Académique Documents
Professionnel Documents
Culture Documents
INTITULE
Soutenu le 21/09/2020
Résumé
ملخص
كانت مستشعرات الضغط موضوع الكثير من األبحاث في السنوات األخيرة نظرا لدقتها
العالية و استهالكها المنخفض للطاقة ودقتها العالية و إمكانية االندماج تستخدم مستشعرات الضغط في العديد من
التطبيقات المتعلقة بسالسل القياس و التحكم و مع لك فان العيوب تكمن في استجابتها غير الخطية و يمكن إن
يؤثر تغير درجة الحرارة بشدة على حساسية مستشعر الضغط مما يؤدي إلى استجابة غير خطية للضغط المطبق
من اجل القضاء على تأثير درجة الحرارة و تحسين حساسية مستشعر الضغط نقترح تسخيره قدرة الشبكات
العصبية االصطناعية على توفير ال معايرة الذاتية و التعويض من خالل دمج عنصر التصحيح الهدف هو إنشاء
مستشعر ضغط دكي قادر على تقدير الضغط بدقة في نطاق درجة حرارة من 25درجة مئوية إلى 250درجة
مئوية
Résumé
Summary
Pressure sensors have been the subject of several research in recent years. Due
to their high resolution, low power consumption, high precision and possibility of
integration. Pressure sensors are used in several applications relating to measurement
and control chains. The drawbacks however lie in the non-linearity of their response,
the temperature variation can strongly affect the sensitivity of the pressure sensor,
resulting in a non-linear response of the applied pressure. In order to eliminate the
temperature effect and improve the sensitivity of the pressure sensor, we propose to
exploit the ability of artificial neural networks to provide self-calibration and
compensation by incorporating a correction element. The goal is to create an
intelligent pressure sensor capable of estimating accurately the pressure in a
temperature range of 25 ° C to 250 ° C.
Sommaire
Sommaire
Résumé
Sommaire page
Remerciements
Dédicaces
Liste d’abréviations
Introduction générale.…………………………………………………………………. 19
I.5.2 Sensibilité……………………………………………………………………... 26
I.5.5 Rapidité………………………………………………………………………... 28
I.5.6 Stabilité………………………………………………………………………... 28
I.9.5 Le vide………………………………………………………………………… 32
I.15 Conclusion……………………………………………………………………….. 41
II.2 Historique…………………………………………………………………………. 43
II.3.5 Fonctionnement………………………………………………………………. 46
II.5 Conclusion………………………………………………………………………… 51
III.3 Résultats………………………………………………………….......................... 58
III.5 Conclusion……………………………………………………………………….. 65
Conclusion général……………………………………………………………………. 66
Référence bibliographiques…………………………………………………………… 68
Remerciements
Nous tenons à remercier et à exprimer notre reconnaissance au Dr.
FERROUDJI Karim promoteur du présent travail, pour avoir accepté de nous
encadrer, ses conseils et observations nous ont été d’une grande utilité
FATHALLAH Meriem
DEDICASES
A mon père
AZZAZ Abir
Liste d’abréviations
Listes d’abréviations
IA : intelligence artificiel
Introduction générale
19
Introduction générale
Chapitre III fournit une évaluation des performances et des discussions sur les
résultats obtenus, et enfin, les conclusions de la présente étude sont tirées dans la
dernière section.
20
Chapitre I :
Les capteurs
Chapitre I : Les capteurs
I.1 Introduction
Dans ce chapitre nous présentons des notions sur les capteurs, leurs classifications et
caractéristiques métrologiques et nous concentrons sur les capteurs de pression.
21
Chapitre I : Les capteurs
Le capteur est le dispositif qui soumis à l’action d’un mesurande non électrique
présente une caractéristique de nature électrique (charge, tension, courant ou impédance)
désignée par s et qui est fonction du mesurande m [2].
𝑠 = 𝐹 (𝑚 ) (I.1)
Un capteur TOR (Tout Ou Rien) est un capteur dont la sortie ne peut prendre que deux
états couramment indiqué par 0 et 1 [1].
