Cours Diagnostic Des Systèmes2

Université Amar Télidji-Laghouat
Cours Diagnostic des Systèmes

MASTER Automatique et Système
Dr. Bessedik Sid Ahmed
1
2017-2018
Introduction
La complexité des systèmes industrielle et

l’augmentation de la fiabilité, de la
disponibilité et de la sûreté de fonctionnement
deviennent aujourd’hui un enjeu très
important de l’automatisation. Pour atteindre
ces objectifs, les chercheurs ont développé
plusieurs techniques et méthodes pour la
surveillance des systèmes industriels, que ce
soit pour les systèmes avec ou sans modèle.
2
Généralités et Définitions
Diagnostic : la détermination du type, de la taille, de la localisation et de
l’instant d’occurrence d’un défaut (complète la détection par l’isolation
et l’identification).
Détection : détermination de la présence de défauts et de l'instant de
leurs occurrences.
Localisation : détermination de la classe à laquelle appartient le défaut.
Identification : caractériser plus finement le défaut. et détermine les
causes qui ont engendré la défaillance constatée.
Surveillance : détecter et classer les défaillances en observant l'évolution
du système puis à les diagnostiquer en localisant les éléments défaillants.
Fiabilité : l’aptitude d’un système à accomplir sa mission dans des
conditions données d’utilisation.
Maintenance : l’aptitude d’un système à être entretenu ou remis en
marche.
3
Généralités et Définitions
Sûreté : l’aptitude d’un système à respecter l’utilisateur et son
environnement.
Défaillance (panne) : une interruption permanente de la capacité du
système à remplir une fonction requise dans des conditions d'opérations
spécifiées.
Défaut : un écart non permis d'au moins une propriété ou un paramètre
caractéristique du système par rapport au comportement nominal (usuel
ou acceptable).
Résidu : signaux portants de l'information, basés sur l’écart entre les
mesures et les calculs basés sur le modèle.
Seuil (critère): valeur limite de l’écart d'un résidu avec le zéro, ainsi
s’il est dépassé, un défaut est déclaré comme détecté.
4
Système et composants
Un Système industriel est composé généralement de trois parties :
– les actionneurs.
– le procédé.
– les capteurs.
Type de défauts: trois principaux types de défauts peuvent survenir sur
chacune de ces trois parties
5
Système et composants
Défauts actionneurs : Ce sont des défauts qui agissent au niveau de la
partie opérative et détruisent le signal d'entrée du système(la pompe
délivre un débit incohérent avec sa caractéristique hydraulique) .
Défauts composants ou systèmes : Défaillances dues à des
modifications de la structure (fuite, rupture d'un organe,...) ou des
paramètres du modèle (encrassement d'un tube d'un four, bouchage d’un
tube,..)
Défauts capteur : Ce type de défaut est la cause d’une mauvaise image
de l’état physique du système.
Résidu : signaux portants de l'information, basés sur l’écart entre les

mesures et les calculs basés sur le modèle.
Seuil (critère): valeur limite de l’écart d'un résidu avec le zéro, ainsi
s’il est dépasse, un défaut est déclaré comme détecté..
6
Différentes étapes du diagnostic industriel
La procédure de diagnostic de défaut s’articule autour des étapes
suivantes :
- l’extraction des informations nécessaires à la mise en forme des
caractéristiques associées aux fonctionnements normaux et anormaux.
- la génération des résidus, c’est-à-dire des signaux sensibles aux
défauts à détecter.
- l’élaboration des signatures des défauts.
- la détection et la localisation de défaut par comparaison avec des
signatures de bon fonctionnement.
- la prise de décision en fonction des défauts identifiés (arrêt de
l’installation, reconfiguration du fonctionnement du procédé).
7
Actionneurs Processus Capteurs
Mesures
Loi de
commande
Modèle
Modification de la structure de la commande
Adaptation des paramètres de commande
Génération Tests Détection

de résidus statistiques
Présence de
défaut
résidus
Localisation
Origine de la
défaillance
Identification
Caractérisation
de la défaillance
Pronostic
Evolution de
la défaillance
Reconfiguration
8
La Phase de diagnostic doit permettre de prendre une décision :

