif a été
également utilisé.
6.2.3 Retour à la normale
La procédure ci-dessus est testée pour le changement H0 à H1 . Lorsqu’un défaut est détecté,
ϕ (rj (t)) > Φj (t) (ϕ (rj (k)) > Φj (k)) ⇒ H (j) = H1 . Le passage à la normale se fait généralement
avec une hystérésis γ de façon que : ϕ (rj (t)) < γΦj (t) (ϕ (rj (k)) < γΦj (k)) ⇒ H (j) = H0 . Un
choix commun d’hystérésis est γ ⊂ [0.5, 0.8]. Il est évident que les tests de simulation ou dans
l’environnement réel, sont nécessaires avant de pouvoir faire un choix judicieux du seuil variable

Φ (t) (Φ (k)) et de l’hystérésis γ.

Cela conduit à deux algorithmes pour la détection de changement dans le cas déterministe,
Algorithme 1 : Test face à un seuil variable continu.

Étant donné : un résidu rj (t) dans les conditions normales de fonctionnement,
1. Déterminer une fonction test ϕ (rj (t)) selon (6.2) jusqu’à (6.4),
2. Déterminer une fonction de seuil Φj (t) qui vérifie la condition (6.5),
Initialiser : H (j) = H0 ,
— Faire :
1. Calculer ϕ (rj (t)) et Φj (t),
2. Si H (j) = H0 , ∀j :
Si ϕ (rj (t)) > Φj (t) placer l’hypothèse à H (j) = H1 ,
Sinon
Si ϕ (rj (t)) < γΦj (t) pour ∀j placer l’hypothèse à H (j) = H0 ,
Fin Si
— Fin.
Algorithme 2 : Test face à un seuil variable discret.
Étant donné : une séquence du résidu rj (1) , ..., rj (k) dans les conditions normales de fonction-
nement,
1. Déterminer une fonction test ϕ (rj (k)) selon (6.2) jusqu’à (6.4),
2. Déterminer une fonction de seuil Φj (k) qui vérifie la condition (6.5),
Initialiser : H (j) = H0 ,
— Pour chaque instant d’échantillonnage k > 0 faire :
1. Calculer ϕ (rj (k)) et Φj (k),
2. Si H (j) = H0 , ∀j :
Si ϕ (rj (k)) > Φj (k) placer l’hypothèse à H (j) = H1 ,
Sinon
Si ϕ (rj (k)) < γΦj (k) pour ∀j placer l’hypothèse à H (j) = H0 ,
Fin Si
— Fin pour.

6.3 Cas stochastique
Dans le cas stochastique, on considère que les résidus sont des variables aléatoires suivant une
loi de probabilité p. De manière générale, un changement de fonctionnement va se traduit par une
modification de la loi de probabilité du résidu (par exemple : passage d’une distribution normale,
à une distribution exponentielle) ou par un changement des caractéristiques statiques de cette loi
(par exemple : variation de moyenne, de variance, ou les deux paramètres à la fois). Dans ce qui
suit, on s’intéresse au test de Page-Hinkley.
6.3.1 Test de Page-Hinkley
Cette méthode permet de tester la valeur moyenne du résidu sur une fenêtre de détection par
rapport à un seuil prédéfini. Une formulation du problème de détection de défaut est la suivante :
Nous voulons savoir à tout instant k, si le système est à l’état normal (hypothèse H0 ) ou non
(hypothèse H1 ). Dans ce cas, il faut étudier le résidu, c’est-à-dire la séquence r (1) , r (2) , ...., r (k)
de celui-ci. On peut donc écrire :
H0 : r (i) ∈ p0 ; 1≤i≤k
H1 : r (i) ∈ p0 ; 1 ≤ i ≤ k0 − 1 (6.6)
r (i) ∈ p1 ; k0 ≤ i ≤ k
où k0 représente l’instant de changement (i.e. l’instant où le système passe d’un fonctionnement
normal à un fonctionnement défaillant) supposé inconnu, p0 représente la densité de probabilité
des observations avant changement, et p1 celle après changement. Supposons que les échantillons
du résidu r(i) sont indépendants, donc, on obtient :
k
Y
p (r (1) , ..., r (k) |H0 ) = p0 (r (i))
i=1
(6.7)
0 −1
kY k
Y
p (r (1) , ..., r (k) |H1 ) = p0 (r (i)) + p1 (r (i))
i=1 i=k0
Le rapport de vraisemblance peut s’écrire donc :
k
Y p1 (r (i))
Λ (r (1) , ..., r (k)) = (6.8)
p0 (r (i))
i=k0
Maintenant, si on considère le problème de saut de moyenne (à variance inchangée) d’un pro-
cessus gaussien, c.-à-d. p0 = N µ0 , σ 2 et p1 = N µ1 , σ 2 , les deux hypothèses H0 et H1 sont