22
Chapitre I : Les capteurs
C’est un signal qui évolue dans le temps de façon continue. Un capteur analogique
délivre une information (électrique, visuelle,…) qui évolue de façon continue entre deux
bornes [1].
23
Chapitre I : Les capteurs
Source qui produit un signal électrique traduisant le mesurande aussi fidèlement que
possible (voir tableau I.1). La sortie est une [2] : charge, tension, courant.
L'impédance de ce type de capteur ses variations est mesurable que par un circuit
adapté (conditionneur) alimenté par une source extérieure (voir tableau I.2). La sortie "s" est
une [2] : résistance, inductance, capacité.
24
Chapitre I : Les capteurs
Caractéristique électrique
Mesurande Types de matériaux utilisés
Sensible
Température Metaux : platine ,nickel,
Résistivité
Très basse cuivre, semi-conducteur,
Constante électrique
Température Verres
Flux de rayonnement
Résistivité Semi-conducteur
Optique
Résistivité Alliage de nickel ,silicium
Déformation dopé
Perméabilité magnétique Alliage ferromagnétique
Matériaux magnétoresistants :
Position (aimant) Résistivité bismuth,
Antimoniure d’indium
Résistivité Chlorure de lithium
Humidité
Constante d’électrique Alumine ; polymères
Les capteurs font partie de la chaîne d’information d’un système. Cette dernière est un
groupement structurée d’éléments qui à partir d’une information source permet, de capter
(capteur), de traiter (par programme) et de restituer une information ou une consigne qui peut
être employable instantanément par l’utilisateur ou qui permet d’actionner une chaîne
d’énergie (voir Figure I.6) [1].
- Acquérir l’information
- Traiter l’information
- Communiquer l’information
25
Chapitre I : Les capteurs
Les lectures du capteur ne doivent pas être affectées d’une erreur supérieure à l’erreur
maximale tolérée. On appelle les valeurs limites du champ, « portée minimale » et « portée
maximale » [3].
I.5.2 Sensibilité
S=ds/de (I.2)
ds : variation de sortie
de : variation d’entrée
26
Chapitre I : Les capteurs
I.5.3 Précision
I. 5.4.1 La justesse
I.5.4.2 La fidélité
C’est la capacité d'un capteur à fournir des indications identiques pour une même
valeur de la grandeur à mesurer [3].
27
Chapitre I : Les capteurs
I.5.5 Rapidité
I.5.6 Stabilité
La stabilité qualifie la capacité d'un capteur à maintenir ses performances pendant une
longue durée (problème de dérive du zéro par exemple) [3].
I. 5.7.1 La répétabilité
I.5.7.2 La Reproductibilité
C’est l'étroitesse de l'accord entre les résultats de mesures successifs d'une même
grandeur dans le cas où les mesures sont réalisées dans les situations distinctes que pour la
répétabilité [3].
C'est une variation parasite (souvent aléatoire) du signal de sortie. Le bruit de fond est
un signal de valeur moyenne est nulle et il s’additionne à la valeur à mesurer [3].
C'est une erreur qui ne dépend pas de la valeur de la grandeur mesurée [3].
28
Chapitre I : Les capteurs
29
Chapitre I : Les capteurs
La caractéristique est en escalier, le plus souvent cette erreur est due à une
numérisation du signal [3].
En raison des conditions d'utilisation, le capteur peut être soumis non seulement à
l'effet du mesurande, mais encore à d'autres grandeurs physiques qui peuvent créer un
changement de la quantité de sortie électrique qu’il impossible de distinguer de l'effet du
mesurande. Ces grandeurs physiques « parasites » auxquelles la réponse du capteur peut être
affectée représentent les grandeurs d’influence, dont les plus importantes sont [4] :
30
Chapitre I : Les capteurs
Application d’une masse connue en réaction à l’effet d’une pression sur une section
connue (balance manométriques).
Changement du niveau d’un liquide sous l’action de la pression (manomètre à liquide).