- ne rien conclure par manque d’information.
- vérifier la gravité de défaut (essais sur le processus).
- réparer le composant défectueux (le cas d’une défaillance).
- modifier la politique de maintenance.
- modifier la loi de conduite du processus…
9
Qualité et performance d’un système de diagnostic
Les principales caractéristiques de Performance et Robustesse d’un

système de diagnostic sont :
- La rapidité de détection,
- Un faible taux de fausses alarmes et de détections ratées,
- Une localisation précise du défaut,
- Une mesure précise de l’importance du défaut,
- Une faible influence sur le système,
- Une utilisation conviviale et aisée,
- Une robustesse vis-à-vis de certains bruits, incertitudes et les erreurs
de modélisation du processus.
10
Classification des méthodes de diagnostic
11
Méthodes de diagnostic
1-Redondance matérielle:
Multiplier (doubler, tripler,..) les chaînes de mesure (le nombre de

mesures supérieur au nombre de variables à mesurer) :
- s’assurer de la validité d’une mesure.
- détecter voir localiser les capteurs défaillants
Avantages : fiabilité et simplicité
Inconvénients : surcoût de l'installation, encombrement, limiter aux
pannes capteurs.
Le détecteur calcule trois
résidus:
r 1 =m 1 - m 2.
r 2 =m 1 - m 3.
r 3 =m 2 - m 3.
Cette méthode détecte et localise une panne de capteur.

12
1-Redondance matérielle
Exemple
y1(k )  x(k )  e1(k )  d1(k )  1  e1(k )   1 0 
y2 (k )  x(k )  e2 (k )  d1(k )  d 2 (k )        d1 (k ) 
y (k )  1 x(k )   e2 (k )    1 1   
 1  e (k )   0 2   2 d ( k )
y3 (k )  x(k )  e3 (k )  2d 2 (k )    3   
Calcul les résidus
x(k): une grandeur à mesurer.

y(k): trois capteurs sensibles.
e(k): des bruits aléatoires.
d1(k) et d2(k) des défauts.
13
1-Redondance analytique :
De nombreuses approches ont été élaborées permettant la génération de
résidus à l’aide de la redondance analytique. Ces méthodes reposent
finalement soit sur une estimation d’état du système soit sur une
estimation des paramètres:
- Approche par espace de parité.
- Approche à base d’observateurs.
- Approche par estimation paramétrique.
1.1-Approche par espace de parité:
L’idée de base de cette approche est de vérifier la cohérence entre les relations
mathématiques du système et les mesures (relations de redondance analytique).
La différence entre la mesure et sa valeur calculée par le modèle est appelée résidu.
Si le résidu est nul, les mesures sont cohérentes par rapport au modèle, le système
déclaré sans défaut. Un résidu non nul indique l’apparition d’un défaut.
14
1.1-Approche par espace de parité:
- Nécessite la disponibilité de modèle : statique/dynamique, linéaire/non linéaire,...

- Champs d’application : défauts capteurs, défauts actionneurs, défauts de procédé
lui-même.
- Avantage: 1. Génération de résidus : écarts entre le comportement observé du
système et le comportement de référence attendu en fonctionnement « normal »
2.Décision : détection et localisation de l’élément défaillant
Cas général d’une équation de mesure:
y(k)  Cx(k )  e(k)  Fd(k)

x  R n , y  R m , d  R p , e  R m C  R m . n , F  R m. p
y(k) : le vecteur de mesure . x(k) : le vecteur des variables à mesurer.
d(k) : le vecteur des défaillances. e(k) : le vecteur des bruits de mesure.
C : matrice caractérisant le système de mesure.
F : matrice traduisant la direction des défaillances.
15
Approche par espace de parité - Cas statique
le vecteur parité p(k), projection du vecteur des mesures y(k), est

p (k )  Wy (k )
W est une matrice de projection orthogonale à C.
p(k )  We(k )  WFd (k )

