See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/311922110

Détection des défaillances d’une turbine à gaz de type SOLAR à base des
techniques d’intelligence artificielle

Conference Paper · November 2015

CITATIONS READS

0 2,678

3 authors:

Nadji hadroug nadji hadroug Ahmed Hafaifa

Ziane Achour University of Djelfa Ziane Achour University of Djelfa
48 PUBLICATIONS   211 CITATIONS    316 PUBLICATIONS   1,527 CITATIONS   

SEE PROFILE SEE PROFILE

Guemana Mouloud
Dr. Yahia Fares University of Médéa
118 PUBLICATIONS   638 CITATIONS   

SEE PROFILE

Some of the authors of this publication are also working on these related projects:

Faults Diagnosis of Renewable Energy Systems View project

The Investigation of Dielectric Barrier Effect in Rod-Plane on the DC Breakdown Voltage View project

All content following this page was uploaded by Ahmed Hafaifa on 27 December 2016.

The user has requested enhancement of the downloaded file.

 Détection des défaillances d’une turbine à gaz de type SOLAR à base des
techniques d’intelligence artificielle

Nadji Hadroug (*), Ahmed Hafaifa (*) and Mouloud Guemana (**)
(*)
Applied Automation and Industrial Diagnostics Laboratory, Faculty of Science and Technology,
University of Djelfa 17000 DZ, Algeria

Email: nadji_hadroug@yahoo.fr, hafaifa@hotmail.com

(**)
Faculty of Science and Technology, University of Médéa, 26000, Algeria

Email: Guemana_M@univ-medea.dz

Résume:

La détection automatique des défaillances devient de plus en plus indispensable à cause la

modernisation des installations industrielles qui devient plus complexes, devant la faiblesse de
l’opérateur humain. L’objectif de ce travail consiste à élaboration d’un système de diagnostic des
défauts basé sur la technique d’intelligence artificielle « la logique floue et de réseaux de neurones »
appliquée sur une turbine à gaz installé à la station de compression de gaz SC3 Djelfa. Cette
technique avec ses capacités de généralisation et de mémorisation nous a permet d’avoir un outil de
diagnostic efficace. Cela, nous a donné l’information sur le comportement de la turbine à gaz
examinée dans les différentes modes de fonctionnement.

Mots Clés : Détection automatique des défaillances, système de diagnostic, intelligence artificielle,
logique floue, réseaux de neurones, turbine à gaz.

I. Introduction

La détection des défaillances est devenue de nos plus importantes sources d'informations sur la
production, la qualité et la sécurité dans le milieu pétrolières. En effet, dans ce secteur l’emploi des
turbines à gaz est très répondue dans l’industrie des hydrocarbures et de la production d'énergie
électrique transport du gaz; malgré leurs nombreux avantages, leur haute sensibilité aux défaillances
exiges les constructeurs et les exploitants de maintenir ou rétablir à bien l’état de fonctionnement de
la turbine à gaz.

Pour solutionner le problème de détection des défaillances, compte tenu les conditions
d'exploitation différentes, on procède lors de réalisation de ce travail sur terrain, dans la station de
compression de gaz SC3, Djelfa de SONATRACH, d’adopté pour diagnostiquer les défauts des turbines
à gaz en utilisant les techniques d’intelligence artificielle, avec une analyse approfondies sur les
résultats obtenus. Dans le but d’avoir une stratégie d’entretien préventif qui sert à augmenter la
valeur de production par réduire le temps perdu de l'arrêt brutal de la production dans la plupart des
cas, causée par des défaillances dans les composantes de la turbine à gaz. Certes, cette technique est
assez fiable est loin d'être économique compte tenu les prix élevés de ces machines et le nombre
d'installations utilisant ces machines tournantes. Dans ce travail, les résultats obtenus ont prouvé
que cette technique basée sur la détection automatique des défaillances est le moyen le plus efficace
pour diagnostiquer et d'identifier les lacunes dans les premiers temps de apparence et ainsi que
l'emplacement exact avant qu'elles ne conduisent à des conséquences graves.

