Académique Documents
Professionnel Documents
Culture Documents
ET DE T ECHNOLOGIE DE K AIROUAN
Préparé par
ATEF KHEDHER
F ILIÈRE
Mastère Professionnel GMSI
Niveau
P REMIÈRE ANNÉE
A.U. 2022-2023
Table des matières
Bibliographie 45
Généralités sur le diagnostic
1
1.1 Définition
La norme AFNOR [1] définit le diagnostic comme étant l’identification de la cause probable de
la (ou des) défaillance(s) à l’aide d’un raisonnement logique fondé sur un ensemble d’informations
provenant d’une inspection, d’un contrôle, ou d’un test. Les fonctions du diagnostic peuvent se
résumer comme suit :
— observer les symptômes de la défaillance,
— identifier la cause de la défaillance,
— prévoir la défaillance.
Le diagnostic joue un rôle primordial permettant d’assurer la sûreté de fonctionnement. En effet,
une détection rapide ou précoce d’un défaut ou d’une défaillance permet d’augmenter la disponi-
bilité et la productivité des outils de production.
5. Panne : c’est l’inaptitude d’un composant à accomplir une fonction requise [19]. C’est
une conséquence directe de la défaillance. En effet, une défaillance conduit à la panne du
système. La figure 1.1 présente le lien entre défaillance et panne.
6. Résidu : c’est un indicateur de défauts basé sur la déviation entre les mesures et les calculs
basés sur un modèle. En présence des défauts, le résidu s’écarte significativement de la
valeur nulle et il sera égal à zéro lorsque le système fonctionne normalement.
La figure 1.2 suivante récapitule le lien existant entre certaines définitions citées précédemment ;
en particulier le lien entre défaillance, erreur et faute.
Remarque 1.1
— une faute active produit une erreur latente,
— une erreur latente devient effective après son activation,
— la défaillance survient quand une (ou plusieurs) erreur(s) affecte(nt) le système.
Exemple 1.1
— la conséquence d’un court-circuit dans un relais est une faute,
— la commande de ce relais collé donne une erreur,
— la non délivrance du produit devient une défaillance.
2 Atef KHEDHER
Chapitre 1. Généralités sur le diagnostic
3 Atef KHEDHER
Chapitre 1. Généralités sur le diagnostic
δ(1 − e−α(t−t fi ) ) t ≥ t fi
f (t − t fi ) = (1.2)
0 t < t fi
Où α et δ sont deux constants positives.
La figure (1.4) présente un exemple de chaque type de ces défauts à partir de leurs évolutions
temporelles.
4 Atef KHEDHER
Chapitre 1. Généralités sur le diagnostic
suite à la coupure d’un fil électrique qui relie l’actionneur au système de commande par exemple.
Une perte partielle peut se présenter sous la forme d’une chute de tension électrique ou une dimi-
nution de la vitesse de rotation du rotor ou une fuite hydraulique.
Les défauts d’actionneur peuvent présenter plusieurs formes. Les principales formes sont illus-
trées par la figure 1.6.
5 Atef KHEDHER
Chapitre 1. Généralités sur le diagnostic
Remarque 1.2
Un défaut additif se caractérise par l’ajout du défaut au signal de la grandeur mesurée. Les
signal défectueux de sortie est donc la somme du défaut et du signal mesuré.
Un défaut multiplicatif est généré par l’ajout à la sortie du produit du signal de commande et
le défaut. Le signal défetcueux de sortie est donc le produit du signal mesuré et du défaut.
6 Atef KHEDHER
Chapitre 1. Généralités sur le diagnostic
7 Atef KHEDHER
Méthodes sans modèles
2
2.1 Introduction
Les méthodes du diagnostic sans modèles, appelées aussi méthodes externes, utilisent l’ex-
pertise humaine et le raisonnement logique pour chercher les relations de causalité décrivant les
systèmes à surveiller et pour la détection des causes des défaillances. Ces méthodes peuvent être
classées en méthodes déductives et méthodes inductives [19].
Dans la littérature, il existe une deuxième classification de ces méthodes en :
— Méthodes basées sur la connaissance,
— méthodes de traitement de données.
Dans ce cours, nous adoptons la deuxième classification. Une description de cette classification est
présentée au diagramme de la figure 2.1.
Les méthodes de diagnostic sans modèles sont généralement utilisées dans le cas où aucun
modèle mathématique ne peut reproduire le comportement du système. Ces méthodes cherchent
à trouver des liens entre les causes initiales des défaillances et leurs effets. Elles manipulent des
données provenantes de l’expertise humaine et le retour d’expérience [19]. Parmi ces méthodes,
nous présentons dans ce chapitre les méthodes suivantes :
1. méthode de l’Analyse des Modes de Défaillance et leurs Effets (AMDE),
2. méthode de l’Analyse des Modes de Défaillance et de leurs Effets et de leur Criticité (AM-
DEC),
3. méthode des systèmes experts,
4. méthode d’analyse des signatures,
5. méthode basée sur la reconnaissance de forme,
La méthode de l’arbre des défaillances sera détaillée dans le chapitre suivant.
9 Atef KHEDHER
Chapitre 2. Méthodes sans modèles
Cette méthode permet de lister par d’ordre d’importance les sources potentielles des défaillances,
susceptibles d’entraîner un scénario critique. Ceci est possible grâce au calcul des criticités.
La méthode AMDEC est généralement effectuée par des groupes de travail. Elle comporte les
étapes décrites par la figure 2.3 suivante :
Les résultats de l’analyse AMDEC sont présentés habituellement sous la forme d’un tableau
comme le montre le tableau 2.1 [6].