Cas idéal - absence d’erreurs de mesure e(k) et de défauts d(k)
- vecteur parité nul : p ( k ) = 0.
- ensemble des redondances liant les mesures y(k) : Wy ( k ) = 0
Pour éliminer x(k), trouver une matrice W non-nulle telle que WC = 0
16
Détermination de W
La matrice C, de rang m, peut être décomposée sous la forme :
 C1 
C  
C
 2
où C 1 est régulière de plein rang m.
W Une matrice orthogonale à C

W  C2C11 I 
17
Exemple 01 : Considérons, à un instant k particulier, le système de mesure:
1 2 1  1 1 0
     
1 0 2 1
  0 0
y (k )   1 1 1  x ( k )   1 ( k )   0 0  d (k )
     
1 0 1 1
  1 1
On dispose de :  2 0 2  1
 
0
 0 
- cinq mesures.
- trois grandeurs.
Générer les équations de redondance ?
18
Exemple 01 : C une sous-matrice régulière de rang 3:

1 2 1 
  1 0 1
C1   1 0 2  , C2   
1 1 1   2 0 2
 
Construction de W :
19
Exemple 01: la forme des équations de redondance n'est pas unique

Autre équation de redondance par élimination de y 1 (k)
Isolabilité : l’élimination de y 1 (k) entraîne systématiquement celle de y 3 (k) ; les

défauts éventuels intervenant sur ces deux mesures ne seront donc pas isolables
(différentiables).
Détectabilité : la mesure y2(k) n’intervient dans aucune équation de redondance ;

un défaut sur cette mesure ne sera donc pas détectable.
20
Isolabilité :
Exemple 02 : Considérons le système de mesure suivant:
Générer les équations de redondance ?
22
Analyse du vecteur de parité W
L’amplitude du vecteur de parité évolue et s’oriente dans la direction de défaut

associé au capteur concerné.
Le vecteur parité est la somme de deux termes:
- We(k) est une contribution aléatoire de statistique connue si celle du bruit e(k)
est connue.
- WFd(k) est une composante déterministe dont la direction est fixée par le rang
du capteur en défaut et l’amplitude est fonction de celle de défaut du capteur
23
Analyse du vecteur de parité W
Une étude statistique de p(k) peut être utilisée pour détecter et localiser le défaut
( e suit une loi normale) :
- Détection : comparer la norme de p(k) à un seuil qui est fixé à partir d’un
niveau de confiance.
- Localisation : analyser la corrélation entre le vecteur parité et les différentes
directions de défaut matérialisés par les vecteurs formés par les colonnes de la
matrice W et déterminer la corrélation la plus grande.
24
Structuration des résidus et découplage
Quand deux défauts sont mélangés, la structuration des résidus vise à séparer
leurs influences :
- Découplage des résidus vis-à-vis des défauts : chercher une matrice W 1 qui
permet de diagonaliser la matrice de direction des défauts.
- Découplage des résidus vis-à-vis des perturbations : parfois il est souhaitable
de disposer d’un vecteur de parité sensible à certaines défauts à détecter et ne
pas vouloir s’intéresser à d’autres types de défauts.
25
Extension aux systèmes avec contrainte:
y (k )  Cx(k )  e( k )  Fd (k )
Ax(k )  0
Forme agrégée :
I  C  I  F
  y ( k )    x ( k )    ( k )    d ( k )
0  A 0 0 
Comme précédemment, la génération du vecteur parité et des équations de
redondance qui lui sont associées repose sur l'élimination des variables inconnues x(k).
26
Extension aux systèmes avec contrainte:
Il suffit donc de chercher une matrice W telle que :
C 
W 0
 A
Le vecteur parité est alors défini par
I
p ( k )  W   y (k )
1.forme de calcul : 0
2.forme “explication” : I F

p ( k )  W   ( k )  W   d ( k )
0 0 
27
Approche par espace de parité - Cas dynamique
Considérons le modèle dynamique déterministe:
x(k  1)  Ax(k )  Bu (k )  F1d (k )

y (k )  Cx(k )  F2 d (k )
xRn, y Rm, d R p, uRr
A  R n.n , B  R n.r , C  R m.n , F1  R n. p , F2  R m. p
y(k) : vecteur de mesure. x(k) : vecteur des variables à mesurer.