Détection de la déformation d’un composant sensible sous l’action de la pression, par
exemples :
- Tube de bourdon
- Capteurs de pression à jauges métalliques
- Capteurs de pression à jauges piézo-résistives
- Capteurs de pression par variation d’inductances
- Capteurs de pression piézo-électriques
La pression est définie comme le rapport force par surface. Ce rapport est indépendant
de l'orientation de la surface. La pression s’exerce perpendiculairement à la surface
considérée [6].
P=F/S (I.3)
P : pression en (1 Pa = 1N\m²).
F : force en Newton.
S : surface en m²
31
Chapitre I : Les capteurs
C’est la pression réelle, dont on tient compte dans les calculs sur les gaz (voir Figure
I.14) [12].
Atmosphérique. Pour mesurer une pression absolu, il faut créer un vide pousse dans une
chambre dite de référence (voir Figure I.14) [12].
C’est une différence entre deux pressions, dont l’une sert de référence. Une pression
différentielle peut être négative (voir FigureI.14) [12].
I.9.5 Le vide
Théoriquement, le vide est une pression absolue nulle. Il ne peut être atteint. Quand on
s’en approche, on parle alors de vide pousse [12].
32
Chapitre I : Les capteurs
C’est la force par unité de surface exercée sur une surface par un fluide secouant
parallèlement à la paroi d’une conduite [12].
A l’intérieur d’une colonne de fluide se produit une pression due au poids de la masse
de fluide sur la surface examinée. Pour chacun des quatre récipients représentes sur (la figure
I.15)la pression au fond de ceux-ci est identique est égal à [6].
P=p×g×h (I.4)
p en pascal
g kg/m^3
h en mètre
𝑃 = 0.5 × 𝜌 × 𝑉² (I.5)
𝜌: 𝑙𝑎 masse volumique
C’est la somme des 3 pressions : pression hydrostatique, pression due aux forces
extérieures, et pression hydrodynamique. Dette dernière a la même valeur en tous points pour
un fluide en mouvement horizontal (incompressible de viscosité n´négligeable), c’est le
théorème de Bernoulli [6].
Chacune des deux prises de pression est reliée à un coté de l’élément sensible de
l’appareil de mesure [5].
L’un des côtés de l’appareil de mesure est branché à la prise de pression l’autre est
relié au vide intégral [5].
34
Chapitre I : Les capteurs
- Balance manométrique
Basé sur la déformation d’un tube d’une membrane ou d’un soufflet généralement
métallique sous l’influence de la force créée par la pression à mesurer [5].
Les tubes Bourdon sont des tubes courbes avec une section ovale (figure I.17). Le
liquide, dont on désire mesurer la pression, remplit l’intérieur du tube. La pression vers
l’extérieur exercée par le fluide tend à arrondir la section du tube et à « dérouler » le tube dans
le sens de la flèche comme montrer dans la ( figure I.17) [7].
Les tubes de bourdon sont robustes. Ils sont souvent employés dans des
environnements agressifs et $à haute pression. Ils peuvent également être exploité pour
35
Chapitre I : Les capteurs
mesurer de très basses pressions. Toutefois, les tubes de bourdon réagissent plus lentement
que les soufflets ou les manomètres à membrane [7].
I.13.1.2 Soufflets
Ces capteurs sont composés d’un cylindre, où le fût est constitué d’un matériau
souple, plié comme un accordéon (figure I.18). Une des extrémités du cylindre est fixée à la «
source » de pression et l’autre à un appareil indicateur. Les soufflets permettent une grande
amplitude de mouvement (la course) dans le sens de la flèche une fois en contact avec le
fluide où on veut mesurer la pression [7].
Ces capteurs comprennent une membrane ronde ondulée dont la circonférence est
fixée à une bride étanche (figureI.19). Le fluide dont on veut mesurer la pression est situé un
côté et de l’autre le fluide indicateur. La pression dans la chambre engendre une distorsion
dans la direction vers laquelle pointe la flèche [7].