traduites de la manière suivante :
— H0 : Le système est à l’état normal, le résidu présente une distribution gaussienne de variance
connue σ 2 et de moyenne µ0 (choisie le plus souvent avec une valeur nulle) jusqu’à l’instant
k.
— H1 : Le système est à l’état normal, le résidu présente une distribution gaussienne de variance
connue σ 2 et de moyenne µ0 jusqu’à l’instant k0 − 1, et le système est à l’état anormal, le
résidu présente une distribution gaussienne de variance σ 2 et d’une moyenne µ1 (µ1 6= µ0 ) de
l’instant k0 à k.
L’équation (6.8) devient :
k i
Y 1 h 2 2
Λ (r (1) , ..., r (k)) = exp − 2 (r (i) − µ1 ) − (r (i) − µ0 )
2σ
i=k0
  (6.9)
 1 X k h i
= exp − 2 (r (i) − µ1 )2 − (r (i) − µ0 )2
 2σ 
i=k0
d’où la log-vraisemblance :
k
µ 1 − µ0 X µ1 + µ0
ln Λ (r (1) , ..., r (k)) = r (i) − (6.10)
σ2 2
i=k0
De façon à mettre l’accent sur le changement éventuel par rapport à la moyenne initiale µ0 , il
est commode d’introduire les notions suivantes :
p1 (r (i)) b υ
si (r (i)) = ln = r (i) − µ0 −
p0 (r (i)) σ 2
k k (6.11)
X b X υ
Sjk = si (r (i)) = r (i) − µ0 − = ln Λ (r (1) , ..., r (k))
σ 2
i=j i=j
υ
où υ = µ1 − µ0 est l’amplitude de changement (saut) de moyenne, b = σ est le rapport signal-sur-
bruit, si est le ième élément de la somme commutative Sjk (de l’instant j à k).
La détection de saut de moyenne a lieu lorsque :
gk = max Sjk = S1k − min S1j > λ (6.12)

1≤j≤k 1≤j≤k
où gk est la fonction de décision et λ est un seuil prédéfini.

L’instant d’arrêt (ou d’alarme) ka se donne comme suit :

ka = min {k : gk > λ} = min k : S1k > λ + min S1j (6.13)
1≤j≤k

L’instant d’occurrence de défaut k0 peut être estimée comme l’instant de temps k̂0 pour laquelle
S1k atteinte sa valeur minimum (ou lorsque cette fonction change sa pente du négative au positive).
Elle est formellement exprimée par :
k̂0 = arg min S1j (6.14)

1≤j≤ka
L’algorithme de détection de changement correspondant est décrit comme suit :
Algorithme 3 : Test de Page-Hinkley avec un saut de moyenne connu.

Étant donné :
1. une séquence du résidu rj (1) , ..., rj (k) de variance σ 2 avec une moyenne µ0 en état normal,
et une moyenne µ1 en état défaillant,
2. un seuil λ,
Pour chaque instant d’échantillonnage k > 0 faire :
— Calculer :
1. le saut de moyenne υ = µ1 − µ0 ,
2. le rapport signal-sur-bruit b = συ ,
3. la fonction de décision gk par (6.12),
— Décider d’ :
1. accepter l’hypothèse H0 , si gk ≤ λ,
2. accepter l’hypothèse H1 , si gk > λ,
• émettre une alarme à l’instant ka défini par (6.13),
• fournir une estimation de l’instant d’occurrence du changement k̂0 défini par (6.14).
Fin pour.
Dans le cas où le saut de moyenne attendu υ est inconnu (en valeur algébrique), une possibilité
est :
1. de définir a priori un saut minimum d’amplitude υm ;
2. d’utiliser deux tests en parallèle :

• l’un pour une augmentation :
U (0) = 0
k
X υm
U (k) = r (i) − µ0 − ; k≥1 (6.15)
2
i=1
m (k) = min U (j)

1≤j≤k
avec alarme (détection) si U (k) − m (k) > λ̄.
• l’autre pour une diminution :
T (0) = 0
k
X υm
T (k) = r (i) − µ0 + ; k≥1 (6.16)
2
i=1
M (k) = max T (j)

1≤j≤k
avec alarme (détection) si M (k) − T (k) > λ̄.
Notons que le seuil λ̄ est directement lié à la notion de la probabilité de fausse alarme, et de
non détection. Une augmentation de λ̄ pour éviter les fausses alarmes, peut entraı̂ner un retard à
la détection.
La détection de défaut se produit lorsque les quantités U (k) − m (k) ou M (k) − T (k) sont
supérieures au seuil λ̄. L’instant d’occurrence de défaut k0 correspond au dernier minimum de U (k)
ou maximum de T (k). La valeur de λ̄ est à fixer par apprentissage. La valeur initiale peut être
calculée par l’expression [2] :
λ̄ = 2hσ/υm (6.17)
où h = 2 pour les distributions normales (gaussiennes) et σ est l’écart-type du signal de résidu.
L’algorithme de Page-Hinkley correspondant se donne de la manière suivante :
Algorithme 4 : Test de Page-Hinkley avec un saut de moyenne inconnu.

