Vous êtes sur la page 1sur 5

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 :

Variable «a»
m1(t) r1(t)
Capteur 1
Résultat
(Capteur en
r2(t) défaut)
m2(t) Vote
Capteur 2 Comparaison
Logique

r3(t)
m3(t)
Capteur 3

1
Mr MECHAT Nabil
USTHB/FEI Cours Diagnostic 2eme année Master AIP/AS

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.

A/ Reconnaissance des formes :

2
Mr MECHAT Nabil
USTHB/FEI Cours Diagnostic 2eme année Master AIP/AS

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

3
Mr MECHAT Nabil
USTHB/FEI Cours Diagnostic 2eme année Master AIP/AS

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

4
Mr MECHAT Nabil
USTHB/FEI Cours Diagnostic 2eme année Master AIP/AS

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.

Composant en défaut

5
Mr MECHAT Nabil

Vous aimerez peut-être aussi