36
Chapitre I : Les capteurs
Les membranes livrent une lecture rapide et précise de la pression. Leur amplitude, ou
course, est plus faible que celle des soufflets [7].
Les capteurs à couche mince sont généralement en acier inoxydable. Ils peuvent être
réalises avec l'épaisseur de matériau requise par l'usinage du diaphragme dans les tours
automatiques de précision et ensuite meulage, polissage, et rodage. Sur le côté de la
membrane non en contact avec le milieu, les couches d'isolation, les jauges de contrainte, les
résistances de compensation et les chemins conducteurs sont appliqué en utilisant une
combinaison de techniques chimiques (CVD chimical vapordeposition) et physiques
(PVDphysical vapor deposition) et sont structuré photolithographiquement par gravure
(Figure I.20). Ces processus sont exploités dans des salle blanche et dans des installations
spéciales, dont certaines pièces sont sous vide ou dans une atmosphère inerte [8].
Figure I.20 : Photomasque afin de produire des structures de résistance sur les membranes des
capteurs
37
Chapitre I : Les capteurs
Les résistances et les chemins conducteurs électriques réaliser sur le capteur sont plus
petits qu'un micromètre et sont appelées résistances à couche mince.
Le capteur à couche mince métallique est très stable en tant que résultat des matériaux
utilisés. De plus, il est résistant aux chocs et aux vibrations ainsi qu’aux éléments de pression
dynamiques. Le capteur peut être soudé au raccord de pression - hermétiquement scellé et
sans autre matériaux d'étanchéité. En raison de la ductilité des matériaux, le capteur a une
relative plage de surpression faible mais très forte rafale pression [8].
La majorité des capteurs de pression piezoresistif sont fabriqué par micro usinage du
silicium par un agent chimique anisotropique. Un capteur de pression piezoresistif est un
dispositifqui comporte une membrane micro usinée dans une plaquette de silicium orientée
constituant le corps d’épreuve qui se déforme sous l’action d’une pression appliquée. Des
jauges piézorésistives en polysilicium implantées en surface du corps d’épreuve, connectées
en pont de Wheatstone, forment un conditionneur passif. Ces jauges transforment la
déformation en une variation de résistance (Figure I.21).
Déformation
Variation de
Pression résistance
Corps Conditionneur
d’épreuve piezoresistif passif
Capteur composite
Pour avoir une sensibilité élevée le conditionneur du capteur peut être composé de
deux jauges longitudinales et deux jauges transversales disposées en bordure de membrane et
interconnectées en pont de Wheatstone par des pistes d’aluminium (figure I.22). La tension
38
Chapitre I : Les capteurs
Le principe de base d’un capteur de pression capacitif est basé sur la variation d’une
capacité en fonction de la pression appliquée (figure I.23). Ce type est caractérisé par une
haute sensibilité, une faible consommation électrique, et une grande résolution par rapport au
premier type. Mais, il présente une réponse non linéaire, une dérive en température et une
faible variation par rapport à la capacité d’offset [10].
Pression appliqué
Déformation
Variation d’un
mécanique d’une
capacité
Grandeur membrane
d’influence
Ces capteurs comportent une armature plane fixe et une armature plane déformable.
En l’absence de pression différentielle entre les deux faces de la membrane, les armatures sont
parallèles et il a une capacité C (0) au repos (Figure I.24) [10].
39
Chapitre I : Les capteurs
Lorsqu’on applique une pression P supérieure à la pression contenue dans la cavité Pc,
l’armature déformable fléchit (Figure I.25). La distance séparant les deux électrodes varie en
tous points et par conséquent la capacité du capteur change.
40
Chapitre I : Les capteurs
Figure I.26 : Schéma de principe et photographie du capteur de pression à couche mince Cr-N
micro-usiné : a. diagramme schématique, b. Photographie (figure prise de [11])
Figure I.27 illustre la tension de sortie du capteur de pression. La tension de sortie est
mesurée tout en variant la pression de 0 à 2kg/cm2 pour des températures fixes : 25, 100,150,
200, et 250°C.
