REPUBLIQUE ALGERIENNE DEMOCRATIQUE ET POPULAIRE

MINISTERE DE L'ENSEIGNEMENT SUPERIEUR ET DE LA RECHERCHE SCIENTIFIQUE

UNIVERSITE DE M’SILA
FACULTE DE TECHNOLOGIE
DEPARTEMENT DE GENIE ELECTRIQUE

MEMOIRE DE FIN D’ETUDES EN VUE DE L’OBTENTION DU DIPLÔME DE

MASTER EN GENIE ELECTRIQUE

SPECIALITE : AUTOMATIQUE

THEME

DIAGNOSTIC DES SYSTEMES NON LINEAIRE

REPRESENTES PAR MULTI-MODELE

Proposé et dirigé par : Présenté par :

- Mr. OUBABAS Hocine - BOULAREM Adel

Année Universitaire : 2012/2013

N° d’ordre : 067
 On remercie tout d’abord Allah, le tout puissant qui
nous a facilité le chemin pour l’accomplissement de ce
Mémoire.
Nos grands remerciements vont à
Mr : OUBABAS Hocine
Pour nous avoir et pour leur disponibilité et leurs
précieux conseils.
A tous nos enseignants et le chef de département de
Génie Electrique
Mr : [Link] DJAIMA
Qui nous ont aidés de proche ou de loin pour être des
masters en électrotechnique option Automatique.
En fin
Nous tenons à exprimer notre reconnaissance à tous
nos amis(es) et collègues pour le soutien moral et
Matériel.
Avant tous, je remercie dieu le tout puissant de
m’avoir
Donner le courage et la patience pour réaliser ce
travail
Malgré toutes les difficultés rencontrées.

Je dédie ce modeste travail :

A mes très chers parents

A mes frères et mes sœurs

A toute ma famille

A tous les amis d’études surtout Ceux

d'AUTOMATIQUE Promotion 2013.
Tables des matières

Table des matières

Introduction Générale .............................................................................................................. 1

I. Etat de l’art sur le diagnostic

I.1. Introduction .......................................................................................................................... 3
I.2. Intérêt et objectifs du diagnostic .......................................................................................... 3
I.3. Concepts et définition .......................................................................................................... 4
I.4. Principe de diagnostic des défauts ....................................................................................... 5
I.4.1. Redondances d’information .......................................................................................... 5
I.4.2. Redondance physique ou matérielle .............................................................................. 5
I.4.3. Redondance analytique ................................................................................................. 6
I.4.4. Procédure de détection et d’isolation des défauts ........................................................ 6
I.5. Classification des méthodes de diagnostic ......................................................................... 11
I.5.1. Méthodes qualitatives .................................................................................................. 12
I.5.2. Méthodes quantitatives................................................................................................ 13
I.5.3. Détection des défauts par traitement de signal ............................................................ 15
I.6. Critère de performances d’un système de diagnostic ......................................................... 15
I.7. Principe de génération de vecteur résidu pour la détection et la localisation de défauts ... 16
I.7.1. Génération des résidus .............................................................................................. 17
I.7.2. Isolation des défauts .................................................................................................. 18
I.7.3. Méthodologie générale de génération du vecteur résidu ............................................. 18
I.7.4. Technique d’évaluation de résidus .............................................................................. 19
I.8. Reconstruction de défauts .................................................................................................. 21
I.9. Performance d'une procédure de diagnostic ....................................................................... 22
I.10. Les différents types de défauts ..................................................................................... 22
I.10.1. Les défauts actionneurs ............................................................................................ 22
I.10.2. Les défauts capteurs ................................................................................................. 23
I.10.3. Les défauts composants ou systèmes ...................................................................... 23
I.11. Conclusion ........................................................................................................................ 25

II. Modélisation du système non linéaire par

approche multi-modèle
II.1. Introduction ....................................................................................................................... 26
II.2. A propos de l’approche multi-modèle ............................................................................. 26
II.3. Obtention d’une structure multi-modèle ........................................................................... 27
Tables des matières

II.4. Les principaux intérêts de l’approche multi-modèle ........................................................ 29