Étant donné :
1. une séquence du résidu rj (1) , ..., rj (k) de variance σ 2 et de moyenne µ0 en état normal,
2. un saut minimum d’amplitude υm ,
Initialiser :
1. le seuil λ̄ par (6.17),
2. U (0) = 0 et T (0) = 0,

Pour chaque instant d’échantillonnage k > 0 faire :
— Calculer :
1. U (k) et m(k) par (6.15),
2. T (k) et M (k) par (6.16),
— Décider d’ :
1. accepter l’hypothèse H0 , si U (k) − m (k) ≤ λ̄ et T (k) − M (k) ≤ λ̄,
2. accepter l’hypothèse H1 , si U (k) − m (k) > λ̄ ou T (k) − M (k) > λ̄,
• émettre une alarme à l’instant :

ka = min k : U (k) − m (k) > λ̄ ∪ T (k) − M (k) > λ̄
• fournir une estimation de l’instant d’occurrence du changement k̂0 qui correspond

au dernier minimum de U (k) ou maximum de T (k).
Fin pour.

Annexe A
Série de TD N◦1
Exercice 1. Considérons le système linéaire suivant :

      



 ẋ 1 (t) 0 1 x (t) f
 1   1  (t)
 = +
  

  
 ẋ2 (t) −2 −3 x2 (t) f2 (t)

 

 x (t)

  1 


y(t) = 1 0   + f3 (t)

x2 (t)


 
f (t)
 1 
 
x1 (t)
où x(t) =   est le vecteur d’état du système, f (t) = f2 (t)
 est le vecteur de défauts et y(t)

x2 (t)  
f3 (t)
est la sortie mesurée.
1. En imposant les deux pôles : λ1 = λ2 = −5, construire l’observateur de Luenberger correspon-
dant.
2. Déterminer la fonction de transfert reliant le résidu r(s) = y(s) − ŷ(s) au vecteur de défauts
f (s) sous la forme :
r(s) = G1 (s) f1 (s) + G2 (s) f2 (s) + G3 (s) f3 (s)
Exercice 2. Soit le système décrit par la représentation d’état suivante :
– 61 –
Annexe A. Série de TD N◦ 1 Module. Diagnostic des systèmes
    
−8 −2

5






ẋ(t) =   x(t) +   u(t)
2 −1 0


 

1 0





y(t) =   x(t) + f (t)

0 1


1. Quel est le degré (l’ordre) du système ?
2. On suppose que le gain de l’observateur L est une matrice diagonale. Déduire le nombre des
éléments de L.
3. Donner le polynôme caractéristique de cet observateur p(s) en fonction des éléments de L.
4. Calculer les éléments de la matrice L en utilisant un placement de pôles : λ1,2 = −20.
5. Donner la représentation d’état de cet observateur.
6. Donner la matrice de transfert Gf (s) reliant le vecteur d’erreurs ey (s) au vecteur de défauts
f (s).
7. Déduire la table de signatures associée à cette matrice Gf (s).
8. En utilisant cette table de signatures, es-ce qu’on peut localiser l’origine des défauts ? Si non,
quelle choix doit avoir la matrice de structuration Q(s), afin d’obtenir une structure localisante ?
9. Déduire l’expression du vecteur de résidus r(s) en fonction du vecteur de défauts f (s), ainsi que
la table de signatures correspondante.
Exercice 3. Considérons un pendule simple comme illustré dans la Figure A.1. Où q est la position
angulaire du pendule par rapport à la verticale, et u représente le couple exercé sur ce système. En
appliquant le principe fondamental de la dynamique par rapport à la rotation, nous montrerons
que l’équation différentielle de mouvement est de la forme :
J q̈ + mg` sin (q) = u
où m est la masse du pendule, J est le moment d’inertie par rapport à l’axe de rotation, ` est la
distance du centre de gravité à l’axe de rotation, et g est l’accélération due à la gravité.
1. Si on choisit les variables d’état tels que : x1 = q et x2 = q̇, donner le modèle d’état non linéaire
correspondant.
2. La fonction sin (z) peut être linéarisée au point 0 par z, et au point π/4 par z cos (π/4). Déduire
les deux modèles d’état linéarisés.
3. En utilisant le fait que y = `sin(q), donner les deux modèles d’état linéarisés sous la forme
matricielle. On donne : J = 0.25kgm2 , g = 9.8m/s2 et ` = 0.5m.

