USTHB/FEI Cours Diagnostic 2eme année Master AIP/AS
Chapitre II : Méthodes de diagnostic
II.1 Introduction : Les systèmes automatisés sont de plus en plus complexes et doivent répondre à des enjeux majeurs de sureté de fonctionnement afin de garantir leurs bons fonctionnements. Ainsi, l’élaboration de méthodes de diagnostic devient primordiale dès la phase de conception du système afin de connaître à chaque instant son état de fonctionnement.
Les méthodes de diagnostic des défaillances utilisées dans les différents secteurs industriels sont très variées. Leur principe général consiste à confronter (Comparer) les données relevées au cours du fonctionnement réel du système dynamique avec la connaissance que l’on a de son fonctionnement nominal. La forme, sous laquelle se présente la connaissance sur le système, conditionne les différentes méthodes utilisées pour le diagnostic.
II.2 Redondance matérielle :
Le principe de base du diagnostic des défauts repose sur la notion de redondance, qui permet de fournir au système plusieurs informations différentes sur une même variable. Le moyen le plus facile d'obtenir plusieurs informations sur une même variable est de disposer de plusieurs capteurs mesurant la grandeur de cette variable : c'est le principe de la redondance physique. Par exemple, pour obtenir trois mesures d'une même température, on triplera les capteurs de température. Les mesures sont comparées entre elles et un vote logique permet d’isoler le capteur défaillant. Cette méthode est utilisée dans les systèmes ou la sécurité des biens et des personnes est primordiale (Aéronautique, système nucléaire, procédés chimique). Si nous considérons l’exemple du système de mesures d’une variable physique « a » suivant :
Le comparateur compare les trois signaux m1(t), m2(t) et m3(t) mesurés respectivement par les trois capteurs et délivre respectivement trois signaux appelés "Résidus" r1(t), r2(t) et r3(t) donnés par les équations suivantes :
r1(t) = m1(t) – m2(t).
r2(t) = m1(t) – m3(t).
r3(t) = m2(t) – m3(t).
Les signaux résidus obtenus r1(t), r2(t) et r3(t) sont ensuite binarisés par une opération de seuillage (r(t)=1, présence de défaut/r(t)=0, absence de défaut), le fait de dépasser un seuil critique présente des risques sur le fonctionnement du système. A travers une table de signature, un vote logique fournit suivant les valeurs des résidus une information conforme ou erronée (Capteur en défaut).
r1(t) r2(t) r3(t)
Capteur 1 en défaut 1 1 0 Capteur 2 en défaut 1 0 1 Capteur 3 en défaut 0 1 1
La redondance matérielle possède plusieurs avantages tels que la fiabilité et les bonnes performances. En revanche, celle-ci impose de nombreuses contraintes de coûts, de poids et d'encombrements, du fait des composants additionnels, ainsi qu’un champ d’application strictement limité aux défauts de capteurs.
II.3 Les méthodes sans modèles :
Le diagnostic sans modèle, nommé par fois diagnostic externe. Ces méthodes ont été développées pour pouvoir étudier efficacement la dynamique d’un système pour lequel le modèle mathématique est difficile à établir voir même inexistant, pour décrire les relations de cause à effet, à cause de la complexité des phénomènes physiques mises en jeu. La seule connaissance repose sur l’expertise humaine confrontée par un solide retour d’expérience.
Dans ce cas les connaissances utilisables reposent sur le savoir d’experts et sur un ensemble de données issues de l’installation à surveiller correspondant aux divers modes de fonctionnement. Suivant ce type d’approche, on retrouve l’ensemble des méthodes basées sur l’intelligence artificielle.
L’intelligence artificielle est une branche de l’informatique qui traite la reproduction par la machine de certains aspects de l’intelligence humaine. Dans cette catégorie, nous retrouvons toutes les méthodes basées sur l’IA :
Reconnaissance des formes.
Les systèmes experts. Réseaux de neurones artificiels. Logique floue.
Lorsque les observations sont de type numérique, l’approche par reconnaissance des formes peut être employée sur des problèmes complexes tels que le nucléaire, l’industrie automobile, les réseaux téléphonique, où la modélisation du procédé est souvent difficile à mettre en œuvre. D’un point de vue général, l’approche par reconnaissance des formes consiste à déterminer à quelles formes un objet observé est similaire, ou autrement dit, à quelle classe d’objets connus il peut être associé. La forme est représentée par un ensemble de paramètres ou attributs caractéristiques qui peuvent être numériques ou symboliques. La méthode regroupe l’ensemble des méthodes permettant la classification automatique d’objets, suivant leur ressemblance 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.
B/ Les systèmes experts :
Un système expert est une application informatique capable de prendre des décisions ou de résoudre des problèmes dans un domaine précis. C'est un programme faisant appel à l'intelligence artificielle. Une base de données est conçue à partir du savoir d'un expert avant d'être intégrée à un programme. Le diagnostic par système expert se base sur l'expérience disponible sur le système pour construire une table de correspondance permettant d'associer efficacement les observations aux diagnostics correspondants. L'expérience peut être fournie par un opérateur humain, dans ce cas, la connaissance humaine doit être traduite en langage informatique ou par un enregistrement éventuellement annoté des précédentes exécutions du système, où un algorithme d'apprentissage automatique doit être utilisé.