Exemple 2.1 Le tableau suivant décrit un élément d’une analyse AMDEC possible de la machine
distributrice de café [20].
10 Atef KHEDHER
Chapitre 2. Méthodes sans modèles
F IGURE 2.4 – Extrait d’une analyse AMDEC d’une machine distributrice de café
11 Atef KHEDHER
Chapitre 2. Méthodes sans modèles
12 Atef KHEDHER
L’arbre des défaillances
3
3.1 Introduction
L’arbre des défaillances est une méthode déductive. Elle est aussi classée parmi les méthodes
basées sur la connaissances. Le principe de cette méthode est de chercher les différentes causes
possibles d’un évènement indésirable. Elle est aussi appelée : méthode de l’arbre des causes ou
arbre des défauts. C’est une représentation graphique des différentes combinaisons d’évènements
pouvant conduire à un évènement unique ; cet événement constitue l’évènement situé au sommet
de l’arbre des défaillances et il est un évènement non souhaité dont on veut éviter l’occurence.
L’arbre des défaillances est consititué de plusieurs niveaux successifs d’évènements. Chaque
évènement est généré à partir des évènements du niveau inférieur à l’aide de différentes portes
logiques. Ces évènements sont généralement des défauts associés à des défaillances de matériels,
des erreurs humaines, des défauts de logiciels... pouvant conduire à l’évènement indésirable. Ce
processus est poursuivi jusqu’à ce qu’on obtienne des évènements dits "évènements élémentaires"
ou "évènements de base" [19]. La figure 3.1 présente un exemple d’un arbre des défaillances.
Remarque 3.1 Les événements de base sont généralement des évènements indépendants entre eux
et dont on connaît les probabilités d’occurrence.
Chapitre 3. L’arbre des défaillances
4. L’études des relations de causalité liant les événements doit se faire jusqu’à l’obtention des
événements de base (qui peuvent être élémentaires ou non). Ces événements sont représen-
tés par les symboles décrits dans le tableau de la figure 3.3.
14 Atef KHEDHER
Chapitre 3. L’arbre des défaillances
15 Atef KHEDHER
Chapitre 3. L’arbre des défaillances
La détermination des coupes minimales est faite généralement en transformant l’arbre des dé-
faillances en une expression booléenne en utilisant l’algèbre de Boole. Cette algèbre est appliquée
à l’arbre des défaillances de la manière suivante :
1. à chaque évènement de base est associée une variable booléenne,
2. on associe à l’événement de sortie d’une porte ET une variable booléenne égale au produit
booléen des variables booléennes des evenements d’entrée,
3. on associe à l’évènement de sortie d’une porte OU une variable booléenne égale à la somme
booléenne des variables booléennes des évènements d’entrée.
On obtient ainsi l’expression booléenne de l’événement indésirable F sous la forme :
n
F = C1 +C2 + ... +Ci + ... +Cn = ∑ Ci
i=1
ou Ci est le produit de mi évènements de base :
mi
= ∏ Bi
j
Ci = B1i ∗ B2i ∗ ... ∗ Bm
i
i
j=1
3.5.1 Porte ET
Considérons deux évènements de base A et B liés par une porte logique ET, et entrainant un
événement indésirable E (figure 3.5). Si les événements A et B sont indépendants, on obtient :
P(E) = P(A).P(B)
3.5.2 Porte OU
Soient A et B deux évènements de base liés par une porte logique OU, et conduisant à un
événement indésirable E (figure 3.6). Si les événements A et B sont indépendants, on obtient :
P(E) = P(A) + P(B) − P(A).P(B)
16 Atef KHEDHER
Chapitre 3. L’arbre des défaillances
Exercice 3.1 Calculer la probabilité d’occurrence de l’événement indésirable donné par l’arbre
des défaillances de la figure suivante :
L’arbre des défaillances associé à ce système est donné par la figure suivante :
Remarque 3.2 La correspondance entre diagramme de fiabilité et arbre de défaillance peut être
simplement résumée par le fait qu’à chaque porte OU correspond des éléments en série et à chaque
porte ET correspond des éléments en parallèle.
17 Atef KHEDHER
Chapitre 3. L’arbre des défaillances
3.7 Exercices
Exercice 1
Considérons le circuit électrique formé de deux batteries B1 et B2, une lampe L et un interrup-
teur I présenté à la figure 3.8 suivante.
Exercice 2
Soit le système décrit par le schéma de la figure suivante :
18 Atef KHEDHER
Chapitre 3. L’arbre des défaillances
Exercice 3
On considère le système suivant :
Exercice 4
On considère l’arbre des défaillances suivant :
19 Atef KHEDHER
Méthodes avec modèles
4
4.1 Introduction
Les modèles mathématiques sont élaborés pour représenter les intéractions entre les éléments
d’un processus physique par un ensemble de variables, de fonctions et/ou d’équations mathéma-
tiques [8]. Un modèle mathématique doit être précis et le plus simple possible pour faciliter les
procédures de commande et/ou de diagnostic.
La réussite d’un modèle dépend généralement de la facilité avec laquelle il pourra être utilisé
et de sa précision. Tout modèle possède un domaine restreint de validité et ne peut être exploité en
dehors de ce domaine [8].