II. Système d'inférence neuro-flou adaptive

Dans cette section, nous introduisons la base de l'architecture du réseau ANFIS règle d'apprentissage
hybride, inspiré par l'idée de fonder la procédure d'inférence floue sur une structure de réseau avant
apprentissage. Cette architecture est montré sur Figure 1, cette figure indique que l'architecture
ANFIS peut être utilisé pour modéliser des fonctions non linéaires, d'identifier les composants non
linéaires en ligne dans un système de contrôle. Cette approche est basée sur une technique de
neuro-flou hybride qui apporte les capacités d'apprentissage des réseaux de neurones à système
d'inférence floue. L'algorithme d'apprentissage utilise les fonctions d'appartenance d'un système
d'inférence floue en utilisant les données d'entrée-sortie de système examiné. Cette architecture
ANFIS se compose de cinq couches; les nœuds d'adaptation du réseau neuronal sont les nœuds dans
les couches 1 et 4, montré sur la Figure 1. Le modèle représenté un dispositif de commande définit
avec deux entrées et une sortie de système étudie. Chaque entrée dispose de deux fonctions
d'appartenance.

Couche1 Couche2 Couche3 Couche4 Couche5

X1 X2
A
X TT N
A .f1

A
.f2
X2 TT N
A
X1 X2

Figure 1: Structure de l'architecture du réseau ANFIS

(1)
 (2)

La sortie des nœuds dans la couche 1 est les valeurs d'appartenance de la partie prémisse donné par
l’équation (3):

(3)

Chaque nœud dans la couche 2 est un nœud fixe marqué M, qui multiplie les signaux entrants:

(4)

Chaque nœud de couche 3 est étiqueté N nœud fixe pour la normalisation, il calcule la ration des
règles i-ième tir résistance à la somme de toutes les règles:

(5)

Dans la couche 4, chaque nœud est un nœud d'adaptation lorsque la fonction de nœud est:

(6)

Où est la sortie de la couche 3 et sont les paramètres pour le premier ordre de règle
Sugeno.

La production globale du réseau peut être définie comme:

(7)

III. Station de compression du gaz (SC3, SONATRACH)

L'écoulement du gaz dans la canalisation d'un gazoduc ne peut s'effectuer sans pertes de pression
importantes. Pour maintenir le débit du gaz à des valeurs spécifiques, il est nécessaire de prévoir des
stations de compression pour compenser les chutes de pression Ie long de la canalisation. Dans le cas
du gazoduc GG1 de Hassi R'MEL BEJAIA, une station de compression a été réalisé pour que le débit
soit maintenu aux valeurs spécifies. La station de compression SC3 est équipée du matériel principal
et auxiliaire, monté sur les Figures 2,3 et 4. Dans ce travail, la turbine à gaz SOLAR sera le sujet de
notre application. En effet, l'entraînement mécanique de la turbine à gaz est complètement intégré
et pleinement opérationnel, équipé avec les accessoires et les systèmes auxiliaires nécessaires au
fonctionnement de la turbine à gaz.
 Figure 2: Turbine à gaz entraînant un compresseur solaire

Figure 3: Système de supervision de la station de

Figure 4: Compresseur centrifuge
compression de gaz (SC3)

Pendant le processus de combustion typique, donnée par la Figure 5, l'air est aspiré dans l'entrée
d'air de turbine à gaz et est comprimé par le multi-étape, compresseur axiaux du moteur
d'écoulement. L'air comprimé est dirigé dans la chambre de combustion annulaire à un flux constant.
Le carburant est injecté et mélangé avec de l'air comprimé et mis à feu pendant le cycle de
démarrage. La combustion continue sera maintenue aussi longtemps que il y a une circulation
adéquate de l'air sous pression et le carburant.

Figure 5 : Processus de combustion

Pour la combustion, la turbine à gaz nécessite environ un quart de l'air total elle comprime. L'excès
d'air est mélangé aux produits de combustion afin de réduire la température des gaz à la turbine
premier étage-entrée. L'air de refroidissement maintient également des températures de métal dans
la chambre de combustion et de la turbine ensemble relativement faible pour assurer une longue
durée de vie.

En utilisant un ensemble de données d'entrée-sortie de la turbine examinée, pour la construit un

système d'inférence floue, dont les paramètres de la fonction d'appartenance sont de type réglés.
Pour cela, en utilisant soit un algorithme de rétro-propagation seul ou en combinaison avec une
méthode des moindres carrés. Cet ajustement permet la validation de systèmes flous, pour
apprendre à partir des données réelles la modélisation exacte. La tâche d'apprentissage se fait en
deux passes en utilisant un algorithme d'apprentissage hybride, dans le passe avant la première série
est fixe et S2 est optimisée par l'estimation des moindres carrés (LSE). Dans la passe arrière S1 est se
fait par l'algorithme de rétro-propagation.