Annexe A. Série de TD N◦ 1 Module. Diagnostic des systèmes
Figure A.1: Pendule simple avec un vecteur d’état x = (q, q̇).
4. Pour surveiller ce système, on va servir d’un observateur de Luenberger. Donner sa représentation

d’état.
h iT
5. Sachant que le gain de l’observateur L est de la forme L = l1 l2 , calculer les éléments de L
avec un placement de pôles : λ1,2 = −10.
 T
0 0 h iT
6. Supposons que Fx =   et Fy = 1 0 , déterminer la matrice de transfert Gf (s) reliant
0 1
les défauts aux résidus.
7. Donner la table de signatures des défauts. Ces défauts sont-ils localisables ?

Annexe B
Série de TD N◦2
Exercice 1. En suivant la même démarche du cours (voir section 3.3), concevoir un observateur à
entrées inconnues pour le système suivant (équation de mesure perturbée) :

ẋ(t) = Ax(t) + Bu(t) + Fx f (t) + Dx d(t)


y(t) = Cx(t) + F f (t) + D d(t)
y y
Exercice 2. Soit le système décrit par la représentation d’état suivante :
        
0 −1 0  0 0 0 0 1





        

ẋ(t) = x(t) + 1 u(t) + 0 1 0 f (t) + 0 d(t)
       
−5 −1



 50

        

        
0 2 −1 0 0 0 0 0


   

1 0 0 1 0 0





    
y(t) = x(t) +  f (t)
    
0 1 0 0 0 0

  

 

    

0 0 1 0 0 1


1. On cherche à concevoir un observateur à entrées inconnues. Vérifier la condition d’application

de cet observateur.
2. Calculer les matrices Ly , E et N .
3. Choisissons les valeurs propres désirées de l’observateur comme : λ1 = −5, λ2 = −6 et λ3 = −7,

et supposons que la matrice de Hurwitz M est diagonale, trouver la matrice P .
– 64 –
Annexe B. Série de TD N◦ 2 Module. Diagnostic des systèmes
4. Donner la représentation d’état de l’observateur résultant.
5. Calculer la matrice de transfert Gf (s) qui lie le vecteur d’erreurs ey (s) avec le vecteur de défauts
f (s).
6. Déduire l’expression du vecteur de résidus r(s) en fonction du vecteur de défauts f (s).
7. Choisir une matrice de paramétrisation Q(s) permettant d’obtenir une structure localisante.
8. Déduire l’expression du générateur de résidus résultant avec la table de signatures associée.
Exercice 3. Considérons le modèle d’état linéaire suivant :

ẋ(t) = Ax(t) + Bu(t) + Fx f (t)


y(t) = Cx(t)
      
0 −1 0 1 1 0 0 0 1 0
       
où A = 100 −10 −1, B = 0, C = 0 1 0 et Fx = 1 0 0.
       
       
0 2 −1 0 0 0 1 0 0 1
A partir de cette représentation, on peut établir trois modèles équivalents comme suit :

ẋ(t) = Ax(t) + Bu(t) + F̄xi f¯i (t) + Fxi fi (t)


y(t) = Cx(t)
où fi (t), i = 1, ..., dim f (t) est le ième élément du vecteur de défauts f (t), et f¯i (t) est un vecteur

composé des éléments restants.

1. Donner Fxi et F̄xi , i = 1, ..., dim f (t) .
Pour chaqu’un des modèles précédents, on cherche à synthétiser un observateur à entrées inconnues,
qui permet d’éliminer l’effet de fi (t) (découplage), tout en maintenant l’effet de f¯i (t) (sensibilité).
2. Pour chaque modèle obtenu, vérifier la condition d’application de l’observateur à entrées incon-
nues correspondant.
3. Calculer les matrices Lyi , Ei et Ni .
4. Pour chaque observateur à entrées inconnues, on choisit les mêmes pôles désirés : λ1 = −5,
λ2 = −6 et λ3 = −7. Supposons que Mi sont des matrices de Hurwitz diagonales, trouver les
matrices Pi correspondants.
5. Donner la représentation d’état des observateurs à entrées inconnues résultants.
6. Pour chaque système, établir la matrice de transfert Gfi (s) reliant les vecteurs de résidus ri (s) =
eyi (s) aux vecteurs partiels de défauts f¯i (s). Donner l’expression de chaque vecteur de résidus.

Annexe B. Série de TD N◦ 2 Module. Diagnostic des systèmes
7. Donner la table de signatures globale reliant tous les générateurs de résidus ri (t) avec le vecteur
de défauts f (t). Qu’est-ce que vous remarquez ?
8. L’implémentation simultanée de ces observateurs permet d’obtenir un banc d’observateurs avec

un schéma de surveillance nommé : “schéma par observateur généralisé (Generalised Observer
Scheme)”. Ce schéma permet de faire quoi ? Est-ce qu’il existe d’autres structures ayant le même
objectif ? Si oui, établir les tables de signatures associées.

