5

I.2 Classification des défauts

Les défauts peuvent être classés selon les critères détaillés ci-après.
Selon leur rapidité de manifestation
Les défauts peuvent être classés selon leurs dynamiques d’évolution en : défauts brusques, progressifs et
intermittents. Les défauts brusques (biais) se produisent instantanément souvent à cause de dommages
matériels. Habituellement ils sont très graves car ils affectent les performances et/ou la stabilité du
système commandé. Les défauts progressifs (dérives) sont dus au changement lent des valeurs
paramétriques. Souvent dus au vieillissement, Ils sont plus difficiles à détecter en raison de leur
dynamique lente, mais sont également moins graves. Les défauts intermittents (valeurs aberrantes) sont
des défauts qui apparaissent et disparaissent à plusieurs reprises, par exemple à cause d’un câblage
partiellement endommagé

Figure 1.5 Classification des défauts selon leurs rapidités d’évolution

Selon leurs emplacements :
Dans les systèmes de commande, les défauts sont classés selon l’élément affecté par ce défaut en trois
catégories :
 Défauts actionneur.
 Défauts capteur.
 Défauts procédé (système).

Figure 1.6 – Classification des défauts selon leurs emplacements

 6

Pour la détection, la localisation et l’identification des défauts, on fait appel à un “module du diagnostic”
qui est un calculateur exécutant un algorithme de diagnostic. Cet algorithme est conçu pour la
surveillance du système en utilisant les mesures en provenance des capteurs et les entrées de commandes.
Après la détection du défaut l’utilisateur peut choisir entre la reconfiguration de la loi de commande
(commande tolérante aux défauts) ou l’arrêt total du fonctionnement afin de procéder à la maintenance
corrective.
I.3 Modélisation des défauts et des systèmes dynamiques
Un système physique est constitué d’un ensemble de composants interconnectés entre eux afin d’assurer
une fonction requise. Cependant, pour pouvoir prédire, analyser et surveiller le comportement dynamique
du système, un modèle mathématique fiable doit être établi. Le diagnostic peut ainsi faire appel à
divers niveaux de modélisation permettant de comparer le comportement observé et attendu afin de
signaler toute incohérence liée probablement à l’apparition d’un ou plusieurs défauts.
I.3.1 Modélisation du comportement nominal d’un système
Dans le cadre de ce cours, nous considérons les systèmes linéaires sous leurs formes les plus employées
en automatique à savoir : la fonction de transfert et la représentation d’état.
La fonction de transfert
On appelle la fonction de transfert d’un système ou d’un procédé, le rapport de la transformée de Laplace
du signal de sortie y(t) à celui de l’entrée u(t) :
Y(s)
𝐺𝑦𝑢 (s) =
U(s)
Où Y(s) et U(s) représentent les transformées de Laplace des signaux u(t) et y(t) respectivement.
En temps discret, la fonction de transfert est obtenue à partir de la transformée en Z des signaux d’entrée
et de sortie comme suit :
Y(z)
𝐺𝑦𝑢 (z) = U(z) (1.1)

Si les signaux Y∈ 𝑅 𝑛𝑦 et 𝑈 ∈ 𝑅 𝑛𝑢 sont multidimensionnels, alors 𝐺𝑦𝑢 est une matrice de ny lignes et nu
colonnes et dont chaque élément est une fonction de transfert.

Figure 1.7 Vue externe d’un système

La représentation d’état
La forme standard de la représentation d’un système linéaire à temps continu dans l’espace d’état est
donnée par

(1.2)
 7

Où 𝑥 ∈ 𝑅 𝑛𝑥 , 𝑢 ∈ 𝑅 𝑛𝑢 et 𝑦 ∈ 𝑅 𝑛𝑦 représentent l’état, l’entrée et la sortie du système, respectivement.