d(k) : vecteur des défauts. C : matrice caractérisant le système de mesure.
F : matrice qui traduit la direction des défauts.
28
sur un horizon d'observation [ k, k+s ] :

Y (k , s ) - G ( s )U (k , s)  H ( s) x(k )  F ( s) D(k , s)
les vecteurs V(k,s) avec V { Y, U, D } et la matrice H(s) sont définis par:
 v(k )  C 
   
v ( k  1)  CA 
V (k , s)    H (s)  
   
   
v ( k  s )  CA s 
   
avec les définitions suivantes
 0 0  0
0  F2 0  0 0 
   
 CB 0  0
0
 CF1 F2  0 0 
G ( s )   CAB CB  0
0 F ( s )   CAF1 CF1  0 0 
   
    0
0     F2 0 
 s 1 s 2   s 1 s 2 
 CA B CA B  CB 0   CA F1 CA F1  CF1 F29
2
Les équations de redondance qui lient vecteurs Y et U indépendamment de x :
H ( s )  0
L'existence de la matrice Ω est liée au rang de H(s).
Le vecteur parité s'explicite:
- en fonction des grandeurs connues (Forme de calcul ou forme externe) :

P(k )  (Y ( k , s) - G ( s)U ( k , s))
- en fonction des défauts (Forme d’évaluation ou forme interne)
P (k )  F ( s ) D(k , s )
30
Affiner les équations de redondance :

- Rechercher tout d'abord les équations de redondance pour
chaque sortie prise isolément : auto-redondance
- Rechercher les relations de redondance entre différentes
sorties : inter-redondance
31
Auto-redondance:
La notion d'auto-redondance (redondance directe) est importante car elle est liée à la
génération de relations exprimant au cours du temps la sortie d'un seul capteur. Pour
cela, il suffit d'extraire la jème composante du vecteur d'observations en sélectionnant
dans C la ligne Cj :
Y j (k , s ) - G j ( s )U ( k , s )  H j ( s ) x( k )  F j D( k , s )
où Hj , Gj et Fj se déduisent des définitions de H , G et F en remplaçant C et F2

par leur jième ligne.
Le vecteur parité, j est une matrice orthogonale à Hj (s) :

Pj (k )   j Y j ( k , s ) - G j ( s )U ( k , s ) 
32
Inter-redondance:
- La redondance temporelle existe aussi entre plusieurs capteurs.
Pour chaque matrice d'observation Hi construite à partir d'une seule
sortie et de toutes les entrées, retenons uniquement les si premières
lignes indépendantes. On obtient donc, pour i =1,...,m :
Yi (k , si -1) - Gi ( si -1)U ( k , si -1)  H i ( s i -1) x( k )  Fi D( k , si -1)
- Pour obtenir une formulation unique regroupant toutes les sorties,

on peut introduire des vecteurs communs U(k,s) et D(k, s) (où s =
max(s1,s2 ,..., sm) pour toutes les entrées U(k,si -1) et D(k, si -1)); dans
certains cas, cela ne peut être possible qu'en complétant les matrices
Gi avec des colonnes de “zéros”.
33
Inter-redondance:
Le système peut s'écrire de façon condensée :
Y (k , s1,..., sm ) - G( s1,..., sm )U ( k , s)  H ( s1,..., sm ) x( k )  E ( s1,..., sm )D (k , s )
 Y1 (k , s1  1) 
 
avec : Y (k , s1 ,..., sm )    
 Y (k , s  1) 
 m m 
•Les équations de parité sont données par l’expression :
P(k )  (Y ( k , s1 ,..., sm ) - G ( s1,..., sm )U ( k , s))
avec  orthogonale à H(s1,..., sm).