Annexe C
Série de TD N◦3
Exercice 1. Considérons l’équation d’état :
x(k + 1) = Ax(k) + w(k)
où la matrice d’état A est une matrice d’identité de dimension 2, et w(k) est un bruit de système
avec une matrice de covariance Q = σx2 Id (Id est la matrice d’identité).
Le système est observé par l’équation de mesure suivante :
y(k) = x1 (k) + x2 (k) + v(k)
où x1 (k) et x2 (k) sont les composantes du vecteur d’état x(k), et v(k) est un bruit de mesure de
h iT
variance R = σy2 . Les conditions initiales sont : P (0 |0 ) = Id et x̂ (0 |0 ) = 0 0 .
1. Donner l’expression du gain de Kalman K(1) à l’instant 1 en fonction de σx2 et σy2 .
2. Donner l’état estimé x̂ (1 |1 ) de x(1) à l’instant 1 en fonction de K(1) et de la mesure y(1).
Exercice 2. On veut estimer deux positions cibles en utilisant une seule mesure. Ces positions
h iT
x1 (k) et x2 (k) forment le vecteur d’état : x(k) = x1 (k) x2 (k) avec un bruit de système égale
à zéro. La variable de mesure y(k) est affectée par un bruit v(k) avec une moyenne nulle et une
variance R. Sa forme se donne comme dans l’exercice précédent.
Afin de simplifier les calculs, nous considérons le cas d’une cible immobile :
x(k + 1) = x(k) = x
– 67 –
Annexe C. Série de TD N◦ 3 Module. Diagnostic des systèmes
h iT
Les conditions initiales sont : P (0 |0 ) = Id , R = 0.1, y = 2.9 (mesure) et x̂ (0 |0 ) = 0 0 .
1. Donner la matrice d’état A et la matrice d’observation C.
2. Calculer le gain de Kalman.
3. Calculer la matrice de covariance de l’erreur d’estimation.
4. Donner une estimation du vecteur d’état x(k).
Exercice 3. Étant donné une équation d’état de dimension 1 (l’état est un scalaire) :
x(k + 1) = x(k)
h iT
Cet état est observé par deux mesures y(k) = y1 (k) y2 (k) , qui sont infectées par un bruit
h iT
v(k) = v1 (k) v2 (k) . Le bruit de mesure est caractérisé par une matrice de covariance : R =
 T
σ12 0
  . Les conditions initiales sont : P (0 |0 ) = 1 et x̂ (0 |0 ) = 0. Définissons la quantité :
0 σ22
D = σ12 + σ22 + σ12 σ22 .
1. Donner l’expression du gain de Kalman K(1) à l’instant 1 en fonction de σ1 , σ2 et D.
2. Donner l’estimé x̂ (1 |1 ) de x(1) à l’instant 1 en fonction des mesures y1 (1), y2 (1), σ1 , σ2 et D.

σ12 σ22
3. Posons σ 2 = σ12 +σ22
, calculer la covariance de l’erreur d’estimation P (1 |1 ) à l’instant 1 en
fonction de σ.

Annexe D
Série de TD N◦4
Exercice 1. Démontrer les relations (4.7) et (4.8).

Exercice 2. Soit le système de mesure suivant :
     
y1 (k) 1 2 1 0 0  
       f1 (k)
y2 (k) 1 0 x1 (k) 0 0 1 
      
 =  +  
f2 (k)
     
y3 (k) 1 1 x2 (k) 1 1 0  
      f (k)
3
y4 (k) 2 0 1 0 1
1. Donner le rang de la matrice C.
2. Combien de relations de redondance statiques existent-elles ?
3. Construire la matrice de parité W .
4. Trouver les équations de redondance statiques.
Exercice 3. Considérons l’équation de mesure ci-dessous :
      
y1 (k) 1 0 8 1 0 0 0 0 f1 (k)
       
y2 (k) 1 1 1 x1 (k) 0 0 1 0 0 f2 (k)
      
       
y3 (k) = 1 1 x2 (k) + 0
       
0 0 0 0 1 f3 (k)
       
      
y4 (k) 1 8 1 x3 (k) 0 1 0 0 0 f4 (k)
      
y5 (k) 8 0 8 0 0 0 1 0 f5 (k)
1. Donner les dimensions n, p et qf .
– 69 –
Annexe D. Série de TD N◦ 4 Module. Diagnostic des systèmes
2. A partir de la matrice d’observation C, construire les deux matrices Cn et Cp−n , de telles sorte
que Cn est une matrice carrée inversible et Cp−n est constituée à partir les lignes restantes de
C.    
Cn yn (k)
3. En absence de défaut, donner la matrice C̄ =   et le vecteur ȳ(k) =  . Qu’est-ce
Cp−n yp−n (k)
que vous remarquez ?
4. Calculer la matrice de parité W orthogonale à C̄ (i.e. W C̄ = 0).
5. Déduire les équations de redondance statiques.
6. Qu’est-ce que vous remarquez concernant le capteur de mesure y1 ?
Exercice 4. Soit le système linéaire suivant :
      
x1 (k + 1) 0.1 0 0  x1 (k) 0 −1 

 


 u1 (k)