C/ Réseaux de neurones artificiels :
Le principe des Réseaux de Neurones Artificiel (RNA) s’inspire des neurones biologiques. Cette technique comprend un certain nombre de couches de neurones interconnectés : couches d’entrées, couches cachées et couches de sorties. Les réseaux de neurones sont souvent employés pour le diagnostic des systèmes présentant des dynamiques complexes, pour lesquels il est difficile de connaître les situations de défauts. Ils sont utilisés à différentes étapes : tout d’abord lors de la phase d’apprentissage, à partir des données issues du procédé en comportement normal et en opérations sous défauts, une classification des états qualitatifs ainsi que l’identification de symptômes sont effectuées. Cet apprentissage permet alors, sur la base de l’optimisation d’un critère, de reproduire le comportement du système à modéliser. Une fois que l’apprentissage est achevé, il peut être, ensuite, utilisé pour la généralisation. Il s’agit de la phase de test où de nouveaux exemples sont présentés au réseau de neurones pour juger de sa capacité à prédire les comportements du système modélisé.
D/ Logique floue : La logique floue est une théorie mathématique, qui tient compte des incertitudes et permet une fusion des informations. L’approche floue s’appuie sur la construction d’un dispositif, appelé système d’inférences floues, capable d’imiter les prises de décision d’un opérateur humain à partir des règles verbales traduisant ses connaissances relatives à un processus donné. Trouver une relation mathématique entre un défaut et ses symptômes s’avère souvent difficile. Cependant, en s’appuyant sur leur expérience, les opérateurs humains sont capables de déterminer l’élément défaillant qui est à l’origine des symptômes observés. Ce type de savoir peut être exprimé à l’aide des règles de la forme : « SI condition ALORS conclusion ». Où la partie condition contient les symptômes observés et la partie conclusion comporte l’élément défaillant. Ainsi le problème de diagnostic est considéré comme un problème de classification. Le vecteur des symptômes du classificateur, élaboré à partir des grandeurs
mesurées sur le système, peut être vu comme une forme, qu’il s’agit de classer parmi l’ensemble des formes correspondant à un fonctionnement normal ou non.
II.4 Les méthodes avec modèles :
Le diagnostic avec modèle, nommé par fois diagnostic interne. Dérivée des techniques utilisées par les automaticiens. Elles impliquent une connaissance approfondie du fonctionnement sous la forme de modèles mathématiques explicite du processus qui devront être obligatoirement validés expérimentalement avant toute utilisation pour le diagnostic. Les méthodes à base de modèle reposent sur le concept de redondance analytique. Dans lesquels on utilise les redondances d’informations et la connaissance fournie par le modèle pour caractériser le mode de fonctionnement ou l’état du système, puis décider s’il est normal ou pas. Les méthodes de détection et de localisation de défauts (Acronyme en anglais «FDI» : Fault Detection and Isolation) basé sur l’utilisation de modèles sont :
Méthode à base d’observateurs.
Méthode d’espace de parité. Méthode d’estimation paramétrique.
Ces méthodes font intervenir les techniques de génération de résidus, de détection et de
localisation. La première démarche dans la mise en œuvre d'un système de diagnostic à base de modèle consiste à générer des indicateurs de défauts. Ils contiennent des informations sur les anomalies ou dysfonctionnements du système à surveiller. Le principe est de mesurer l'écart entre les mesures des signaux du procédé et la valeur théorique fournie par le modèle dans des conditions de fonctionnement nominal. La qualité de la génération de résidus est un élément essentiel pour garantir les performances d’un système de diagnostic. En effet, de la structure de résidus engendrés dépendra la robustesse de la détection et de la localisation.
A/ Méthode à base d’observateurs :
Cette méthode de diagnostic consiste à utiliser des observateurs d´état pour estimer le vecteur d´état et de sortie du système à surveiller. Les résidus sont calculés ensuite comme étant la différence entre les mesures réelles et leurs estimées. Ces résidus sont nuls en l’absence de défauts et ils s’éloignent de zéro quand un défaut apparait. L’utilisation d’un observateur unique pour le diagnostic permet la détection des défauts mais non pas leur localisation ou isolation. Pour la localisation des défauts, des structures à plusieurs observateurs (appelées bancs d’observateurs) sont utilisées. L’intérêt de ces structures est que chaque observateur est sensible à un ensemble de défauts et non à leur totalité. Cette méthode permet de détecter et de localiser les défauts d’actionneurs et de capteurs.
B/ Méthode d’espace de parité :
Les équations du modèle mathématique sont projetées dans un espace particulier appelé espace de parité, permettant ainsi d’éliminer des inconnues (Vecteur d’état x(t)) à l’aide de redondance analytique. Les équations projetées ne font intervenir que des variables mesurables (Les
entrées et les sorties du système) sur une fenêtre d’estimation. Ces équations s’appellent des RRAs (Relations de Redondance Analytique). La génération de telles relations permet d’engendrer des résidus. Si ces résidus sont nuls, les mesures sont cohérentes par rapport au modèle, le système est déclaré sans défaut. Cette méthode permet de détecter et de localiser les défauts d’actionneurs et de capteurs.
C/ Méthode d’estimation paramétrique :
La méthode d'estimation paramétrique a pour principe d'estimer les paramètres du modèle mathématique en utilisant les entrées et sorties réelles du système. On entend par paramètres les constantes physiques du système (Masse, coefficient de viscosité, raideur ressort, etc…). Les résidus sont calculés ensuite comme étant la différence entre les paramètres physique réelles et leurs estimés. Ces résidus sont nuls en l’absence de défauts et ils s’éloignent de zéro quand un défaut apparait. Cette méthode permet de diagnostiquer les défauts système.
L’architecture générale du système FDI basé sur le modèle est donnée par la figure ci-dessous :
Défauts Commandes Mesures u(t) y(t) Système Actionneurs Capteurs Physique
Modèle Mathématique
-Observateur d’état -Estimation paramétrique
-Espace de parité
-Génération de résidus
-Détection Diagnostic des
Diagnostic des défauts capteurs -Localisation défauts système. et actionneurs.