Cette figure montre que la température affecte fortement la sensibilité du capteur de pression.
I.15 Conclusion
Ce chapitre présente une étude bibliographique sur les capteurs, leurs classification et
caractéristiques métrologiques. De plus, nous avons présenté le capteur de pression couche
mince de Cr-N micro-usiné exploité dans ce mémoire. La réponse du capteurs (tension) en
41
Chapitre I : Les capteurs
fonction de pression et de température est illustré dans cette partie. Il est à noter que cette
réponse est fortement affectée par la température. Nous exploitons cette réponse pour réaliser
un capteur de pression intelligent dans le chapitre 3.
42
Chapitre II :
Réseaux de neurones
artificiels
Chapitre II : Réseaux de neurones artificiels
II.1 Introduction
II.2 Historique
L’idée des réseaux de neurones artificiels fut inventée en 1943 par le neuro-physicien
J. Mc Culloch, et le mathématicien W. Pitt. Ils sont présentée une modélisation du neurone
biologique [14].
sortie. Il comporte plusieurs éléments de traitement appelé neurone. L’ensemble des neurones
est un système parallèle fortement interconnecté dont chaque neurone fonctionne
indépendamment des autres [16].
x1, x2, ..., xn ; sont les entrées externes. y est la sortie. w1, w2, ..., wn sont les poids
associés à chaque connexion. X est le vecteur d'entrée, W' est le vecteur poids, θ est appelé le
biais [16].
Les fonctions d'activation ou fonction de transfert, sont utilisées pour mapper les
nœuds d'entrée vers les nœuds de sortie d'une certaine manière. Elles produisent une non-
linéarité à la sortie d'une couche de réseau. Certaines fonctions couramment utilisées et leurs
courbes sont données ci-dessous [17] :
44
Chapitre II : Réseaux de neurones artificiels
Cette propriété est expliquée comme suit: Un réseau de neurones est capable d'imiter
n'importe quelle fonction, après ajustement de ses paramètres par apprentissage ; la propriété
d'« approximation » est la traduction mathématique de cette capacité d'imitation [18,19].
II.3.4.2 Parcimonie
45
Chapitre II : Réseaux de neurones artificiels
II.3.5 Fonctionnement
Chaque nœud traite les données avec des règles programmées à l'origine ou définies
par lui-même. Les couches sont interconnectées : chaque nœud d'une couche est connecté à de
nombreux nœuds de la couche précédente (ses entrées) et de la couche suivante. Il peut y
avoir un ou plusieurs nœuds dans la couche de sortie dont dérive la réponse du réseau [22].
La plus simple architecture est composée de deux couches : une couche d’entrée et
une couche de sortie (voir figure II.3). Les nœuds de sortie ont en entrée tous les nœuds de la
couche d’entrée, avec une fonction de combinaison et une fonction de transfert.
La couche de sortie du réseau peut parfois avoir plusieurs nœuds selon le nombre de
classes à prédire.
Il est composé d'une couche d'entrée et d'une couche de sortie (c’est un réseau de
neurones très simple). Le perceptron monocouche peut être utilisé pour la classification
(lorsque les données sont linéairement séparable) et pour résoudre des opérations logiques
simples. L’apprentissage dans ce type est généralement supervisé [23].
47
Chapitre II : Réseaux de neurones artificiels
Le vecteur d'entrée est reçu par les neurones de la première couche. Ces derniers
calculent leurs sorties qui sont transmises aux neurones de la seconde couche qui calculent
eux même leurs sorties et ainsi de suite de couche en couche jusqu'à celle de sortie. Chaque
Neurone dans une couche est connecté à tous les neurones de la couche précédente et de la
couche suivante, mais pas les neurones de la même couche. Ce type est utilisé pour résoudre
des problèmes non linéairement séparables. Il emploi un apprentissage supervisé avec retro
propagation de l'erreur [23].
Avec
Y : sortie du réseau,
Z : matrice des poids des connexions liant la couche cachée à la couche de sortie.