Les méthodes de diagnostic à base de modèles sont appliquées dans le cas où le comportement
du processus peut être décrit par un modèle mathématique précis. Ce modèle peut être une fonction
de transfert, un modèle d’état, une equation différentielle, etc. Le modèle mathématique adopté doit
être validé expérimentalement avant toute application industrielle. Le principe du diagnostic à base
de modèle peut être illustré par la figure 4.1 suivante :
21 Atef KHEDHER
Chapitre 4. Méthodes avec modèles
dance analytique consistant à utiliser des informations issues du modèle générant des grandeurs
homogènes à celles provenant de capteurs, ce qui permet de générer des résidus nuls en l’absence
de défauts et dans le cas contraire leurs valeurs s’écartent de « 0 » de manière significative. Le
principe de cette méthode est décrit par la figure 4.3 suivante :
ε1
y1 1
y2 = 1 x + ε2 (4.1)
y3 1 ε3
Pour trouver les relations de redondance entre les mesures, il suffit d’éliminer la grandeur in-
connue x. Cela revient à chercher une matrice V appelée matrice de parité qui obéisse à la relation :
V H = 0.
Le système des équations de redondance s’en déduit : P = VY = V Ξ
Le vecteur P est appelé vecteur de parité. Ses composantes sont des signaux indicateurs de
panne capteur. En présence de bruit à moyenne nulle et en l’absence de défauts, il doit être à
moyenne nulle.
22 Atef KHEDHER
Chapitre 4. Méthodes avec modèles
correspondant à une configuration où l’on dispose de cinq mesures y1 (k), y2 (k), y3 (k) et y4 (k)
formant le vecteur Y (k) et couplées de trois grandeurs x1 (k), x2 (k) et x3 (k) composantes de la
grandeur vectorielle X(k).
On peut alors générer (5-3 = 2) équations de redondance analytique liant les composantes yi (k)
du vecteur de mesure Y . Ces équations peuvent être les suivantes :
y1 (k) + y3 (k) − 2y4 (k) = 0
(4.3)
y2 (k) − 2y3 (k) + y5 (k) = 0
Ainsi en l’absence d’erreur, ces deux équations sont parfaitement vérifiées. Elles ne le sont géné-
ralement pas si une ou plusieurs mesures yi (k) sont entachées d’erreurs.
23 Atef KHEDHER
Chapitre 4. Méthodes avec modèles
u y
Processus
Identification
des paramètres Modèle simplifié
4.4 Exercices
Exercice 1
Soient (y1 , y2 , y3 , y4 ) quatres mesures d’une grandeur vectorielle x = (x1 x2 )T ; entachées res-
pectivement des erreurs (ε1 , ε2 , ε3 , ε4 ). On obtient le système suivant :
ε1
y1 1 1
x + ε2
y2 2 1
y3 = 1 0 ε3
y4 1 2 ε4
1. On écrit ce système sous la forme : Y = Hx + Ξ, déterminer les matrices Y, H, etΞ
2. Déterminer la forme de la matrice de parité V permettant de trouver les relations de redon-
dance entre les mesures
3. Donner un exemple de V
4. déterminer les relations de redondance.
Exercice 2
Considérons à un instant k le système de mesure Y (k) et les deux mesures Y1 et Y2 :
1 1 0 1 1
1 0 1
2
−2
Y (k) =
0 1 1 X(k), Y1 (k) =
5 Y2 (k) =
1
3 3 3 0 0
1 0 −1 −1 3
Qui correspond à une configuration où l’on dispose de quelques mesures yi (k) composantes de
Y (k) couplées des grandeurs xi (k) composantes du vecteur X(k).
1. Quel est le nombre des entrées et des sorties du système.
2. Quel est le nombre des équations de redondance.
3. Générer les équations de redondance analytique liant les mesures yi(k).
4. Déterminer si les deux vecteurs Y 1 et Y2 suivants sont bons ou entachés de défauts, justifier.
24 Atef KHEDHER
Diagnostic par observateurs d’état
5
5.1 Introduction
Le principe de la méthode du diagnostic à l’aide du vecteur d’état consiste à estimer les élé-
ments du vecteur d’état ou de façon plus plus générale le vecteur des sorties du processus et utiliser
l’erreur d’estimation d’état ou des sorties comme résidu indicateur de défauts.
Cette technique est faite en utilisant un système dynamique auxiliaire appelé observateur.
Définition 5.1 On appelle observateur (ou reconstructeur d’état) d’un système ′ S′ ; un système
dynamique auxiliaire ′ O′ dont les entrées sont constituées des vecteurs d’entrée et de sortie du
système à observer, et dont le vecteur de sortie x̂(t) est l’état estimé du système. Le principe de
fonctionnement d’un observateur d’état est décrit par la figure 5.1 suivante :
5.2 Principe
Cette méthode de diagnostic consiste à utiliser les observateurs d’état pour obtenir une valeur
estimée du vecteur d’état du processus à surveiller. Ensuite, les résidus sont générés en calculant
la différence entre les valeurs des grandeurs physiques réelles (états ou sorties) et leurs estimées
récupérées à la sortie de l’observateur. Ces résidus sont nuls si le système n’est pas affecté par un
défaut et ils s’éloignent significativement de la valeur nulle quand un défaut affecte le système.
Chapitre 5. Diagnostic par observateurs d’état
Pour un système ayant plusieurs sorties, l’utilisation d’un seul observateur d’état pour le diag-
nostic garanntit la détection des défauts, cependant il reste incapable de les localiser.
