Introduction au diagnostic de panne

Objectifs

Quelques définitions nécessaires.

Position du problème.

Les principes de base du diagnostic.

1.1 Quelques définitions :
Définition 1.1. [Système] Un système (procédé) est une entité est
un ensemble d’éléments (composants) inter-connectés possédant
éventuellement une (ou plusieurs) entrées, et éventuellement une (ou
plusieurs) sorties, pour réaliser une fonction ou un service.

Définition 1.2. [Composant] Un composant est une partie du

système (un élément de base) choisie selon des critères liés à la
modélisation.

Définition 1.3. [Défaut] On appelle défaut tout écart entre la

caractéristique observée (mesurée) sur le dispositif et sa
caractéristique théorique.
Définition 1.4. [Défaillance] Une défaillance est l’altération ou la
cessation d’un dispositif à accomplir sa ou ses fonctions requises avec
les performances définies dans les spécifications techniques. Une
défaillance résulte d’un défaut.

Définition 1.5. [Panne] Une panne est l’inaptitude d ’un dispositif à

accomplir une fonction requise. Une panne résulte toujours d’une
défaillance.
Défaut Défaillance Panne

Le système de diagnostic doit être capable de détecter et de localiser

un défaut avant que celui-ci ne conduise à une défaillance ou une
panne qui entraînerait l ’arrêt du système.
Exemple de défauts:
• Dérive de capteur;
• Fuite dans un réservoir;
• Blocage d’une vanne;
• Endommagement bille dans un roulement;
• Court-circuit entre spires d’un enroulement moteur; etc.
Définition 1.6. [Diagnostic] Le diagnostic est 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.
Détection de défauts : La détection consiste à décider si le système
se trouve ou non dans un état de fonctionnement normal.
Localisation d’un défaut : A l’issue de la détection d’un défaut, il
s’agit de déterminer le ou les éléments à l’origine du défaut.

Pour réaliser un système de diagnostic, cela nécessite au préalable

une surveillance (monitoring) de celui-ci. La surveillance consiste à
déterminer l’état réel du procédé (normal ou non) à partir des
observations. Puis, il s’agit de chercher à détecter et localiser les
éventuelles défaillances (FDI : Fault Detection and Isolation).
Les différentes étapes du diagnostic
1.2 Position du problème:

Forte sensibilité aux défaillances Perte de disponibilité de l’installation

Nécessité de concevoir un module permettant de lutter contre les

défaillances.

C’est précisément l’objectif de la maintenance préventive

L’objectif est d’exercer des actions sur le procédé afin de ne pas
subir l’effet d’une défaillance.
. Principe de cohérence
procédure de diagnostic procède nécessairement de tests de
cohérence entre des informations (observations) et des
connaissances a priori (modèles de comportement).
Le problème qui se pose en diagnostic est de pouvoir détecter et
localiser un élément défaillant à partir de l’ensemble des
connaissances disponibles sur l’installation.
1.3 Panorama général des méthodes de diagnostic:
Structure générale d’un système de diagnostic
1.4 Principe des méthodes à base de modèles:
Dérivée des techniques utilisées par les automaticiens. Elles
impliquent une connaissance du fonctionnement sous la forme de
modèles mathématiques qui devront être validés expérimentalement
avant toute utilisation.

Si le modèle reflète bien le comportement du système sans défaut,

tout écart entre les grandeurs estimées et mesurées traduira
l’apparition d’un ou plusieurs défauts.
1.4.1 Structure générale:

Il y a deux principales étapes permettant la réalisation d’un système

de diagnostic à base de modèles à savoir : la génération de résidus et
leurs évaluations.

Résidu: Un signal indicateur d’anomalies fonctionnelles ou

comportementales, obtenu à partir de la différence entre les mesures
et les calculs.
1.4.2 Détection et localisation des défauts :
Un défaut est détecté en comparant une fonction d’évaluation des
résidus à un seuil.

Lorsqu’un défaut est détecté, il s’agit de le localiser. Cette Localisation

est réalisée à partir de la table des signatures, définie par la matrice
de transfert défauts-résidus HyGf.
1.4.3 Classification des défauts selon la modélisation :
Les défaut peuvent être comme classés additifs ou multiplicatifs.

1.4.4 Classification des défauts selon l’évolution temporelle :

1.4.5 Le système à surveiller et son modèle mathématique :
Méthodes de génération de résidus en utilisant des modèles :

Trois approches sont possibles :

Approche par espace de parité

Approche à base d’observateurs

Approche par estimation paramétrique

1.4.6 Introduction à la représentation d’état:
Le principe du modèle d’état est de représenté une équation
différentielle par un système d’équations différentielle du premier
ordre.