II.5. Déférentes structures multi-modèle .................................................................................. 29
II.5.1 Structure couplée ......................................................................................................... 30
II.5.2 Structure découplée...................................................................................................... 31
II.5.3 Structure hiérarchisée .................................................................................................. 32
II.5.4 Recherche des modèles locaux par identification ....................................................... 33
II.5.5 Recherche des modèles locaux par linéarisation ........................................................ 34
II.6. Stabilité des multi-modèles .............................................................................................. 35
II.6.1 Stabilité quadratique .................................................................................................... 35
II.6.2 Stabilité relaxée ............................................................................................................ 36
II.7. Diagnostic de défauts à base de multi-modèles ............................................................. 37
II.7.1. Les multi-modèles de défauts .................................................................................. 37
II.7.2. Les multi-modèles autour de points de fonctionnement ........................................ 39
II.7.3. Représentation multi-modèle en présence de défauts ............................................. 43
II.8. Conclusion ........................................................................................................................ 45

III. synthèse d’observateurs non linéaires

III.1. Introduction ..................................................................................................................... 46
III.2. Notion d'observabilité ...................................................................................................... 46
III.2.1. Observabilité des systèmes linéaires ......................................................................... 46
III.2.2. Observabilité des systèmes non linéaires .................................................................. 47
III.3. Classification des observateurs ........................................................................................ 47
III.3.1. Observateurs des systèmes linéaires ......................................................................... 47
III.3.1.1. Observateur de Luenberger ............................................................................... 48
III.3.1.2. Filtre de Kalman ................................................................................................ 49
III.3.1.3. Observateur à entrer inconnue ........................................................................... 50
III.3.2. Observateurs des systèmes non linéaires .................................................................. 51
III.3.2.1. Généralités sur les observateurs non linéaires ................................................... 51
III.3.2.2. Observateurs basés sur la structure MM ........................................................... 52
III.4. Méthodes de diagnostic à base d’observateurs ................................................................ 56
III.5. Principe de génération de résidus à base d’observateurs ................................................. 56
III.6. Structuration et évaluation des résidus générés à base d’observateur ............................ 57
III.6.1. Structure d’observateurs simplifiés ........................................................................... 58
III.6.2. Structure d’observateurs dédiés (DOS) ..................................................................... 58
III.6.3. Structure d’observateurs généralisés (GOS ............................................................... 59
III.7. Génération de résidus ...................................................................................................... 59
III.7.1. Observateur multi-modèle en banc : schéma d’isolation........................................ 61
III.8. Conclusion ....................................................................................................................... 63
Tables des matières

IV. Application sur un système réel « systèmes

hydraulique des 3 cuves »

IV.1. Introduction ..................................................................................................................... 64
IV.2. Description du procédé .................................................................................................... 64
IV.3. Modèle mathématique du système .................................................................................. 66
IV.4. Représentation du système non linéaire sous forme multi-modèles ............................... 67
IV.5. Résultats et commentaires ............................................................................................... 69
III.6. Conclusion ....................................................................................................................... 84

Conclusion général ................................................................................................................. 85

Références bibliographiques .................................................................................................. 86
Annexe .........................................................................................................................................
Réseme .........................................................................................................................................
Tables des figures et des tableaux

Table des Figures

Figure I.1 Schéma représentant la redondance matérielle .......................................................... 6

Figure I.2 Procédure de détection et d’isolation des défauts ..................................................... 9
Figure I.3 Les étapes du diagnostic ......................................................................................... 11
Figure I.4 Méthodes de diagnostic des défauts........................................................................ 12
Figure I.5 Principe des méthodes de classification.................................................................. 13
Figure I.6 Détection des défauts capteurs par un banc d’observateurs ................................... 17
Figure I.7 Détection des défauts actionneurs par un banc d’observateurs à entrées inconnues .
……… ...................................................................................................................................... 18
Figure I.8 Exemple d’un g générateur de résidu ..................................................................... 19
Figure I.9 Structure de résidus directionnels ........................................................................... 20
Figure I.10 Illustration des propriétés d’une table de signatures .............................................. 21
Figure I.11 Différents types de défauts agissants sur système ................................................. 22
Figure I.12 Classification des défauts : additifs et multiplicatifs ............................................. 23
Figure I.13 Evolution temporelle des déférents types de défauts ............................................ 25