       

x2 (k + 1) =  0 0.5 0  x2 (k) + 1 1  

     

 
      
u (k)

2

       

 x3 (k + 1)

0 0 0.1 x3 (k) 0 1
 

    x1 (k)

  
y1 (k) 1 1 0 

 

=
  


  x2 (k)
  


 y2 (k) 0 1 1  
x3 (k)


A) Auto-redondance
1. Donner le rang n1 de la matrice d’observabilité réduite Ho1 (n1 − 1) par rapport au cap-
teur y1 .
2. Afin d’obtenir de la redondance, ajouter une ligne supplémentaire à cette matrice pour
avoir Ho1 (n1 ), et exprimer par la suite la relation (4.11) pour la mesure y1 .
3. Déduire l’équation d’auto-redondance r1 (k) sur le premier capteur y1 .
4. Refaire la même chose (i.e. les questions 1,2 et 3) pour le deuxième capteur y2 .
5. Déduire le vecteur d’auto-redondance r(k).
6. Supposons que fy1 , fy2 , fu1 et fu2 sont, respectivement, les défauts sur le capteur y1 , le
capteur y2 , l’actionneur u1 et l’actionneur u2 . Établir la table de signatures des défauts.
Ces défauts sont-ils localisables ?
7. En régime permanent (i.e. lorsque k → ∞), donner la table d’orientation du vecteur de

parité en fonction des quatre défauts. Peut-on maintenant localiser ces défauts ?
8. Déduire le résidu directionnel correspondant et tracer dans le plan (r1 , r2 ) (l’espace de

parité) les différentes directions, susceptibles d’être occupées par ce vecteur en fonction
des défauts.

Annexe D. Série de TD N◦ 4 Module. Diagnostic des systèmes
B) Inter-redondance
1. En tenant compte des rangs n1 et n2 des matrices d’observabilité réduites par rapport
aux capteurs y1 et y2 , donner toutes les relations indépendantes qui résultent à partir de
(4.14).
2. Combien de relations d’inter-redondance on peut trouver dans ce cas ?

h iT
3. On veut maintenant éliminer le vecteur d’état x(k) = x1 (k) x2 (k) x3 (k) , écrire la
relation qui lie ce vecteur avec celui de mesures contenant les sorties y1 et y2 (ici les
entrées u1 et u2 n’interviens pas dans les calculs). Reformuler à nouveau les relations
indépendantes obtenues dans la question 1.
4. Établir la (les) relation(s) d’inter-redondance. Qu’est-ce que vous remarquez ?
5. Écrire le vecteur de résidus global englobant toutes les relations de redondance. Donner
la table de signatures correspondante. Cette nouvelle structure est-elle localisante ?
6. Déduire la nouvelle table d’orientation du vecteur de parité en régime permanent avec le

résidu directionnel correspondant en fonction des quatre défauts.