Avantage:

Les modèles dans le domaine temporel, peuvent être utilisées pour

l’étude des systèmes linéaire, non linéaire, non stationnaires, mono
variable et multi variables.
Définitions
L’état d’un système est un ensemble de variables, tel que la
connaissance exacte :
- de ses variables,
- des signaux d’entrée du système,
- et les équations décrivant les dynamiques de ce même système,
fournissent l’état future et la sortie du système.
L’état d’un système dynamique est décrit par un ensemble de
variables d’état:

[x 1 (t ), x 2 (t ), ..., x n (t )]

État présent (à t= t0) + Entrées  (État futur + Sorties) à l’instant t

 Exemples 2
d y dy
Exemple 1 M 2
b  ky  u (t )
dt dt
Note: Le nombre de variables d’état pour présenter un
système doit être aussi petit que possible.

dy
x 1 (t )  y (t ), x 2 (t ) 
dt
dx 2
M  bx 2  kx 1  u (t )
dt
Deux équations différentielles de premier ordre
x1 = x 2  0 1  0 
  x1     x1  + 1  u t
 b k 1 x  =  k   x 2 

u t 
b  
 2
x = - x - x +  2 - -
M 2
M 1
M x
 M M  x M 
A B

Supposons que la sortie est la position de la masse, donc:

y t   1 0  x  0  u t 
D
C
Exemple 2  di (t )
R L u (t )  R  i (t )  L   y (t )
i(t)
 dt

C y(t)  i (t )  C  dy (t )
u(t)

 dt
2
dy (t ) dy (t )
y (t )  RC   LC  2
 u (t ) Choix des variables d’état:
dt dt
 dx 1 (t ) 1
x (t )  y (t ), x (t )  i (t ) 
 dt
  x 2 (t )
C
1 2

 dx 2 (t )   1  x (t )  R  x (t )  1  u (t )

 dt L 1 L 2 L
 dx 1 (t )   1 
   0   x 1 (t )   0 
   1  u (t )
 dt  C
 
 dx 2 (t )   1 
R   x 2 (t )   L 
   L 
 dt  L
 x 1 (t ) 
y (t )  1 0     0  u t 
 x 2 (t ) 
Modèle d’état (représentation matricielle):

La représentation d’état d’un système dynamique linéaire continu invariant est :

x  t   Ax  t   Bu  t  équation d’état

y  t   Cx  t   Du  t  équation de sortie (observation)

Si m=p=1 on a un système mon entrée mono sortie (SISO)

Les variables d’état qui décrivent un système n’est pas un ensemble unique.
Plusieurs autres alternatives sont possibles.
 Diagramme fonctionnel d’une représentation d’état

u(t) + x (t ) x(t) y(t)

+
B 1/s C
+
+

Passage de la représentation d’état à la fonction de transfert

Y  s
G  s = = C  sI - A  B + D
-1

U  s
Dans le domaine discret (échantillonné), l’état x(t) n’est plus une
fonction continue.
La représentation d’un système échantillonné consiste à exprimer
l’état au prochain échantillonnage, en fonction du dernier état et de la
dernière entrée échantillonnés:

x  k + 1 = Gx  k  + Hu  k 
y  k  = Cx  k  + Du  k 
Linéarisation:

x1  f 1  x1 , x 2 , , x n ,u 1 ,u 2 , ,u m 

y 1  g 1  x1 , x 2 , , x n ,u 1 ,u 2 , ,u m 
Les fonctions fi et gi sont non linéaires.

Très souvent, on utilise une approximation linéaire du modèle original,

valable uniquement pour de petites déviations autour du point
d’opération.
 Linéarisation
x  f  x , u x  Ax  Bu
y  g  x , u En x0, u0 y  Cx  Du

1. Définir le point d’opération autour duquel on linéarise le système:

x 0  f ( x 0 ,u 0 )  0
2. Écrire le développement en série de Taylor d'ordre 1 des fonctions
f et g autour de (x0, u0).
 
f  x ,u   f  x 0 ,u 0   f  x 0 ,u 0  x  x 0   f  x 0 ,u 0 u  u 0 
x u
 
g  x ,u   g  x 0 ,u 0   g  x 0 ,u 0  x  x 0   g  x 0 ,u 0 u  u 0 
x u
avec f  x 0 ,u 0   0 et on pose y 0  g  x 0 ,u 0 
 Linéarisation
3. Introduire Δx = x-x0, Δu = u-u0 et Δy = y-y0 .