Figure II.1 Approche multi-modèle .......................................................................................... 27

Figure II.2 Architecture de multi-modèle ................................................................................. 30
Figure II.3 Architecture d’un multi-modèle à modèles locaux couplés ................................... 31
Figure II.4 Architecture d’un multi-modèle à modèles locaux découplés ............................... 32
Figure II.5 Architecture d’un multi-modèle hiérarchique ........................................................ 33
Figure II.6 Schéma général associé à l’algorithme MMAE ..................................................... 39
Figure II.7 Caractéristique statique : choix du nombre de modèles locaux ............................. 41

Figure III.1 Schéma structurel de l'observateur de luenberger ................................................. 49

Figure III.2 Schéma de principe du diagnostic des défauts à base d’observateurs .................. 57
Figure III.3 Structure d’observateur simple ............................................................................. 58
Figure III.4 Structure d’observateurs dédiés (DOS) ................................................................. 58
Figure III.5 Structure d’observateurs généralisée (GOS) ......................................................... 59
Figure III.6 Structure GOS pour la détection et l’isolation de défauts actionneurs ................. 60
Figure III.7 Schéma de détection par Observateur ................................................................... 61

Figure IV.1 Système hydraulique des 3 cuves ......................................................................... 64

Figure IV.2 Système hydraulique réel ...................................................................................... 65
Figure IV.3. Evolution des Fonctions de pondération .............................................................. 71
Figure IV.4. Evolution des sorties et des entrées du système non linéaire............................... 72
Figure IV.5. Evolution des sorties simulées et observées des sous-systèmes linéaires .......... 73
Figure IV.6. Evolution des sorties du multi-modèle avec observateur .................................... 75
Tables des figures et des tableaux

Figure IV.7. Evolution des sorties des sous-systèmes linéaires en présence d'un défaut
actionneur ........................................................................................................................ 77
Figure IV.8. Evolution des résidus d'un défaut actionneur ...................................................... 79
Figure IV.9. Evolution des sorties des sous-systèmes linéaires en présence d'un défaut capteur
……………………………………………………………………………………….…80
Figure IV.10. Evolution des Résidus des défauts applique de 1er capteur. ............................. 82
Figure IV.11. Evolution des Résidus des défauts applique de 2éme capteur. ........................... 83
Figure IV.12. Evolution des Résidus des défauts applique de 3éme capteur. ........................... 83

Table des tableaux

Tableau IV.1 Paramètres du système des 3 cuves .................................................................... 65

Tableau IV.2 Définition des points de fonctionnement............................................................ 66
Abréviations

Abréviations

FDD : Fault Detection and Diagnosis.

FDI : Fault Detection and Isolation.
FD : Fault Détection.
FI : Fault Isolation.
STR : Continuous Stirred Tank Reaction.
LTI : Linéaire à temps invariant.
MM(s) : Multi-modèle (s).
MIMO : Multi-entrée multi-sortie (Multiple Input Multiple Output).
SISO : Mono-entrée mono-sortie (Single Input Single Output).
STEP : Station depuration.
T.-S : Takagi-Sugeno.
LMI(s) : Inégalité(s) matricielle(s) linéaire(s).
LPV : Linéaire à paramètres variantes.
FPRG : Fundamental Problem of Residual Generation
CTN : Coefficient de Température Négatif.
BMI : Inégalités Matricielles Bilinéaires.
MMAE : Multiple Model Adaptive Estimation.
GOS : Generalized Observer Scheme.
DOS : Dedicated Observer Scheme.
INTRODUCTION
GENERALE
Introduction générale