34
Exemple 01 :
Considérons, pour l'horizon d'observation [k, k+2], le modèle

suivant: 0 1
 0.7 0.2  0
A  B  C  
 0 0.5   1 0 
1 
x(k  1)  Ax(k )  Bu (k )  F1d (k )
y (k )  Cx(k )  F2 d (k )
-Déterminer les équations d’auto-redondance
-Déterminer l’équation d’inter-redondance
-Déterminer les directions de références du vecteur de parité
correspondantes
35
Solution :
1. Pour la première sortie, C1 = (1 0), on a

C   1 0 
 1     C11 (2, 2) 
H1  2    C1 A    0.7 0.2    
 C (1, 2)
2
  0.49 0.24   21 
C
 1 A 
rang(H1(2))=2. Détermination d’une matrice orthogonal à H1(2):
 1
1  C21C11 
I   0.35 1.2 1
L'équation de redondance relative au 1er capteur :

P1 (k )  1  Y1 (k , 2) - G1 (2)U (k , 2) 
 y1 (k )   u (k )   0 0 0
     
Y1 (k , 2)   y1 ( k  1)  ,U (k , 2)   u ( k  1)  , G1 (2)   0 0 0 
avec :  y (k  2)   u (k  2)   0.2 0 0 
 1     
36
Solution :
L'équation de parité et par conséquent la relation d'autoredondance

de cette sortie :
(0.35 -1.2q 1  q 2 ) y1 ( k ) - 0.2u ( k )  0
Avec q l’opérateur avance : q r x(k )  x(k  r )

2. Pour la deuxième sortie, C2 = (0 1), on a
 C1   0 1 
H 2  2    
 C1 A   0 0.5 
Le rang de la matrice d'observabilité H2(2) est égal à 1. une matrice

orthogonale à H2(2) est :
 2   1 2 
37
Solution :
  y2 ( k )   0 0   u (k )  
P2 (k )   2   -   
 y ( k  1)  
 2   1 0  u (k  1)  
L'auto-redondance de cette sortie est:

(-1  2q) y2 ( k ) - 2u ( k )  0
A chaque instant, le vecteur parité est donc défini par :

 1.75 y1 ( k ) - 6 y1 ( k  1)  5 y1 ( k  2) - u ( k ) 
P(k )   
 y 2 ( k  1) - 0.5 y 2 ( k ) - u ( k ) 
38
Solution :
Inter-redondance
Pour le premier et le deuxième capteurs, les lignes indépendantes sont :
 C1   0 0  u (k ) 
Y1 (k ,1)    x( k )    
C A
 1  C
 1 B 0  u ( k  1) 
Y2 (k ,0)  C2 x(k )
En combinant ces équations (s=2) :
 C1   0 0
     u (k ) 
Y1 (k , 2,1)   C1 A  x( k )   C1B 0 
u ( k  1)
C 
 2 
 0
 0   
 1 0   0
   
Y (k , 2,1)   0.7 0.2  x( k )   0  u (k )
 0 1   0
   39
Solution :
La matrice permettant d’élimination de l’état inconnu x(k) :

 =  3.5 -5 1
Ce qui génère l'inter-redondance :

3.5 y1 (k ) - 5 y1 (k  1)  y2 ( k )  0
Finalement, l'ensemble des équations de redondance (auto-

redondance et inter-redondance) s'écrit :
5 y1 (k  2) - 6 y1 (k  1)  1.75 y1( k ) - u( k )  0
y2 (k  1) - 0.5 y2 ( k ) - u(k )  0
3.5 y1 (k ) - 5 y1 (k  1)  y2 (k )  0
40
Solution :
Directions du vecteur de parité selon les défauts à analyser
Si les actionneurs sont en fonctionnement normal, les deux premières