Les matrices A, B, C et D sont des matrices réelles avec des dimensions appropriées. Cependant, pour le
système linéaire à temps discret nous utilisons la forme suivante

(1.3)
Un système linéaire possède une seule fonction de transfert et une infinité de représentations d’état
possibles.
Le passage de l’espace d’état vers la fonction de transfert est effectué comme suit :

Où Inx est une matrice identité de taille nx. Nous pouvons aussi écrire le système sous la forme réduite
suivante :

(1.4)
1.3.2 Les systèmes perturbés
Les systèmes physiques subissent généralement l’effet néfaste des signaux exogènes à savoir : les
perturbations et les bruits de mesures. Ces signaux sont imprévisibles et nécessitent le recours à des
techniques robustes afin de diminuer leurs impacts sur les performances de fonctionnement requises.
Selon une étude préalable, il est possible d’adopter l’un des trois modèles de signaux exogènes :
 un processus stochastique ;
 une entrée inconnue ;
 une perturbation bornée ;
Le système stochastique
Un signal stochastique ou aléatoire est une famille de variables aléatoires indexée par le temps k.
De même, un système stochastique linéaire est un système linéaire perturbé par un signal aléatoire et
possède la représentation d’état suivante :

(1.5)
Où Wk et Vk représentent deux signaux aléatoires d’une distribution connue. Si wk et vk sont deux signaux
blancs, Gaussiens, non-corrélés et de covariances V> 0 et W≥0, alors le système (1.5) est appelé un
système de Gauss-Markov. Nous pouvons ainsi écrire : 𝑊𝑘~𝒩(0, 𝑊) et 𝑉𝑘~𝒩(0, 𝑉) pour indiquer la
forme Gaussienne (Normalienne) de la distribution et E(ViVj)=V δ(i-j) ; ( δ représente la fonction de
Kronecker) pour montrer la blancheur du signal.
 8

Le système à entrée inconnue

Les perturbations autour du processus considéré, les changements inattendus dans le processus technique
ainsi que les bruits de mesure sont souvent modélisés en tant qu’un vecteur à entrée inconnue. Ce vecteur,
noté dk, est intégré dans le modèle d’état (1.2) comme suit :

(1.6)
Les matrices de distribution de l’entrée inconnue Ed et Fd indiquent la direction vers laquelle la
perturbation dk influe sur le système. L’équation ci-dessous donne une représentation du système (1.6)
dans le domaine fréquentiel

(1.7)
Avec :

(1.8)
Et

(1.9)
La perturbation bornée
Il est possible d’établir une borne supérieure pour l’énergie de la perturbation d k dans le système (1.6)
comme suit :

(1.10)
La norme 2 appelée la norme 𝔏2 est liée directement à l’énergie du signal. Cependant, le produit 𝑑𝑖𝑇 𝑑𝑖
correspond à la puissance instantanée du signal. La borne supérieure l peut être obtenue empiriquement.
1.4 Classification des méthodes de diagnostic
Dans les dernières décennies, plusieurs méthodes de diagnostic ont été développées par différentes
communautés de recherche et comme illustré à la Figure 1.8, ces méthodes sont généralement classées en
deux grands ensembles :
1. Méthodes à base de données (signal).
2. Méthodes à base de modèle.
 9

1.4.1 Méthodes à base de données (signal)

L’idée centrale de ces méthode est d’extraire l’information de défaut à partir des signaux du processus
surveillé (consignes, mesures). Pour atteindre cet objectif, certaines propriétés du signal (symptômes)
peuvent être analysées dans le domaine temporel ou dans le domaine fréquentiel. Les caractéristiques
temporel des symptômes comprennent : l’amplitude, la moyenne (arithmétique ou quadratique), les
valeurs limites, les tendances, et les moments statistiques de la distribution d’amplitude, etc.., tandis que
les caractéristiques du domaine fréquentiel comprennent la densité spectrale de puissance, les lignes
spectrales de fréquence etc. Le diagnostic à base de signal est utilisé pour surveiller les systèmes
fonctionnant en régime permanent.