Annexe E
Série de TD N◦5
Exercice 1. On veut estimer la valeur des paramètres d’un système par l’analyse de sa réponse
impulsionnelle en utilisant la méthode des moindres carrés simples puis récursifs.
Y (s) 1
Considérons un système linéaire dont sa fonction de transfert est donnée par : U (s) = s+a .
Le relevé de la réponse impulsionnelle a donné les mesures suivantes :
t 1 2 3 4 5
y(t) 0.70 0.43 0.32 0.19 0.15
1. Donner l’expression de la réponse impulsionnelle yth (t) de ce système. Est-elle linéaire par rap-
port au paramètre a ? Proposer une méthode de linéarisation.
2. Calculer la valeur estimée de ce paramètre (i.e. â) en utilisant la méthode des moindres carrés
simples.
3. Déduire la valeur estimée ŷ(t) calculée aux points d’échantillonnage.
4. Calculer la valeur du critère quadratique J (θ). Qu’est-ce que vous remarquez concernant la
qualité de l’estimation de ŷ ?
5. Maintenant, on utilise la méthode des moindres carrés récursifs pour la détermination de â. Don-
ner la dimension du régresseur φ, de la matrice d’observation Φ, et de la matrice P intervenant
dans le processus itératif.
6. Écrire les équations récursifs permettant de calculer la valeur de â.
7. Supposons que P (0) = 100I et θ̂(0) = 0, calculer les valeurs récursifs de â et déduire celles de ŷ.
– 72 –
Annexe E. Série de TD N◦ 5 Module. Diagnostic des systèmes
8. Déterminer la valeur du critère quadratique Jk (θ). Comparer les résultats obtenus avec ceux du
cas précédent. Qu’est-ce que vous remarquez ?
Exercice 2. Le système linéaire du premier ordre :
y (k) + a1 y (k − 1) = b1 u (k − 1)
est donné avec les mesures suivantes :
k 0 1 2 3 4 5 6 7 8 9 10
u(k) 0 1 -1 1 1 1 -1 -1 0 0 0
y(k) 0 1.1 -0.2 0.1 0.9 1 0.1 -1.1 -0.8 -0.1 0
1. Estimer les paramètres a1 et b1 en utilisant la méthode des moindres carrés.
2. Évaluer la séquence du bruit e(k), sa valeur moyenne, ainsi que son écart-type.
3. Proposer un algorithme d’estimation par les moindres carrés récursifs permettant de calculer
â1 (k) et b̂1 (k) du système ci-dessus.
4. On suppose que P (0) = 1000I et θ̂(0) = 0, appliquer l’algorithme proposé afin de déterminer les
estimés de a1 et b1 . Conclure sur les résultats obtenus.
Exercice 3. Les résultats d’un essai obtenu par injection d’une SBPA à l’entrée d’un système réel
sont donnés par le tableau suivant :
k 0 1 2 3 4
u(k) -1 -1 1 -1 1
y(k) 0 -1.24 -0.32 1.50 -2.37
On veut identifier ce système par le modèle : y(k) = a y(k − 1) + b u(k − 1), et on désire déterminer
les paramètres de ce modèle par l’algorithme des moindres carrés récursifs avec facteur d’oubli.
1. Donner les équations des deux algorithmes des moindres carrés récursifs avec facteur d’oubli (i.e.
MCRFDC et MCRFDV).
2. En initialisant le vecteur de paramètres à 0.1, le gain P (0) = 10 I, et supposons que : λ = 0.9,

∆ = 0.9 et Γ = 1000. Calculer les estimées des paramètres en utilisant ces deux algorithmes aux
instants 1, 2, 3 et 4. Commenter les résultats obtenus.

Références bibliographiques
[1] L. Wang et R. Langari, A variable forgetting factor RLS algorithm with application to
fuzzy time-varying systems identification , International Journal of Systems Science, vol. 27,
no. 2, p. 205–214, 1996.
[2] J. Ragot, M. Darouach, D. Maquin et G. Bloch, Validation de données et diagnostic.

Hermès Science Publications, 1990.
[3] J. Chen et R. J. Patton, Robust model-based fault diagnosis for dynamic systems, vol. 3.
Springer Science & Business Media, 2012.
[4] M. Blanke, M. Kinnaert, J. Lunze et M. Staroswiecki, Diagnosis and Fault-tolerant

Control. Springer, 3ème éd., 2015.
[5] S. X. Ding, Model-based fault diagnosis techniques : Design schemes, Algorithms, and Tools.
Springer, 2ème éd., 2013.
[6] S. Gentil, Supervision des procédés complexes. Hermès Sciences Publications, 2007.
[7] R. Toscano, Commande et diagnostic des systèmes dynamiques : Modélisation, Analyse,

Commande par PID et par retour d’état, Diagnostic. Technosup, Ellipses, 2011.
[8] J.-C. Bertein et R. Ceschi, Discrete stochastic processes and optimal filtering. John Wiley
& Sons, 2ème éd., 2013.
[9] http ://eavr.u-strasbg.fr/˜bara/CoursKalman/chapitre6.pdf.
[10] http ://w3.cran.univ-lorraine.fr/perso/didier.maquin/ps/Surveillance.pdf.
[11] R. Isermann, Fault diagnosis of machines via parameter estimation and knowledge proces-
sing—tutorial paper , Automatica, vol. 29, no. 4, p. 815 – 835, 1993.
[12] R. Isermann, Model-based fault-detection and diagnosis – status and applications , Annual
Reviews in Control, vol. 29, no. 1, p. 71 – 85, 2005.
– 74 –
Références bibliographiques Module. Diagnostic des systèmes
[13] R. Isermann, Fault-Diagnosis Systems : An Introduction from Fault Detection to Fault Tole-
rance. Springer Berlin Heidelberg, 2006.
[14] A. Pouliezos, G. Stavrakakis et C. Lefas, Fault detection using parameter estimation ,

Quality and Reliability Engineering International, vol. 5, no. 4, p. 283–290, 1989.
[15] A. D. Pouliezos et G. S. Stavrakakis, Real Time Fault Monitoring of Industrial Processes.

Kluwer Academic Publishers, 1ère éd., 1994.
[16] M. Basseville et I. V. Nikiforov, Detection of Abrupt Changes : Theory and Application.