Introduction générale
L’étude d’un système réel passe toujours par une phase de modélisation visant à obtenir
une représentation mathématique permettant de décrire son fonctionnement. Les modèles
linéaires ont été étudiés depuis de très nombreuses années. En effet, l’hypothèse de linéarité des
relations entrées-sorties d’un système permet d’élaborer simplement un modèle approximant son
comportement. Ce type de modèles a été largement étudié dans différents contextes :
l’identification, l’estimation d’état, la commande et le diagnostic. Cependant, de tels modèles ne
permettent par la représentation du comportement d’un système qu’autour d’un point de
fonctionnement donné, l’hypothèse de linéarité n’étant vérifiée que dans une zone restreinte de
l’espace de fonctionnement. Sachant que les systèmes réels sont de nature non linéaire, les
systèmes de commande et de diagnostic développés sur la base de modèles linéaires fournissent
des performances dégradées dès qu’on s’éloigne du point de fonctionnement.
En effet, les systèmes non linéaires ont des représentations d’état très variées, qui
exploitent la structure et les propriétés de la fonction non linéaire qui intervient dans le modèle
du système.
Le diagnostic, à l’image du domaine médical, consiste à ausculter le système en comparant
ses données courantes aux données provenant d’un fonctionnement normal. Ces indicateurs
permettent en général, de déterminer des symptômes amenant alors la détection et l’isolation de
la ou des partie(s) défaillante(s) du système. De nombreuses méthodes ont été développées dans
le cadre des systèmes linéaires . Néanmoins, la notion de linéarité s’applique uniquement pour
des systèmes particuliers ou des systèmes réels représentés autour d’un point d’équilibre
particulier avec une plage de fonctionnement réduite. Afin d’effectuer le diagnostic d’un système
non linéaire prenant en compte une plus grande plage de fonctionnement, des méthodes basées
sur la connaissance d’un modèle analytique du système provenant d’une représentation
mathématique du comportement physique du système, ont été développées [4],[8].
Dans la littérature plusieurs méthodes de diagnostic en été proposées (diagnostic par
traitement du signal, diagnostic par estimation paramétrique, diagnostic à base d’observateurs
…etc.). Les recherches dans ce domaine s'orientent de plus en plus vers les techniques de
reconstruction d'état des systèmes.
Le problème d’estimation d’état des systèmes non linéaires reste sans solution dans un
grand nombre de cas et cela, malgré les nombreuses méthodes proposées dans ce sens.
De nombreuses techniques ont été alors dédiées à l’estimation d’état de classes
particulières de systèmes non linéaires (filtre de Kalman étendu, observateur à grands gains,
observateurs basés sur des transformations sous une forme canonique d’observabilité, ...).

Page 1
Introduction générale

Cependant, ces techniques sont parfois difficiles à appliquer à cause des contraintes imposées.
De plus, la richesse des résultats obtenus pour les systèmes linéaires n’est que très peu
exploitable dans le contexte des systèmes non linéaires [7].
La stratégie de reconstruction d’état proposée dans ce mémoire en vue du diagnostic d'un
système non linéaire, on l'occurrence le système à trois réservoirs en utilise une technique de
modélisation visant à obtenir un modèle tenant en compte des non-linéarités du système et
offrant une structure simple et facilement exploitable du point de vue mathématique. Cette
approche porte le nom général approche multi-modèle. Celle-ci s’appuie sur l’utilisation d’un
ensemble de sous-modèles de structures simples, chaque sous-modèle décrit le comportement du
système dans une "zone de fonctionnement" particulière. Ces sous-modèles servent alors à la
description du comportement dynamique global du système en utilisant des fonctions non
linéaires (fonctions poids) définissant la contribution de chaque sous-modèle [1].

Ce mémoire comporte quatre chapitres articulés comme suit :

Dans le premier chapitre on aborde quelques concepts généraux sur le diagnostic. Il sera
notamment consacré aux concepts fondamentaux du diagnostic des systèmes à bases de modèles
et aux différentes structures de génération de résidus. Le deuxième chapitre est consacré à la
présentation de la structure d’un multi-modèle ainsi que les différentes méthodes d’obtention de
cette structure. Le troisième chapitre présente une synthèse d’observateurs pour le diagnostic des
systèmes représentés par des multi-modèles. Dans le dernier chapitre on aborde l’application de
la stratégie de diagnostic synthétisée sur un réservoir hydraulique à trois cuves.

Nous terminerons notre travail par une conclusion générale et quelques perspectives.