Figure 1.8 Les méthodes de diagnostic de défaut

1.4.2 Méthodes à base de modèle
L’idée intuitive des méthodes à base de modèle consiste à remplacer la redondance matérielle par un
modèle de processus implémenté dans un calculateur. Le modèle implémenté est sollicité en ligne par les
mêmes entrées de commande que le processus réel. De cette façon, le comportement sain de processus
peut être reconstitué en ligne. Par analogie à la redondance matérielle, nous appelons cette méthode
“redondance logicielle” ou “redondance analytique” . Il est bien connu que les techniques à base de
modèle sont plus puissantes que celles à base de signal grâce aux informations supplémentaires fournies
par la connaissance du comportement dynamique de système. Le modèle du processus représentant le
 10

comportement qualitatif et quantitatif du procédé est obtenu en utilisant la théorie bien établie
d’identification et de modélisation des systèmes. Le modèle quantitatif ou analytique du processus peut
être représenté par un ensemble d’équations différentielles ou des équations récurrentes alors que le
modèle qualitatif est décrit par des fonctions qualitatives centrées autour de différentes unités du
processus. Comme illustré à la figure 1.8, les méthodes quantitatives à base de modèle sont généralement
classées en trois ensembles : (i) méthode d’espace de parité (ii) méthodes à base d’observateur (iii)
méthodes à base d’estimation (identification) paramétrique (iv) à base d’estimation d’état/paramètres.
Dans ce cours nous nous consacrons sur l’étude des méthodes à base de modèle, leurs fondements
théoriques et les applications possibles dans des divers domaines techniques.
Étapes du diagnostic
Comme illustré à la figure 1.9, le diagnostic à base de modèle passe généralement par les trois étapes
suivantes :

Figure 1.9 Les étapes principales d’un algorithme de diagnostic

1. Détection de défaut : décider si un défaut est survenu. Cette étape détermine le temps au quel le
système est soumis à un défaut. Cette étape se compose de deux sous-étapes suivantes :
 Génération du résidu : le résidu est un signal qui reflète le défaut. La génération de résidus se fait
généralement en temps réel à partir des entrées et des sorties du système.
 Évaluation du résidu : le résidu est analysé pour décider s’il y a ou non présence d’un défaut. Cette
prise de décision peut être réalisée en temps réel à l’aide d’un simple test de dépassement de seuil sur
les valeurs instantanées ou en analysant les propriétés statistiques du signal résidu, ou bien encore par
la décision floue. On génère aussi un symptôme.
 11

2. Localisation de défaut : trouver dans quelle composante du système le défaut s’est produit. Cette
étape détermine l’emplacement de la panne.
3. Identification de défaut : identifier le défaut et estimer son amplitude. Cet étape détermine le type
de défaut et sa gravité.
Notons que l’adoption d’une étape de plus parmi les étapes précédentes, permet d’accroitre le niveau
de sécurité de l’installation, et par conséquent, minimiser davantage le coût de dégâts probables (voir
figure 1.10)

Figure 1.10 Niveau de sécurité et étapes de diagnostic

1.4.3 Performances d’un algorithme de diagnostic :
Pour déterminer les performances d’un algorithme de diagnostic nous utilisons les critères suivant :
 La sensibilité aux défauts : l’aptitude de l’algorithme de capter le défaut et d’éviter la non-détection
(missed alarm).
 La vitesse de détection : mesurée par le temps pris par l’algorithme pour signaler l’existence d’un
défaut après son apparition.
 La robustesse : l’aptitude de minimiser l’effet des signaux exogènes et des erreurs de modélisation
sur la décision du diagnostic.
En implémentant un algorithme du diagnostic en temps réel, sa complexité temporelle (nombre des
opérations de calcul) et spatiale (espace mémoire utilisé) s’avère d’une importance primordiale
dans l’évaluation de ces performances.