La localisation des défauts est assurée en utilisant des structures formées de plusieurs observa-
teurs (dites bancs d’observateurs). l’avantage de ces structures est que chaque observateur puisse
localiser un ensemble de défauts et non pas à leur totalité. Ces structures sont parfaitement adaptées
pour la localisation des défauts d’actionneur et/ou de capteur.
Le principe de l’utilisation des bancs d’observateurs pour la localisation des défauts d’action-
neur et de capteur est illustré par les figures (5.3) et (5.4).
Système Système
Observateur 1
Observateur 1
: Fusion
: Fusion
:
Observateur s Observateur s
F IGURE 5.3 – Banc d’observateurs pour la F IGURE 5.4 – Banc d’observateurs pour la loca-
localisation des défauts d’actionneur lisation des défauts de capteur
La situation idéale est qu’un résidu soit sensible à un seul défaut. Cette opération peut se faire
en utilisant des formes particulières de bancs d’observateurs construits à partir d’une partie seule-
ment des entrées et sorties du système : Selon que l’on souhaite détecter des défauts d’actionneurs
ou de capteurs on utilise seulement une partie des entrées ou des sorties.
Le principe d’isolation des défauts par banc d’observateurs consiste à piloter chaque observa-
teur par une entrée et toutes les sorties (éventuellement une sortie et toutes les entrées), les autres
entrées (éventuellement sorties) seront supposées inconnues et alors chaque observateur est sen-
sible à un seul défaut.
26 Atef KHEDHER
Chapitre 5. Diagnostic par observateurs d’état
27 Atef KHEDHER
Chapitre 5. Diagnostic par observateurs d’état
u y1
Système Capteurs yi
yp
ŷ11
Observateur 1 yˆ1i
yˆ1 p
Logique
yˆi1 de décision
Observateur 2 yˆii
yˆip
yˆ p1
Observateur p yˆ pi
yˆ pp
Les structures de bancs d’observateurs sont composées de plusieurs observateurs. Pour la dé-
tection des défauts de capteurs, chaque observateur est piloté par tout le vecteur d’entrée et un
sous-ensemble des sorties du système. Cette situation rend les résidus calculés sensibles à ce sous-
ensemble de défauts et insensibles aux autrs défauts.
La détection des défauts consiste à décider si un défaut est apparu ou non à l’instant considéré.
Ceci est fait en analysant les résidus obtenus à partir de la structure de banc d’observateurs utilisée.
Après l’étape de la détection, il est important de décider sur quel composant apparaît le défaut
à l’instant considéré. C’est l’étape de localisation des défauts.
La dernière étape est la prise de décision concernant les taches à effectuer pour la maintenance
du système.
28 Atef KHEDHER
Chapitre 5. Diagnostic par observateurs d’état
— trois observateurs pilotés chacun par l’entrée du système et deux sorties, ces observateurs
sont notés comme suit :
— observateur 12 piloté par l’entrée et la première et la deuxième sortie,
— observateur 13 piloté par l’entrée et la première et la troisième sortie,
— observateur 23 piloté par l’entrée et la deuxième et la troisième sortie.
— un observateur piloté par l’entrée et les trois sorties noté observateur 123
Le système pris en compte est décrit par l’équation d’état suivante :
2 4
2
1
0
0
−2
−1 −4
0 10 20 30 40 50 60 70 80 90 100 0 10 20 30 40 50 60 70 80 90 100
2 4
1 2
0 0
−1 −2
−2 −4
0 10 20 30 40 50 60 70 80 90 100 0 10 20 30 40 50 60 70 80 90 100
2 4
2
1
0
0
−2
−1 −4
0 10 20 30 40 50 60 70 80 90 100 0 10 20 30 40 50 60 70 80 90 100
F IGURE 5.7 – Sorties et sorties estimées en F IGURE 5.8 – Sorties et sorties estimées en
utilisant l’observateur 1 utilisant l’observateur 23
29 Atef KHEDHER
Chapitre 5. Diagnostic par observateurs d’état
4 1
b1
2
0 0
−2
−4 −1
0 10 20 30 40 50 60 70 80 90 100 0 20 40 60 80 100
4 1
b2
2
0 0
−2
−4 −1
0 10 20 30 40 50 60 70 80 90 100 0 20 40 60 80 100
4 1
b3
2
0 0
−2
−4 −1
0 10 20 30 40 50 60 70 80 90 100 0 20 40 60 80 100
F IGURE 5.9 – Sorties et sorties estimées en F IGURE 5.10 – Bruits affectant les sorties du
utilisant l’observateur 123 système
2 10
d1 r1
1 5
0 0
0 20 40 60 80 100 0 20 40 60 80 100
2 10
d2 r2
1 5
0 0
0 20 40 60 80 100 0 20 40 60 80 100
2 10
d3 r3
1 5
0 0
0 20 40 60 80 100 0 20 40 60 80 100
30 Atef KHEDHER
Chapitre 5. Diagnostic par observateurs d’état
Les résultats obtenus sont donnés par les figures (5.13) à (5.15). L’analyse des résidus présentés
dans ces figures permet de détecter un défaut affectant la sortie y3 (t) entre t = 70s et 77s, un défaut
sur y1 (t) entre t = 20s et 27s et un défaut sur y2 (t) entre t = 40s et 47s.