Page 2
 CHAPITRE I :

Etat de l’art sur le

diagnostic
Chapitre I : Etat de l'art sur le diagnostic

I.1 Introduction
De manière générale, lorsqu’on parle de diagnostic des défauts, on se réfère à la
procédure de détection et d’isolation de ces derniers, que l’on retrouve souvent sous le nom :
FDI (Fault Detection and Isolation). Cette procédure nous permet d’avoir des informations sur
l’apparition d’un défaut et sur sa provenance le plus rapidement possible. Les méthodes de
détection et de localisation des défauts ont connu un essor considérable depuis le début des
années 70 [8], [9]. En effet, de nombreux chercheurs ont investi dans ce domaine proposant
alors diverses approches et techniques répondant à la diversité des applications.
Ce chapitre présente un état de l’art sur le diagnostic des défauts dans les systèmes
physiques. Il est question, dans un premier temps, de donner les différents concepts et notions
rencontrés dans la littérature concernant le diagnostic des défauts, car un bon diagnostic
nécessite une bonne compréhension de ces notions. Le principe de base du diagnostic sera
alors présenté ainsi que les différentes méthodes proposées dans ce domaine [2].
D’autre part, nous allons présenter la procédure générale de détection et d’isolation des
défauts par les méthodes à base de modèle mathématique. Cette dernière passe par deux
étapes essentielles : la génération et l’évaluation du vecteur résidu.

I.2 Intérêt et objectifs du diagnostic

Dans le domaine de l’industrie et de la production industrielle le champ de la
compétitivité repose sur plusieurs critères de performance, de robustesse et de qualité. Mais
malgré toutes les assiduités pour l’établissement de ces conceptions, les défaillances de celles-
ci se font fréquentes et peuvent résulter soit d’une fin de cycle de vie d’un élément et aussi de
l’apparition soudaine d’une panne brusque. Alors que ces éléments de production représentent
pour la plupart du temps des enjeux majeurs soit à buts lucratifs ou pour assurer un service.
Elles peuvent aussi toucher à un élément des plus importants qui représente la sécurité
matérielle, environnementale, et même humaine. Pour éviter des conséquences irréversibles,
des méthodes de supervision et de surveillance ont été mises en place et qui reposent toutes
sur le diagnostic des systèmes [6].
Le diagnostic consiste à détecter, à localiser et éventuellement à identifier les
défaillances et/ou les défauts qui affectent un système. Plus généralement, le diagnostic
apporte une contribution à la solution de détection et de localisation d’un mauvais
fonctionnement.

Page 3
Chapitre I : Etat de l'art sur le diagnostic

I.3 Concepts et définition

I.3.1 Le diagnostic : C'est l’identification de la cause probable de la (ou des) défaillances
à l’aide d’un raisonnement logique fondé sur un ensemble d’information provenant d’une
inspection, d’un control ou d’un test. Cette définition met en évidence une étape
d’observation qui consiste à recueillir les informations provenant du système, suivie d’une
étape de détermination de la cause de cette défaillance à partir d’un raisonnement logique
fondé sur les informations obtenues [5].

I.3.2 Une anomalie : est une particularité non conforme à la loi naturelle ou logique [16].

I.3.3 Défaillance : interruption permanente de la capacité du système à accomplir sa

mission dans des conditions de fonctionnement opérationnelles spécifiées [ 5 ] .

I.3.4 Une Panne : est l’inaptitude d’un dispositif à accomplir une fonction requise. Une
panne résulte toujours d’une défaillance [ 1 6 ] .

I.3.5 Défaut : déviation non acceptable d’au moins une caractéristique d’un système par
rapport à sa valeur nominale. Il est noté : ( ) [5].

I.3.6 Une perturbation : consiste en tout phénomène conçu comme normal influençant
un processus, non ou mal représenté par un modèle de référence [26].

I.3.7 Un résidu : signal conçu comme indicateur d’anomalie fonctionnelle ou

comportementale, sensiblement nul en absence de défauts et non nul en leur présence. Il est
noté : ( ) [5].

I.3.8 Un symptôme : est un caractère distinctif d’un état fonctionnel ou comportemental

anormal [5].