48
Chapitre II : Réseaux de neurones artificiels
Les réseaux de type RBF sont des réseaux à trois couches. son principe est
d'approximer un comportement désiré par une collection de fonctions noyau (Fonction de
transfert de base radiale : fonction gaussienne). L'architecture du réseau RBF est présentée
dans la figure II.6. Elle est la même que pour le réseau PMC cependant, les fonctions de base
utilisées ici sont des fonctions Gaussiennes [22].
49
Chapitre II : Réseaux de neurones artificiels
La fonction de base radiale (RBF) est une fonction ∅ symétrique aux centre 𝜇𝑗 :
𝑦(𝑥) = ∑𝑁
𝑗=1 𝑤𝑗 ∅(‖𝑥 − μ𝑗 ‖, 𝜎𝑗 ) (II.4)
➢ Les centres 𝜇𝑗
➢ La largeur 𝜎𝑗
➢ Les poids 𝜔𝑗
L’apprentissage de modèle RBF est supervisé donc il faut disposer d’un échantillon de
𝑙 exemple (𝑥𝑖 ,𝑦𝑖 ) [24, 25].
L’apprentissage du réseau RBF est divisé en deux parties ; une est non supervisé et
partie l’autre partie est supervisé.
𝑦 = 𝐻𝜔 + 𝑒 (II.5)
Où
𝐻 : est une matrice de [L, N] donne les réponses des N centre RBF sur le 𝑙 exemple.
Dans cette approche les valeurs cibles 𝑦𝑖 ne sont pas utilisées dans l’estimation des
centres 𝜇𝑗 . La position des noyaux gaussiens est choisie en fonction de la distribution de
données dans l’espace. Aux endroits où il y a peu de données nous mettrons peu de noyaux et
inversement, là où il y a beaucoup de points, nous mettrons beaucoup de noyaux (technique
de quantification vectorielle) [28,30].
II.5 Conclusion
51
Chapitre II : Réseaux de neurones artificiels
réseau RBF comme c’est le type de réseaux de neurones que nous allons utiliser dans ce
mémoire.
52
Chapitre III :
Modélisation d’un
capteur de pression
par Réseaux
neurones
Chapitre III : Modalisation d’un capteur de pression par réseaux de neurones
III.1 Introduction
Dans ce chapitre, nous nous intéressons à la modélisation du comportement
d'un capteur de pression en utilisant les méthodes de l'intelligence artificielle à savoir;
les réseaux de neurones (Réseaux à Fonction Radiale de Base (Radial Basis Functions
RBF). Plusieurs applications impliquent l’utilisation des capteurs de pression comme
les chaînes de mesure et de contrôle. Cependant, la variation de température peut
fortement affecter la sensibilité du capteur de pression, entraînant une réponse non
linéaire de la pression appliquée. Afin d'éliminer l'effet de température et d'améliorer
la sensibilité du capteur de pression, nous proposons d’exploiter la capacité des
méthodes d'Intelligence Artificielle pour fournir un auto-étalonnage et une
compensation en incorporant un élément de correction. L'objectif est de crée un
capteur de pression intelligent pour estimer avec précision la pression dans une plage
de température de 25 °C à 250 °C.
Le schéma général du modèle RBF proposé est montré dans la (figure III.1)
les données d'entrée sont d'abord collectées à l'aide des résultats expérimentaux [12]
(voire figure III.2). L'ensemble de données est arrangé comme (P, T, V), où P est la
pression appliquée au capteur, T est la température de l'environnement et V est la
réponse du capteur (tension). Après cela, nous divisons l'ensemble de données au
hasard en trois sous-ensembles, ensemble d'apprentissage, ensemble de validation et
ensemble de test. L'ensemble de test est utilisé seulement pour l'évaluation du modèle
53
Chapitre III : Modalisation d’un capteur de pression par réseaux de neurones
choisi par la technique de validation croisée, tandis que l'ensemble de validation est
utilisé pour régler les paramètres du RBF. Par conséquent, l'algorithme a seulement
accès données d'apprentissage et de validation, l'ensemble de test est maintenue
invisible. La précision est obtenu en appliquant le modèle RBF sélectionné sur les
données de test.