10 10
r12,1 r13,1
5 5
0 0
0 20 40 60 80 100 0 20 40 60 80 100
10 10
r12,2 r13,2
5 5
0 0
0 20 40 60 80 100 0 20 40 60 80 100
10 10
r12,3 r13,2
5 5
0 0
0 20 40 60 80 100 0 20 40 60 80 100
F IGURE 5.13 – Résidus r12, 1 à r12, 3 F IGURE 5.14 – Résidus r13, 1 à r13, 3
10 10
r23,1 r3,1
5 5
0 0
0 20 40 60 80 100 0 20 40 60 80 100
10 10
r23,2 r3,2
5 5
0 0
0 20 40 60 80 100 0 20 40 60 80 100
10 10
r23,3 r3,3
5 5
0 0
0 20 40 60 80 100 0 20 40 60 80 100
F IGURE 5.15 – Résidus r23, 1 à r23, 3 F IGURE 5.16 – Résidus r3, 1 à r3, 3
10 10
r1,1 r2,1
5 5
0 0
0 20 40 60 80 100 0 20 40 60 80 100
10 10
r1,2 r2,2
5 5
0 0
0 20 40 60 80 100 0 20 40 60 80 100
10 10
r1,3 r2,3
5 5
0 0
0 20 40 60 80 100 0 20 40 60 80 100
F IGURE 5.17 – Résidus r1, 1 à r1, 3 F IGURE 5.18 – Résidus r2, 1 à r2, 3
31 Atef KHEDHER
Chapitre 5. Diagnostic par observateurs d’état
32 Atef KHEDHER
Chapitre 5. Diagnostic par observateurs d’état
5.6 Exercice
On considère le système décrit par l’équation d’état suivante où d est un esemble de défauts
qui entache les sorties :
ẋ(t) = Ax(t) + Bu(t)
y(t) = Cx(t) + d
avec :
−0.3 −3 −0.5 0.1
1 1 0
A = −0.7 −5 2 , B = 0.2 , C =
0 1 1
2 −0.5 −5 0.3
1. Quel est le nombre d’observateurs nécéssaires pour détecter et localiser les défauts.
l’application de ces observateurs donne les figures 5.19, 5.20 et 5.21 suivantes :
r11 r21
4 4
3 3
2 2
1 1
0 0
−1 −1
0 10 20 30 40 50 60 70 80 90 100 0 10 20 30 40 50 60 70 80 90 100
r12 r22
4 4
3 3
2 2
1 1
0 0
−1 −1
0 10 20 30 40 50 60 70 80 90 100 0 10 20 30 40 50 60 70 80 90 100
r1
4
−1
0 10 20 30 40 50 60 70 80 90 100
r2
TABLE 5.4 – Table des signatures
4
1
d1
0 d2
−1
0 10 20 30 40 50 60 70 80 90 100
33 Atef KHEDHER
Diagnostic à base des réseaux de Petri
6
6.1 Introduction
Une grande variété des systèmes physiques peut être représentée par des systèmes à événements
discrets ; les systèmes manufacturiers, les systèmes de transport, les systèmes de communication et
d’autres dont le comportement est basé sur l’occurrence d’événements asynchrones dans le temps.
Les SED sont généralement modélisés par les machines à états finis ou les réseaux de Petri.
Les réseaux de Petri (RdP) constituent, depuis leur introduction en 1962 par Carl Adam Petri
[21] , un puissant outil graphique de représentation des phénomènes et mécanismes séquentiels,
de modélisation des systèmes à évènement discrets [23] [24]. Ils permettent la modélisation des
processus complexes mettant en jeu des phénomènes de synchronisme et de choix.
Définition 6.1 Un réseau de Petri (RdP) est représenté par un triplet N=<P, Tr ,W > où [28] :
— P et Tr sont des ensembles finis disjoints (P ∩ Tr= 0/ ) ;
— W =(P × Tr) ∪ (Tr × P) → N est la fonction de poids ;
Les éléments de P sont appelés des places et les éléments de Tr sont appelés des transitions.
+
La valeur w− i j (respectivement, wi j ) représentent le poids de l’arc qui relie une transition x j à une
place Pi située en amont (respectivement, une transition x j à une place Pi située en aval). Si w− ij = 0
+
(respectivement, wi j = 0), alors, il n’existe pas d’arc reliant une transition x j à une place Pi située
en amont (respectivement, une transition x j à une place Pi située en aval). On définit la matrice
d’incidence d’un RdP comme suit :
W = W + −W − (6.1)
Chapitre 6. Diagnostic à base des réseaux de Petri
La matrice W − est la matrice d’incidence dite "avant" telle que W − = [w− ], et W + est la matrice
d’incidence dite "arrière" telle que W + = [w+ ].
La figure (6.1) présente les valeurs w+ −
i j et wi j [28]
Définition 6.2 Un réseau de Petri marqué est un couple < N,M0 > tel que :
— N est un réseau de Petri,
— M0 : P → N est un marquage dit marquage initial.
Un RdP est un modèle dynamique dont l’évolution est liée à celle du marquage. Son état à un
instant donné est représenté par son marquage M0 à cet instant. La caractérisation d’un RdP à un
instant donné est souvent donnée ti par le couple (N,M0 ).
Pour un RdP non temporel, on dit qu’une transition est tirable (franchissable) si, quelque soit Pi
∈ • x j , M(Pi ) ≥ w− i j . Autrement dit, si toute place Pi située en amont de x j contient un nombre de
jetons au moins égal au poids attaché à l’arc allant de Pi vers x j . Dans le cas d’un RdP ordinaire
(l’arc de poids n=1), il suffit que toutes les places d’entrée d’une transition contiennent au moins
un jeton pour qu’elle soit franchissable [28].