III. Détection des défauts à base système d'inférence neuro-flou

III.1. Détection des défauts de l'encrassement du compresseur

L'encrassement du compresseur peut être détecté :

- Par la mesure de la pression de la chambre de combustion en tenant compte de la température

atmosphérique qui influe.

- Par la mesure de la dépression statique à l'entrée du compresseur.

L'encrassement des compresseurs de suralimentation a pour conséquence une chute rapide du

rendement isentropique du compresseur, rendement qui ensuit se stabilise, le rendement
isentropique du compresseur se met sous la forme :

(8)

avec : rendement isentropique du compresseur à l'instant t (heures). : rendement isentropique

du compresseur à l'instant t=0, tL : temps de lavage en heurs à partir duquel de rendement

isentropique du compresseur ne varie plus, VP(m/s) : vitesse périphérique de la roue du compresseur,
as= vitesse du son dans le gaz.

Dans les mêmes circonstances, en fonction du coefficient de débit :

(9)
le rendement isentropique du compresseur se met sous la forme:

(10)

et le rapport de pression entre la sortie et l'entrée du compresseur a pour expression :

(11)

Qm : débit massique qui traverse la machine, D: diamètre maximal la roue, Pe et Te : pression et

température d'entrée de la machine.

Le diagnostic prédictif du compresseur nécessite la prise en compte de l'ensemble des mesures

effectuées et leur analyse.

IV. Résultats d’application

Dans ce travail, nous avons utilisé des approches basées sur des modèles hybrides ANFIS pour les
tâches de modélisation et de diagnostic de pannes de turbine à gaz. Le système de la turbine à gaz
est modélisés avec deux modèles hybrides: ANFIS1, ANFIS2 et ANFIS3. Chaque modèle a aussi
présenté avec les deux équations suivantes cinq entrées et une sortie:

T5-2=ANFIS1 (T5-1,Q1,Q2,P1,P2)

P2= ANFIS2 (T5-1, T5-2,Q1,Q2,P1) (12)

Q2= ANFIS1 (T5-1, T5-2,Q1,P1,P2)

La tâche principale consiste à ajuster les paramètres des modèles flous en utilisant les données
d'entraînement réelles de la turbine à gaz exainée. Cette base de données contient 5 vecteurs des
variables entrées et leurs actions appropriées (T5-2, P2 et Q2). La construction des ensembles de
données ont était testé pour l'élaboration des modèles générés en utilisant les données de modèle
de turbine à gaz examinée. La base des données dispose d'environ 348 échantillons extraits à partir
des données mesurées sans défauts sur site.

Le principe de génération de résidu à base de modèle consiste à comparer le comportement du

système avec le comportement du modèle, comme il est montré sur la Figure 6. Le résidu est calculé
alors en faisant la différence, éventuellement filtrée, entre les sorties réelles et celles estimées.
 Faults Faults Faults

OUTPUT
INPUT
Actuators system sensor

Modèle

State estimation: parametric estimation heuristic reasoning

- Parity Space
- Observers
-Filter detector

Generating residues

Decision making

Faults
Figure 6: Détection des défauts à base de modèles

La génération de résidus consiste à comparer les mesures issues du système à leurs estimations
issues d’un modèle.

(15)

Pour générer les résidus qui seront utilisés dans le système de diagnostic, on calcul la différence
entre la sortie de la turbine à gaz industriel et la sortie du modèle conçu (rQ , rP et rT), comme il est
montré sur la Figure 7.

Figure 7: Structure des modèles ANFIS

 Les résidus sont les éléments de base pour la détection de défaut au cours de la surveillance de la
turbine à gaz. Les Figures 8, 9 et 10 présentent les résultats obtenus que la comparaison entre la
sortie du modèle de turbine à gaz et les données mesurées du réel autre spectacle erreur calculée
pour les deux réponses
5.175 0.2
Model Rt
Real
5.17
0.15
Temperature (real) and Temperature ( model)

5.165
0.1

5.16
0.05

Residual (T5-2)
5.155

5.15

-0.05
5.145

-0.1
5.14

-0.15
5.135

5.13 -0.2
0 50 100 150 200 250 300 350 0 50 100 150 200 250 300 350
Time(s) Time(s)

Figure 8 : Sortie réelle T2 avec la sortie T2’ estimée avec leur résidu RT (t)
7.82 1
Model Rp2
Real 0.8
7.815

0.6
7.81
Pression (real) and Pression ( model)