Dans ce travail nous avons utilisé le logiciel Graph Data Extractor pour
extraire des données de cette figure.
54
Chapitre III : Modalisation d’un capteur de pression par réseaux de neurones
D’abord il faut obtenir un fichier image contenant les données à extraire, par
exemple : numérisation d’une version imprimée d’un papier, ou a partir d’un fichier
PDF. Une fois que nous avons préparé notre image, on l’ouvre avec le GDE (voire
figure III.3). Maintenant il faut indiquer au GDE le type de l’échelle utilisé (X axis
Mappig et Y axis Mappig). Ensuite le GDE a besoin d’une valeur maximale et
minimale pour chaque axe. Pour extraire les données nous choisissons un point puis
clique droite sur le point et clique sur export point et ainsi de suite pour les autres
points. Une fois terminer, on clique sur Save data pour enregistre la base de données.
55
Chapitre III : Modalisation d’un capteur de pression par réseaux de neurones
Capteur de Pression
60
25°C
100°C
50
150°C
200°C
Sortie de Voltage
40 250°C
(mV)
30
20
10
0
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
Pression
2
(kgf/cm )
56
Chapitre III : Modalisation d’un capteur de pression par réseaux de neurones
modèle (paramètres optimaux) qui serrons combinés pour donner une estimation du
pouvoir de généralisation de l'architecture testée (figure III.5).
57
Chapitre III : Modalisation d’un capteur de pression par réseaux de neurones
Pour mesurer l'écart entre les sorties désirées du capteur et les sorties du
réseau observées, nous avons utilisé la fonction d’erreur quadratique moyenne (Mean
Squart Error) donnée par :
n
1
MSE = ∑|yi − ỹi | (III. 1)
n
i=1
Où
n : nombre d’échantillons.
III.3 Résultats
58
Chapitre III : Modalisation d’un capteur de pression par réseaux de neurones
90
80
70
60
Erreur MSE
50
40
30
20
10 X: 262
Y: 0.002947
0
0 50 100 150 200 250 300 350
Itération
59
Chapitre III : Modalisation d’un capteur de pression par réseaux de neurones
Min 0 25
Max 2 250
V(mV)
Sorties Min 0
Max 60
L'erreur de validation 0.0029
L'erreur de test 0.0027
60
Sortie test Expérimentales (Désirée)
55 Sortie du Modèle RBF (Estimée )
50
45
40
Tension
35
(mV)
30
25
20
15
10
5
0 50 100 150 200
Ensemble de test
Figure III.7 : Données de test expérimentales et celles obtenue en utilisant lu modèle
RBF proposé
60
Chapitre III : Modalisation d’un capteur de pression par réseaux de neurones
Capteur de Pression
60 Expérimental 25°C
Expérimental 100°C
Expérimental 150°C
50 Expérimental 200°C
Expérimental 250°C
Modèle RBF 25°C
Modèle RBF 100°C
Sortie de Voltage 40
Modèle RBF 150°C
Modèle RBF 200°C
Modèle RBF 250°C
(mV)
30
20
10
0
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
Pression
2
(kgf/cm )
61
Chapitre III : Modalisation d’un capteur de pression par réseaux de neurones
16 24
14 22
12 20
10 18
8 16
0 50 100 150 200 250 0 50 100 150 200 250
Température [°C] Température [°C]
Pression=1 [kgf/cm2] Pression=1.2 [kgf/cm2]
36 40
34 38
Sortie capteur (Tension) [mV]
32 36
30 34
28 32
26 30
24 28
22 26
20 24
0 50 100 150 200 250 0 50 100 150 200 250
Température [°C] Température [°C]
Pression=1.6 [kgf/cm2] Pression=2 [kgf/cm2]
44 50
42 48
Sortie capteur (Tension) [mV]
40 46
38 44
36 42
34 40
32 38
30 36
28 34
0 50 100 150 200 250 0 50 100 150 200 250
Température [°C] Température [°C]
Figure III.9 : Effet de la température sur la réponse du capteur pour des pressions
fixes à 0, 0.6, 1, 1.2, 1.6, ou 2 kgf/cm2
62
Chapitre III : Modalisation d’un capteur de pression par réseaux de neurones