Une transition franchissable peut être franchie, ou non. Franchir une transition x j consiste à :
— retirer w− •
i j jetons de toute place Pi ∈ x j ,
— ajouter w+ •
i j jetons dans toute place Pi ∈ x j .
Le marquage initial M0 = (1, 0, 0, 0)t . Une séquence de franchissement à partir d’un marquage
M0 est représentée par une suite de transitions. Nous dirons que nous sommes passés de M0 à M2
σ
= (0, 0, 1, 1) en effectuant le tirage de la séquence σ < x2 , x3 > et nous écrivons M0 → M2 . Le
marquage final est décrit par la figure 6.3.
Mq = M0 +W.σq , (6.2)
35 Atef KHEDHER
Chapitre 6. Diagnostic à base des réseaux de Petri
Le marquage M2 peut être aussi calculé à partir des matrices M0 , S et W données ci-dessus et en
appliquant l’équation (6.2) , ce qui permet d’écrire
1 1 −1 0 0
0 0 0
1 −1 0
M2 = M0 +W ∗ S = +
0 −1 0 1 =
1 1
1
0 −1 0 1 1
6.2.2.1 Accessibilité
′
Le problème d’accessibilité consiste à trouver si l’on peut accéder à un marquage M d’un RdP
à partir de son marquage initial M0 [25].
′
Définition 6.3 Soit un RdP (N,M0 ), on dit qu’un marquage M est atteignable à partir de M0 s’il
σ
existe une séquence de franchissement σ telle que M0 → M . On note R(M0 ) l’ensemble des
′
36 Atef KHEDHER
Chapitre 6. Diagnostic à base des réseaux de Petri
6.2.2.2 Bornitude
Définition 6.4 On dit qu’un RdP (N,M0 ) est borné si, quelques soient la place Pi et le marquage
′
accessible M à partir M0 , le nombre de jetons dans cette place Pi est borné [25].
6.2.2.3 Vivacité
Définition 6.5 On dite qu’une transition x j est vivante si elle peut être franchie quelque soit le
marquage atteint.
— Un RdP (N,M0 ) est vivant si chacune de ses transitions est vivante.
— Dans un RdP (N,M0 ), un état de blocage est un marquage tel qu’aucune transition n’est
validée [25].
37 Atef KHEDHER
Chapitre 6. Diagnostic à base des réseaux de Petri
— Soit en associant à chaque transition x une durée minimale de tir τ(x), qui représente
le temps de réservation d’un jeton dans une place en amont, avant d’être disponible
à nouveau, dans une place située en aval. On parle alors de graphes d’événements t-
temporisés.
— Soit en associant à chaque place une durée minimale τ(P), qui correspond à un temps
d’indisponibilité d’une marque après son arrivée dans cette place, avant d’être utile pour
un nouveau franchissement. On parle alors de graphes d’événements p-temporisés.
Du fait de la possibilité de transformer une place temporisée en une transition temporisée
et vice versa, l’équivalence entre les deux types de graphes peut être établie [26].
2. Graphes d’événements temporels
Il existe deux formes de réseau de Petri temporel :
— Les graphes d’événements t-temporels associent un intervalle temporel aux transitions.
L’intervalle de tir d’une transition est relatif à la date où la transition devient sensibilisée
.
La figure (6.6) présente un exemple d’un graphe d’événements t-temporel.
— Les graphes d’événements p-temporels [27] associent un intervalle de temps aux places.
Ces intervalles temporels spécifient des durées de séjour.
La figure (6.7) présente un exemple d’un graphe d’événements p-temporel.
38 Atef KHEDHER
Chapitre 6. Diagnostic à base des réseaux de Petri
F IGURE 6.10 – Exemple d’un RdP BCF F IGURE 6.11 – Exemple d’un RdP FCF
— Un Rdp est dit BCF (Backward Conflict Free) si chaque deux transitions distinctes n’ont
aucune place commune de sortie.
La figure (6.10) présente un exemple d’un RdP BCF.
39 Atef KHEDHER
Chapitre 6. Diagnostic à base des réseaux de Petri
— Un Rdp est dit FCF (Forward Conflict Free) si chaque deux transitions distinctes n’ont
aucune place commune d’entrée.
La figure (6.11) présente un exemple d’un RdP FCF.
6.3.2 Simulation
Pour la simulation du système on peut utiliser les équations suivantes :
Pour simuler l’état x(k) et la sortie y(k) du système, on suppose connaître la commande u(k) du
système et le vecteur d’état initial à l’instant t = 0.
Le tableau suivant présente les résultats de simulation :
40 Atef KHEDHER
Chapitre 6. Diagnostic à base des réseaux de Petri
temps 0 1 2 3 4 5 6 7 8 9 10
u(k) 0 8 8 10 12 14 16 18 20 22 24
x1 (k) 0 4 4 5 6 7 8 9 10 11 12
x2 (k) 0 5 5 6 7 8 9 10 11 12 13
x3 (k) 0 1 6 6 7 8 9 10 11 12 13
x4 (k) 0 1 4 4 4 5 5 6 6 7 7
x5 (k) 0 1 3 4 4 4 5 5 6 6 7
x6 (k) 0 3 4 6 6 7 7 8 8 9 9
y(k) 2 5 6 8 8 9 9 10 10 11 11
6.3.3 Estimation
Pour l’estimaion du système on peut utiliser les équations suivantes :
Pour faire l’estimation d’état x(k) et de l’entrée u(k) du système. On suppose connaître y(k) et
on établi l’estimateur.