0.4
7.805
0.2
Residual (P2)

7.8
0

7.795
-0.2

7.79 -0.4

7.785 -0.6

-0.8
7.78

-1
0 50 100 150 200 250 300 350 0 50 100 150 200 250 300 350
Time (sec) Time (sec)

Figure 9 : Sortie Q2 réelle avec le Q2' estimé avec leur résidu rQ (t)

Après la génération des résidus de chaque défaut; la prochaine étape est l'évaluation de ces valeurs
calculées afin de classer le défaut détecté. Nous avons utilisé les classificateurs neuro-flous de type
ANFIS, comme il est montré sur la Figure 10, basé sur des procédures de formation. Le système de
diagnostic global a comme entrées les résidus (rT2f1, rP2MINf1, rP1f2, rP2MAXf3) et les sorties sont
les défauts (F1, F2, F3).
 Figure 10: Structure de classificateur des défauts

Aussi d’autre tests ont était effectués lors de la réalisation de ce travail, ou nous avons généré des
défauts sur la base des mesures du système et le modèle. La Figure 11 présente les résidus générés
des deux sorties (température et pression de gaz de sortie), avec la présence de défaut de fuite d'air
aval, ce défaut à était détecté dans un intervalle de temps [0 s, 320].

5.35 0.15
T5-2 Error
Fault
O u tp u t T 5 -2 ( M o d e l a n d r e a l )

5.3 TF2
0.1
E r r o r -T 5 -2

5.25
0.05
5.2

0
5.15

5.1 -0.05
0 50 100 150 200 250 300 350 0 50 100 150 200 250 300 350
Time (sec) Time (sec)

7.85 0.05
O u tp u t P 2 ( M o d e l a n d r e a l )

7.8
0
E rro r - P 2 -

7.75
-0.05
7.7

-0.1 Fault
7.65 P2
PF2 Error
7.6 -0.15
0 50 100 150 200 250 300 350 0 50 100 150 200 250 300 350
Time (sec) Time (sec)
Figure 11 : Résidus générés des deux sorties : température et pression de gaz de sortie
V. Conclusion

L’intérêt majeur de la recherche en maintenance industriels est d'augmenter la sécurité des

instruments utilisée et de garantir la continuité de production. En effet, les approches classiques
posent des problèmes de modélisation et d'efficacité de diagnostic. Les approches de l'intelligence
artificielle peuvent êtres des solutions prometteuses pour les besoins de prévention et de
surveillance. Dans ce travail, on a conçu un système de diagnostic de défauts pour un turbine à gaz
de station de compression trois (SC3) en utilisant la technique Neuro-floue de type ANFIS. Les
résultats obtenus sont satisfaisants et montrent l'efficacité de l'approche utilisée.