1-la tension (la sortie du capteur de pression « dans notre cas c’est la sortie du réseau
RBF »)
2-la température
63
Chapitre III : Modalisation d’un capteur de pression par réseaux de neurones
25
15
10
20
0 15
0 50 100 150 200 250 0 50 100 150 200 250
Température [°C] Température [°C]
Pression=1 [kgf/cm2] Pression=1.2 [kgf/cm2]
36 40
Sortie capteur Sortie capteur
34 38
Sortie capteur (Tension) [mV]
30 34
28 32
26 30
24 28
22 26
20 24
0 50 100 150 200 250 0 50 100 150 200 250
Température [°C] Température [°C]
Pression=1.6 [kgf/cm2] Pression=2 [kgf/cm2]
44 50
Sortie capteur Sortie capteur
42 48
Sortie capteur (Tension) [mV]
38 44
36 42
34 40
32 38
30 36
28 34
0 50 100 150 200 250 0 50 100 150 200 250
Température [°C] Température [°C]
Figure III.11 : Effet du correcteur sur la réponse du capteur pour des pressions fixes à
64
Chapitre III : Modalisation d’un capteur de pression par réseaux de neurones
Les résultats montrent que notre capteur intelligent proposée élimine l'effet de
la température par rapport à la réponse du capteur où la température affecte fortement
la sensibilité du capteur de pression qui conduit à une réponse non linéaire de la
pression appliquée. Ceci peut être expliqué par le fait que l'incorporation d'un élément
de correction permet de corriger la réponse non linéaire et d'éliminer l'effet de la
température et de fournir une lecture précise de la pression appliquée.
III.5 Conclusion :
Dans ce chapitre, nous proposons un capteur intelligent qui intègre
l'intelligence artificielle dans le capteur de pression.
65
Conclusion
Générale
Conclusion Générale
Conclusion générale
Dans ce mémoire, nous avons proposé une nouvelle technique basée sur les
réseaux de neurones artificiel pour modéliser le comportement d’un capteur de
pression fonctionnant dans un environnement difficile dans lequel la température peut
varier de 25 à 250 ° C.
Notre travail est divisé en trois grandes parties : La première partis est consacrée
à l'extraction des données (extraction de la réponse expérimentale du capteur de
pression) à partir d’une image ou un fichier PDF. L'extraction des données est une
tâche essentielle dans la recherche. Habituellement, les chercheurs fournissent leurs
données dans leurs publications ou dans le supplément correspondant. Cependant,
certains articles présentent simplement les graphiques sans aucune donnée connexe.
Dans ce cas, l'extraction de données à partir de graphiques est un défi majeur.
Certaines personnes utilisent une approche manuelle. Cependant, cette méthode prend
du temps lorsque nous traitons une grande quantité de données. Dans ce travail nous
avons utiliser le logiciel Graph Data Extractor pour extraire des données de
graphiques. Ces données expérimentales sont utilisées par la suite pour la construction
de notre capteur de pression intelligent.
66
Conclusion Générale
67
Références
bibliographiques
Références bibliographiques
Références bibliographiques :
68
Références bibliographiques
69
Références bibliographiques
[21] GAO, Meng, YIN, Liting, et NING, Jicai. Artificial neural network model
for ozone concentration estimation and Monte Carlo analysis. Atmospheric
Environment, 2018, vol. 184, p. 129-139.
[29] LIM, EngAik, TAN, Wei Hong, et JUNOH, Ahmad Kadri. An improved
radial basis function networks based on quantum evolutionary algorithm for
training nonlinear datasets. IAES International Journal of Artificial
Intelligence, 2019, vol. 8, no 2, p. 120.
70
Références bibliographiques
71