équations fournissent un moyen d'identifier les défauts des capteurs :
• La première équation est seulement sensible aux défauts du 1er capteur,
• La seconde est affectée par les défauts du 2ème capteur,
Même si l'actionneur est défectueux, la 3ème équation permet d'isoler les
défauts de capteur et d'actionneur :
• La troisième équation est seulement affectée par les défauts de capteurs
41
Méthodes à base d’intelligence artificielle
Introduction:
Ces méthodes supposent qu’aucun modèle n’est disponible pour décrire

les relations de cause à effet. La seule connaissance repose sur
l’expertise humaine. Parmi ces méthodes, nous pouvons citer les
systèmes experts, la logique floue, les réseaux neuronaux, la
reconnaissance des formes,….
42
Réseaux de neurones (RN):

Le premier neurone formel a été modélisé par Mc.Culloch (physiologiste) et
W.Pitts (mathématicien) en 1943 en s’inspirant de la réalité biologique.
43
Les éléments constitutifs du neurone artificiel

E1 w1
p = ∑ Wi*Ei
E2 w2
• Calcul de la sortie :
p
• S = f(p) E3
w3
Σ FΣct f S
• ou encore : w4
• S = f(∑ Wi*Ei) E4 wn
• La fonction de transfert "f"
peut avoir plusieurs En
formes.
FONCTION FONCTION
de COMBINAISON de TRANSFERT
44
Fonction de Transfert
45
Apprentissage
L ’apprentissage est une phase du développement d’un réseau de neurones

durant laquelle le comportement du réseau est modifié jusqu’à l’obtention du
comportement désiré.
Le but des réseaux neuronaux est d’apprendre à répondre correctement à
différentes entrées.
Moyen : modification des poids par apprentissage supervisé, ou non
supervisé.
• Apprentissage supervisé: un superviseur (ou expert humain) fournit une

valeur ou un vecteur de sortie.
• Apprentissage non supervisé: le système neuronal apprend tout seul en
formant des classes d’entrées à réponses communes.
46
Apprentissage
Le but des réseaux neuronaux est d’apprendre à répondre correctement à
différentes entrées.
Moyen : modification des poids par apprentissage supervisé, ou non
supervisé.
Apprentissage dans les réseaux de neurones

non supervisé
Apprentissage supervisé : :
47
Logique Floue (FL)
Les bases théoriques de la logique floue (fuzzy logic) ont été établies au début
des années 1965 par le professeur Lotfi Zadeh de l’université de Californie de
Berkeley.
48
Logique Floue (FL)
Les éléments de base :
1. les variables linguistiques
49
Logique Floue (FL)
2. les fonctions d’appartenance
50
Logique Floue (FL)
3. Règles et opérateurs flous
SI <condition> ALORS <conséquence>

51
Logique Floue (FL)
Etapes essentielles d'un contrôleur flou
52
Réseaux de neurones (RN) Vs Logique Floue (FL)
Réseaux de neurones (RN) et Systèmes flous (SF)

Avantages & Inconvénients
RN-Ne nécessitent pas l'utilisation de RN-Les résultats obtenus ne sont pas
modèles mathématiques très complexes interprétables (boite noire).
pour leur fonctionnement. SF-Les règles doivent être disponibles.
SF-Une interprétation et
implémentation simple.
53
Système d'inférence neuro-flou adaptatif (ANFIS)
54
ANFIS (Adaptive Network Based Fuzzy Inference System) est un système

d’inférence flou implémenté suivant l’architecture d’un réseau multicouche de
neurones adaptatifs.
55
1ère couche : Fuzzification

Les fonctions d’appartenance sont des gaussiennes
2ème couche : Pondération des règles floues

Chaque neurone dans cette couche correspond à une règle floue.
3ème couche : Normalisation
4ème couche : Défuzzification
5ème couche : Calcul de la sortie
56
57
58
Approche à base d’observateurs
Introduction:
L’utilisation de cet observateur dans une procédure de diagnostic

obéit au schéma fonctionnel suivant
u(t) y(t)
Système
diagnostic
Observateur Générateur Analyseur
de résidus de résidus
ŷ(t)
Schéma fonctionnel d’un observateur générateur de résidu