Référence

1. Abdelhafid Benyounes, Ahmed Hafaifa, Djeddi Ahmed Zohair and Abudura Salam, Fuzzy modeling of
Multiple-Input Multiple-Output systems using Takagi-Sugeno models based on Gustafson-Kessel
Clustering. International Journal on Advanced Electrical Engineering IJAEE, 2013, University Djelfa,
Algeria, Vol. 01, no. 03, IJAEE-2013-014
2. Ahmad Taher Azar, Adaptive network based on fuzzy inference system for equilibrated urea
concentration prediction. Computer Methods and Programs in Biomedicine, Vol. 111, No. 3, September
2013, Pp. 578-591
3. Ahmed Hafaifa, Ahmed Zohair Djeddi and Attia Daoudi, Fault detection and isolation in industrial control
valve based on artificial neural networks diagnosis. Journal of Control Engineering and Applied
Informatics, CEAI, 2013, Vol.15, No.3 pp. 61-69
4. Ahmed Hafaifa, Attia Daoudi and Kouider Laroussi, Application of fuzzy diagnosis in fault detection and
isolation to the compression system protection. Control and Intelligent Systems ACTA Press, July 2011,
vol. 39, no. 3, pp. 151-158.
5. Ahmed Hafaifa, Attia Daoudi and Mouloud Guemana, SCADA for Surge Control: Using a SCADA network
to handle surge control in gas suppression systems in pipelines. Control Global | Process Automation
Technologies Journal, ISA Transactions, March 2011, vol. 24 no. 3, pp.69-71.
6. Ahmed Hafaifa, Belhadef Rachid and Guemana Mouloud, Modelling of surge phenomena in a centrifugal
compressor: experimental analysis for control, Systems Science & Control Engineering: An Open Access
Journal, Taylor & Francis, 2014, Vol. 2 no.1, pp.632-641.
7. Ahmed Hafaifa, Belhadef Rachid and Mohamed Boumehraz, Reliability modelling based on incomplete
data: Oil pump application. Management Systems in Production Engineering Journal (DOI
10.12914/MSPE-09-03-2014), 2014, Vol. 3 no. 15, pp 140-144.
8. Ahmed Hafaifa, Ferhat Laaouad, and Kouider Laroussi, A Numerical structural approach to surge
detection and isolation in compression systems using fuzzy logic controller. International Journal of
Control, Automation, and Systems, IJCAS, February 2011, vol. 9, no. 1, pp. 69-79.
 9. Ahmed Hafaifa, Guemana Mouloud, and Belhadef Rachid, Fuzzy Modeling and Control of Centrifugal
Compressor Used in Gas Pipelines Systems. Multiphysics Modelling and Simulation for Systems Design
and Monitoring, book Series: Applied Condition Monitoring, 2015, Vol. 2, pp. 379-389.
10. Ahmed Hafaifa, Kouider Laroussi and Ferhat Laaouad, Fault detection and isolation in industrial plants
using fuzzy observers models. International journal of advanced technologie of CDTA, Numéro 21 -
Janvier 2011, pp.11-19.
11. Ahmed Hafaifa, Mouloud Guemana and Attia Daoudi, Fault detection and isolation in industrial systems
based on spectral analysis diagnosis. Intelligent Control and Automation, February 2013, Vol. 4, no 1, pp.
36-41.
12. Ahmed Hafaifa, Mouloud Guemana and Attia Daoudi, Vibration supervision in gas turbine based on
parity space approach to increasing efficiency. Journal of Vibration and Control, June 2015, vol. 21,
pp.1622-1632

13. Ben Rahmoune Mohamed, Ahmed Hafaifa and Guemana Mouloud, Vibration modeling improves
pipeline performance, costs. Oil & Gas Journal, Mars 2015, pp. 98-100.

14. Bosque G., I. del Campo, J. Echanobe, Fuzzy systems, neural networks and neuro-fuzzy systems: A vision
on their hardware implementation and platforms over two decades. Engineering Applications of
Artificial Intelligence, Vol. 32, June 2014, Pp. 283-331
15. Ching-Fen Fuh, Rong Jea, Jin-Shieh Su, Fuzzy system reliability analysis based on level (λ, 1) interval-
valued fuzzy numbers. Information Sciences, Vol. 272, 10 July 2014, Pp. 185-197
16. Djamel Halimi, Ahmed Hafaifa, Elahmoune Bouali and Mouloud Guemana, Use modeling as part of a
compressor maintenance program. Gas Processing | SEPTEMBER/OCTOBER 2014. pp 55-59
17. Fragiadakis N.G., V.D. Tsoukalas, V.J. Papazoglou, An adaptive neuro-fuzzy inference system (anfis)
model for assessing occupational risk in the shipbuilding industry. Safety Science, Vol. 63, March 2014,
Pp. 226-235
18. Jorge E. Hurtado, Diego A. Alvarez, Juliana Ramírez, Fuzzy structural analysis based on fundamental
reliability concepts. Computers & Structures, Vol.s 112–113, December 2012, Pp. 183-192
19. Lakhmissi C., H.Nadji ,B. Mohamed, Hybrid Approach Based on ANFIS Models for Intelligent Fault
Diagnosis in Industrial Actuator. Journal of Electrical and Control Engineering, Vol. 3 No. 4, 2013, Pp. 17-
22.
20. Liu Yubin, Qiao Zhong, Wang Guangyuan, Fuzzy random reliability of structures based on fuzzy random
variables. Fuzzy Sets and Systems, Vol. 86, No. 3, 16 March 1997, Pp. 345-355
21. Marjan Golob, Boris Tovornik, Input–output modelling with decomposed neuro-fuzzy ARX model.
Neurocomputing, Vol. 71, No.s 4–6, January 2008, Pp. 875-884
22. Nadji Hadroug, Ahmed Hafaifa and Attia Daoudi, Valve actuator fault classification based on fuzzy
system using the DAMADICS model. Proceedings of The 1st International Conference on Applied
Automation and Industrial Diagnostics (ICAAID 2015), Djelfa on 29-30 March 2015, Algeria

View publication stats