Prentice-Hall, Inc., 1993.
[17] http ://perso.ens-lyon.fr/patrick.flandrin/CoursM2SC 1112.pdf.
[18] Y. Chetouani, Use of cumulative sum (CUSUM) test for detecting abrrupt changes in
the process dynamics , International Journal of Reliability, Quality and Safety Engineering,
vol. 14, no. 01, p. 65–80, 2007.

Langue

Poly Copie

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Poly Copie

Transféré par

Droits d'auteur :

Formats disponibles

République Algérienne Démocratique et Populaire

Ministère de l’Enseignement Supérieur et de la Recherche Scientifique

Université Mohammed Seddik BENYAHIA - Jijel

Faculté des Sciences et de la Technologie

Master 2 : Automatique et Systèmes

Année universitaire : 2018/2019

Table des figures 5

2 Méthodes de diagnostic de défauts 12

2.3.4 Systèmes experts . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17

3 Diagnostic à base d’observateurs 18

4 Génération de résidus par espace de parité 31

5 Diagnostic par identification paramétrique 40

1.1 Types des défauts selon leur localisation. . . . . . . . . . . . . . . . . . . . . . . . . . 8

2.1 Classification des méthodes de diagnostic. . . . . . . . . . . . . . . . . . . . . . . . . 13

3.1 Principe de la génération de résidus à base d’observateur. . . . . . . . . . . . . . . . 19

4.1 Le résidu directionnel correspondant. . . . . . . . . . . . . . . . . . . . . . . . . . . . 33

5.1 Méthodologie de diagnostic via l’estimation paramétrique en utilisant un modèle

A.1 Pendule simple avec un vecteur d’état x = (q, q̇). . . . . . . . . . . . . . . . . . . . . 63

1.2 Notions fondamentales sur le diagnostic de défauts

• Défaut : Un changement inattendu d’au moins une propriété caractéristique ou un paramètre

• Défaillance : Une interruption permanente, ou une détérioration complète d’un compo-

Défaut =⇒ Défaillance =⇒ Panne

• Résidu : Un signal indicateur d’anomalies fonctionnelles ou comportementales, obtenu à

1.3 Modes de fonctionnement d’un système

Un système présente généralement plusieurs modes de fonctionnement. On peut observer des

• Mode de fonctionnement nominal : C’est le mode où l’équipement ou le système indus-

• Mode de fonctionnement dégradé : Correspond soit à l’accomplissement partiel de la mis-

• Mode de défaillance : Correspond à des mauvais fonctionnements du système, c’est-à-dire

1.4 Classification des défauts

1.4.1 Selon leur localisation

• Défauts d’actionneurs : Les défauts d’actionneurs agissent au niveau de la partie opérative

Master 2. Automatique et systèmes – 7 – KHEBBACHE Hicham

Figure 1.1: Types des défauts selon leur localisation.

• Défauts composants ou systèmes : Ce type de défauts provient du système lui-même ;

1.4.2 Classification selon la modélisation

(a) Défaut additif (b) Défaut multiplicatif

Figure 1.2: Défauts additif et multiplicatif.

• Défauts multiplicatifs : Les défauts multiplicatifs correspondent à des changements de

Master 2. Automatique et systèmes – 8 – KHEBBACHE Hicham

1.4.3 Classification selon les caractéristiques temporelles

(a) Défaut graduel (b) Défaut abrupt (c) Défaut intermittent

Figure 1.3: Évolution temporelle d’un défaut pour δ = cte.

• Défauts abrupts : Ils se produisent instantanément souvent à la suite d’un dommage

• Défauts intermittents : Ce sont des défauts qui apparaissent et disparaissent à plusieurs

1.5 Différentes étapes du diagnostic d’un système

• Étape d’acquisition de données : Il s’agit de l’extraction des informations nécessaires à

Master 2. Automatique et systèmes – 9 – KHEBBACHE Hicham

Figure 1.4: Différentes étapes du diagnostic.

• Étape de génération de résidus : La deuxième étape concerne la génération d’indicateurs

Master 2. Automatique et systèmes – 10 – KHEBBACHE Hicham

le dépassement d’un seuil par les résidus.

1.6 Critères de performances d’un système de diagnostic

D’une manière générale, un système de diagnostic nécessite plusieurs critères de performances

• La détectabilité : Représente l’aptitude du système de diagnostic à pouvoir déceler la

• L’isolabilité : Indique la capacité du système de diagnostic à remonter directement à l’origine

• La robustesse : Caractérise la capacité du système à détecter des défauts indépendamment

• La rapidité de détection : C’est un impératif à prendre en compte lorsque le diagnostic

Master 2. Automatique et systèmes – 11 – KHEBBACHE Hicham

Méthodes de diagnostic de défauts

2.2 Méthodes quantitatifs (à base de connaissances)

Le principe des méthodes à base de connaissances consiste à comparer le comportement réel du

Figure 2.1: Classification des méthodes de diagnostic.

multi-signaux (ou redondance analytique).