59
Approche à base d’observateurs
- Observateur de Luenberger
- Influence d’un défaut de capteur
- Observateur à entrées inconnues
- Isolation de défauts
60

Cours Diagnostic Des Systèmes2

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Cours Diagnostic Des Systèmes2

Transféré par

Droits d'auteur :

Formats disponibles

Université Amar Télidji-Laghouat

Cours Diagnostic des Systèmes

Dr. Bessedik Sid Ahmed

La complexité des systèmes industrielle et

Résidu : signaux portants de l'information, basés sur l’écart entre les

Actionneurs Processus Capteurs

Adaptation des paramètres de commande

Génération Tests Détection

La Phase de diagnostic doit permettre de prendre une décision :

Les principales caractéristiques de Performance et Robustesse d’un

Multiplier (doubler, tripler,..) les chaînes de mesure (le nombre de

Cette méthode détecte et localise une panne de capteur.

x(k): une grandeur à mesurer.

1.1-Approche par espace de parité:

- Nécessite la disponibilité de modèle : statique/dynamique, linéaire/non linéaire,...

Cas général d’une équation de mesure:

y(k)  Cx(k )  e(k)  Fd(k)

Approche par espace de parité - Cas statique

le vecteur parité p(k), projection du vecteur des mesures y(k), est

p(k )  We(k )  WFd (k )

Pour éliminer x(k), trouver une matrice W non-nulle telle que WC = 0

La matrice C, de rang m, peut être décomposée sous la forme :

W Une matrice orthogonale à C

Exemple 01 : Considérons, à un instant k particulier, le système de mesure:

Générer les équations de redondance ?

Exemple 01 : C une sous-matrice régulière de rang 3:

Exemple 01: la forme des équations de redondance n'est pas unique

Isolabilité : l’élimination de y 1 (k) entraîne systématiquement celle de y 3 (k) ; les

Détectabilité : la mesure y2(k) n’intervient dans aucune équation de redondance ;

Exemple 02 : Considérons le système de mesure suivant:

Générer les équations de redondance ?

Analyse du vecteur de parité W

L’amplitude du vecteur de parité évolue et s’oriente dans la direction de défaut

Analyse du vecteur de parité W

Structuration des résidus et découplage

Extension aux systèmes avec contrainte:

Extension aux systèmes avec contrainte:

Il suffit donc de chercher une matrice W telle que :

2.forme “explication” : I F

Approche par espace de parité - Cas dynamique

Considérons le modèle dynamique déterministe:

x(k  1)  Ax(k )  Bu (k )  F1d (k )

y(k) : vecteur de mesure. x(k) : vecteur des variables à mesurer.

sur un horizon d'observation [ k, k+s ] :

Les équations de redondance qui lient vecteurs Y et U indépendamment de x :

- en fonction des grandeurs connues (Forme de calcul ou forme externe) :

- en fonction des défauts (Forme d’évaluation ou forme interne)

Affiner les équations de redondance :

où Hj , Gj et Fj se déduisent des définitions de H , G et F en remplaçant C et F2

Le vecteur parité, j est une matrice orthogonale à Hj (s) :

Yi (k , si -1) - Gi ( si -1)U ( k , si -1)  H i ( s i -1) x( k )  Fi D( k , si -1)

- Pour obtenir une formulation unique regroupant toutes les sorties,

P(k )  (Y ( k , s1 ,..., sm ) - G ( s1,..., sm )U ( k , s))

avec  orthogonale à H(s1,..., sm).

Considérons, pour l'horizon d'observation [k, k+2], le modèle

1. Pour la première sortie, C1 = (1 0), on a

L'équation de redondance relative au 1er capteur :

L'équation de parité et par conséquent la relation d'autoredondance

Avec q l’opérateur avance : q r x(k )  x(k  r )

Le rang de la matrice d'observabilité H2(2) est égal à 1. une matrice

L'auto-redondance de cette sortie est:

A chaque instant, le vecteur parité est donc défini par :

La matrice permettant d’élimination de l’état inconnu x(k) :