temps 0 1 2 3 4 5 6 7 8 9 10
uest (k) 1 9 9 13 13 17 17 21 21 - -
x1est (k) 1 5 5 7 7 9 9 11 11 - -
x2est (k) 1 5 5 7 7 9 9 11 11 - -
x3est (k) 0 2 6 6 8 8 10 10 12 12 -
x4est (k) - 1 2 4 4 5 5 6 6 7 7
x5est (k) - 1 2 4 4 5 5 6 6 7 7
x6est (k) 0 3 4 6 6 7 7 8 8 9 9
y(k) 2 5 6 8 8 9 9 10 10 11 11
41 Atef KHEDHER
Chapitre 6. Diagnostic à base des réseaux de Petri
temps 0 1 2 3 4 5 6 7 8 9 10
u(k) 0 8 8 10 12 14 16 18 20 22 24
uest (k) 1 9 9 13 13 17 17 21 21 - -
x1 (k) 0 4 4 5 6 7 8 9 10 11 12
x1est (k) 1 5 5 7 7 9 9 11 11 - -
x2 (k) 0 5 5 6 7 8 9 10 11 12 13
x2est (k) 1 5 5 7 7 9 9 11 11 - -
x3 (k) 0 1 6 6 7 8 9 10 11 12 13
x3est (k) 0 2 6 6 8 8 10 10 12 12 -
x4 (k) 0 1 2 4 4 5 5 6 6 7 7
x4est (k) - 1 2 4 4 5 5 6 6 7 7
x5 (k) 0 1 1 4 4 4 5 5 6 6 7
x5est (k) - 1 2 4 4 5 5 6 6 7 7
x6 (k) 0 3 4 6 6 7 7 8 8 9 9
x6est (k) 0 3 4 6 6 7 7 8 8 9 9
y(k) 2 5 6 8 8 9 9 10 10 11 11
L’analyse du tableau (6.3) montre que le modèle algébrique utilisé pour l’estimation d’état et
de l’entrée est bien validé et il permet une estimation acceptable de ces grandeurs.
F IGURE 6.13 – Exemple d’un RdP BCF avec une transition d’entrée inconnue
Pour faire la simulation du système on peut utilise les équations qui décrite ci-dessous :
42 Atef KHEDHER
Chapitre 6. Diagnostic à base des réseaux de Petri
temps 0 1 2 3 4 5 6 7 8 9 10
u(k) 0 8 8 10 12 14 16 18 20 22 24
x1 (k) 0 4 4 5 6 7 8 9 10 11 12
x2 (k) 1 5 5 6 7 8 9 10 11 12 13
α(k) 1 1 +∞ 1 +∞ 2 +∞ 2 3 4 5
x3 (k) - 2 6 +∞ 7 +∞ 10 +∞ 12 14 16
x4 (k) - - 2 4 +∞ 5 +∞ 6 +∞ 7 8
x5 (k) - - 2 4 +∞ 4 +∞ 6 +∞ 7 8
x6 (k) - - 4 6 +∞ 7 +∞ 8 +∞ 9 10
y(k) - - 6 8 +∞ 9 +∞ 10 +∞ 11 12
Pour faire l’estimation d’état du système on peut utiliser les équations ci-dessous :
temps 0 1 2 3 4 5 6 7 8 9 10
uest (k) 0 -∞ +∞ -∞ +∞ -∞ + ∞ 18 21 - -
x1est (k) 0 -∞ +∞ -∞ +∞ -∞ +∞ 8 9 - -
α(k) 1 1 +∞ 1 +∞ 2 +∞ 2 3 4 5
x2est (k) 1 5 +∞ 7 +∞ 9 + ∞ 11 13 - -
x3est (k) - 2 6 +∞ 8 +∞ 10 + ∞ 12 14 -
x4est (k) - - 2 4 +∞ 5 +∞ 6 +∞ 7 8
x5est (k) - - 2 4 +∞ 5 +∞ 6 +∞ 7 8
x6est (k) - - 4 6 +∞ 7 +∞ 8 +∞ 9 10
y(k) - - 6 8 +∞ 9 + ∞ 10 + ∞ 11 12
43 Atef KHEDHER
Chapitre 6. Diagnostic à base des réseaux de Petri
temps 0 1 2 3 4 5 6 7 8 9 10
u(k) 0 8 8 10 12 14 16 18 20 22 24
uest (k) 0 -∞ +∞ -∞ +∞ -∞ + ∞ 18 21 - -
x1 (k) 0 4 4 5 6 7 8 9 10 11 12
x1est (k) 0 -∞ +∞ -∞ +∞ -∞ +∞ 8 9 - -
x2 (k) 1 5 5 6 7 8 9 10 11 12 13
x2est (k) 1 5 +∞ 7 +∞ 9 + ∞ 11 13 - -
x3 (k) - 2 6 +∞ 7 +∞ 10 + ∞ 12 14 16
x3est (k) - 2 6 +∞ 8 +∞ 10 + ∞ 12 14 -
x4 (k) - - 2 4 +∞ 5 +∞ 6 +∞ 7 8
x4est (k) - - 2 4 +∞ 5 +∞ 6 +∞ 7 8
x5 (k) - - 2 4 +∞ 4 +∞ 6 +∞ 7 8
x5est (k) - - 2 4 +∞ 5 +∞ 6 +∞ 7 8
x6 (k) - - 4 6 +∞ 7 +∞ 8 +∞ 9 10
x6est (k) - - 4 6 +∞ 7 +∞ 8 +∞ 9 10
y(k) - - 6 8 +∞ 9 + ∞ 10 +∞ 11 12
L’analyse du tableau (6.6) montre que la détection du défaut est retardée par un instant. Ce
retard est dû à la structure du réseaux de Petri prise dans l’exemple.