4. Le modèle d’état linéarisé est donné par:

 
 x  x  x 0  f  x ,u   f  x 0 , u 0   x  f  x 0 ,u 0  u  A x  B u
x u
 
y  g  x ,u   y 0  g  x 0 ,u 0  x  g  x 0 , u 0   u  C x  D u
x u
Exemple : x 1  x 2  f 1  x 1 , x 2 ,u 
4
x2
x2   2
 x 1  u  1  f 2  x 1 , x 2 ,u 
x1
On cherche une
y  x 1  u  g  x 1 , x 2 ,u 
2 2
linéarisation u0=3.
Déterminer le point d’opération pour 
u0=3 x 1  x 2  0 
0  x2
4
x2
0 2
 x1  3  1
x1
y  x1  3
2 2

  x 10 , x 20 ,u 0    2, 0, 3 
y 0  g  x 10 , x 20 ,u 0   13
linéarisation autour du point (-2, 0, 3).
 f1  f1  f1
 0,  1,  0,
 x1  x2 u
 f2 x2
4
 f2 x2  f1
3
1
 3 3  1,  4 2 ,  ,
 x1 x1  x2 x1  u 2 u  1
g g g
 2x 1 ,  0,  2u ,
 x1  x2 u
 f1  f1  f1
 0,  1,  0,
 x 1 x ,u   x 2 x ,u   u x ,u 
0 0 0 0 0 0

 f2  f2  f1 1
 1,  0,  ,
 x 1 x ,u   x 2 x ,u   u x ,u  4
0 0 0 0 0 0

g g g
 4,  0,  6,
 x 1 x ,u   x 2 x ,u   u x ,u 
0 0 0 0 0 0
linéarisation autour du point (-2, 0, 3).

 f ( x ,u )  0 1   f ( x ,u )  0
A   B 1
 x x ,u   1 0   u x 0 ,u 0   
0 0
4
 g ( x ,u )  g ( x ,u )
 C   4 0   D   6
 x x ,u   u x ,u 
0 0 0 0

On pose: Δx1 = x1 –x10, Δx2 = x2 –x20, Δu = u-u0 et Δy = y-y0 .

 x 1 
 dt   0 1   x 1   0 
       1  u
 x 2   1 0   x 2   4 
 dt 
 x 1 
y   4 0      6  u
 x 2 
Exercice 1 : Exercices
Soit un moteur électrique à flux inducteur constant (soit à courant
inducteur constant, soit à aimant permanent) dont l'induit est
alimenté par une tension u(t) et parcouru par un courant i(t).

On désigne par :
e la fcém développée par l'induit, J le moment d'inertie du moteur, γ
est le couple moteur, f le coefficient de frottement visqueux, R la
résistance de l'induit et L l’inductance de l'induit.
1. déterminer l’équation différentielle reliant ω et u.
2. déterminer le modèle d’état.
3. déduire la fonction de transfert correspondante.
Exercice 2 :
Donner la représentation d’état et le diagramme fonctionnel des
systèmes décrits par les équations différentielles suivantes :
5 y '' (t )  3 y ' (t )  8 y (t )  2u (t )
y '' (t )  5 y ' (t )  6 y (t )  u '' (t )  3u ' (t )  8u (t )
y (k  3)  2 y (k  2)  5 y (k  1)  y (k )  u (k ) (équation aux différences)
Exercice 3 :
Montrer que le passage de la représentation d’état à la fonction ou
matrice de transfert est obtenu en utilisant la relation suivante :
Y s 
G s  = = C  sI - A  B + D
-1

U s 
Déterminer la fonction (matrice) de transfert de systèmes suivants :
 dx 1 (t )   1 
   0   x 1 (t )   0 
   1  u (t )
 dt  C

 dx 2 (t )   1 R   x 2 (t )   
    L 
 dt   L L 
 x 1 (t ) 
y (t )  1 0     0  u t 
 2
x (t ) 
 Références bibliographiques :
Blanke M., Kinnaert M., Lunze J., and Staroswiecki M.,
2016, Diagnosis and Fault-Tolerant Control (2 edition),
Springer, Berlin.
Isermann R., 2011, Fault-diagnosis applications: model-
based condition monitoring: actuators, drives,
machinery, plants, sensors, and fault-tolerant systems (2
edition), Springer, Berlin.
Toscano, R. 2005. Commande et diagnostic des systèmes
dynamiques: modélisation, analyse, commande par PID
et par retour d'état, diagnostic, ellipses, Paris.

Folio, D. 2019. Support de Cours de Diagnostic des

Systèmes Industriels, INSA de Val de Loire.