6.4 Exercice
Soit le système décrit par le réseau de Petri suivant :
44 Atef KHEDHER
Bibliographie
[1] AFNOR, Techniques de l’analyse de la fiabilité des systèmes - procédures d’analyse des modes
de défaillances et de leurs effets (amde), Norme nf x 60 510, 1986.
[2] Akhenak A., Conception d’observateurs non linéaires par approche multimodèle : application
au diagnostic, thèse de doctorat, Institut National Polytechnique de Lorraine, France, 2004.
[3] Borne P., Dauphin-Tanguy G., Richard J. P., Rotella F. et Zambettakis I., Modélisation et iden-
tification des processus, tome 1. Editions Technip, Paris,1992.
[4] Borne P., Dauphin-Tanguy G., Richard J. P., Rotella F. et Zambettakis I., Commande et op-
timisation des processus, Collection méthodes et techniques de l’ingénieur. Editions Technip,
Paris, 1990.
[5] Chen W., Saif M. et Soh Y. C., A variable structure adaptive observer approach for actuator
fault detection and diagnosis in uncertain nonlinear systems, American Control Conference,
Vol. 4, pp. 2674-2678, 2000.
[6] Desinde M., Contribution à la mise au point d’une approche intégrée, Analyse diagnostic /
analyse de risques, 2006.
[7] Dieulessaint E. et Royer D., Systèmes linéaires de commande à signaux échantionnés, Auto-
matique Appliquée, Masson, 1994.
[8] Edwards D. et Hamson M., Guide to mathematical modelling, chapter 1, page 3. 2nd edition.,
2001.
[9] Flaus J., Cours de sécurité générale, filière PRIHSE, Grenoble, 2004.
[10] Fossard A. J. et Normand-Cyrot D., Système non linéaire, tome 1 : modélisation- estimation.
Masson, Paris, 1993.
[11] Kalman R. E. et Betram J. E., Control system analysis and design via the second method
of Lyapunov -I : Continuous-time system, ASME journal of Basic Engineering, Vol. 82, pp.
371-393, 1960.
[12] Khedher A., Ben Othman K., Maquin D. and Benrejeb M. Adaptive observer for fault estima-
tion in nonlinear systems described by a Takagi-Sugeno model. 18th Mediterranean Conference
on Control and Automation, MED’10, June 24-26, Marrakech, Morroco, 2010.
[13] Koenig D.et Mammar S., Design of Proportional-integral observer for unknown input des-
criptor systems, IEEE, Trans. on Automatic Control, Vol. 47 (12), pp.2057-2062, 2002.
[14] Magni J. F. et Mouyon P., A generalized approach to observers for fault diagnosis, Proc. of
the 30th Conference on Decision and Control, Brignton, Vol. 3, pp. 2236-2241, England, 1991.
[15] O’Reilly J., Observer for linear system, Richard Bellman, Mathematics in Science and Engi-
neering, Vol. 140, Academic Press, New York, 1983.
[16] Renson P. L’apport de l’AMDEC en fiabilisation des installations industrielles, PErformances
et Nouvelles TechnOlogies en Maintenance, PENTOM, Valenciennes 26-28 Mars, 2003.
Chapitre 6. Bibliographie
[17] Orjuela R., Contribution à l’estimation d’état et au diagnostic des systèmes représentés par
des multimodèles, thèse de doctorat, Institut Nationa Polytechnique de Lorraine, France, 2008.
[18] Rotella F. et Borne P. , Théorie et pratique du calcul matriciel, Editions Technip,1995.
[19] Zwingelstein G., Diagnostic des défaillances- théorie et pratique pour les systèmes indus-
triels, Traité des Nouvelles technologies, série Diagnostic et Maintenance, Hermès, Paris, 1995.
[20] Kélada J. AMDEC, Ecole des HEC, 1994.
[21] C. A. Petri. Kommunikation mit Automaten. Thèse, Institut für instrumentelle Mathematik,
Bonn, Germany, 1962.
[22] Vânio Murilo SAVI , CONCEPTION PRELIMINAIRE DES SYSTEMES DE PRODUC-
TION A L’AIDE DES RESEAUX DE PETRI , Thèse de Doctorat , UNIVERSITE DE METZ
, 1994.
[23] T. Muratta, Petri nets : Properties, analysis and applications. IEEE Proceedings : Special issue
on Discrete Event Systems, 77(4) :541 :581, 1989.
[24] M.Silva, Petri net for the disign and operation of Manufacturing Systems : International
conference on application and theory of Petri Nets-Manufacturing and Petri Nets, 31-61 , Osaka
, Japan , 1996.
[25] M. K.DIDI ALAOUI, Etude et supervision des graphes d’événements temporisés et tempo-
rels : vivacité, estimation et commande, Thèse de doctorat, ISTIA 2005.
[26] P. Chrétienne. Les réseaux de Petri temporisés. Thèse Université Pierre et Marie Curie (Paris
VI), Paris, 1983.
[27] W.Khansa, Réseaux de Petri P-temporels : Contribution à l’étude des Systèmes à Evénements
Discrets, Thèse de doctorat de l’Université de Savoie, France, mars 1997.
[28] A.GUEZZI, Modélisation, analyse de performances et commande des systèmes à événements
discrets. Thèse de doctorat, ISTIA 2010.
46 Atef KHEDHER