I.3.9 La surveillance : est une tâche continue, réalisée en temps réel, qui permet de
déterminer l'état d'un système physique, elle consiste en l'enregistrement des informations
ainsi qu'en la reconnaissance et l'indication des anomalies du comportement [5].

I.3.10 La sensibilité : représente la capacité d’un système de diagnostic à générer des

résidus sensibles aux défauts à détecter. Ces défauts sont généralement caractérisés par une
certaine amplitude.

Page 4
Chapitre I : Etat de l'art sur le diagnostic

I.3.11 La supervision : est la surveillance d'un système physique et la prise de décisions

appropriées en vue de maintenir son fonctionnement lors de l'apparition de défauts [26].

I.3.12 L'erreur : Tout écart entre la valeur mesurée ou calculée, et la valeur réelle [23].
I.4 Principe de diagnostic des défauts

I.4.1 Redondances d’informations

Le principe de base du diagnostic des défauts repose sur la notion de redondance, qui
fournit au système plusieurs informations différentes sur une même variable. Des tests vont
alors permettre de vérifier la cohérence de ces informations. Cependant, il existe deux
approches :
 Le première est dite traditionnelle et consiste à ajouter des capteurs afin d’obtenir des
informations supplémentaires sur l’état du système. C’est la redondance matérielle.
L’inconvénient majeur de cette approche est le cout additionnel en équipement.
 La deuxième approche est dite redondance analytique. Elle consiste à développer des
algorithmes de détection de défauts en utilisant des mesures disponibles sur le système. Une
équation de redondance analytique est une équation dont laquelle toutes les variables sont
connues. Pour éviter les fausses alarmes ou le manque de détection, ces algorithmes doivent
tenir compte des bruits de mesure, des perturbations ainsi que des erreurs de modélisation.
Les méthodes basées sur cette approche sont plus simples, plus flexibles, moins couteuses et
plus écologiques que l’approche traditionnelle [8].
On résume les deux tâches essentielles en diagnostic [23]:

 Observer les symptômes (indices) de la défaillance.

 Identifier la cause de la défaillance à l’aide d’un raisonnement logique fondé sur ces
observations.

La procédure de diagnostic de défaillances et des dégradations susceptibles d’affecter

les différentes entités d’un processus industriel s’articule autour des étapes suivantes [23] :

 L’extraction des informations à partir de mesures appropriées ou d’observations.

 La mise en œuvre d’une méthode de diagnostic.
 La prise de décision.

I.4.2 Redondance physique ou matérielle

La redondance physique consiste à utiliser plusieurs actionneurs, capteurs, processeurs

Page 5
Chapitre I : Etat de l'art sur le diagnostic

et logiciels pour mesurer et/ou contrôler une variable particulière. Un principe de vote est
applique sur les valeurs redondantes pour décider si une faute est présente ou non. Cette
approche entraîne un coût important en instrumentation mais s’avère extrêmement fiable et
difficile à implanter. Elle est mise en œuvre essentiellement sur des systèmes à hauts risques
tels que les centrales nucléaires ou les avions.

Capteur 1 Mesure 1

Mesure 2
Capteur 2

Fig.I.1. Schéma représentant la redondance matérielle.

Le diagnostic utilisant la redondance physique se limite à la surveillance des éléments

redondants (capteur, actionneurs, ...) présents sur une installation. A l’aide de cette unique
technique, il ne sera pas possible de détecter des pannes survenant sur des éléments non
redondants [16].

I.4.3 Redondance analytique

Un complément à la redondance physique consiste à exploiter les contraintes liant les

différentes variables du système. Ces contraintes peuvent souvent s’exprimer sous la forme de
relations analytiques liant les variables connues (relations d’entrée / sortie ou de sortie/sortie).
Ces relations sont appelées relations de redondances analytiques. Le principe de la
surveillance consiste à vérifier la fermeture algébrique de ces relations en utilisant les mesures
prélevées en ligne sur le système. Le concept de redondance analytique repose sur l’utilisation
d’un modèle mathématique du système à surveiller. Pour cette raison, les méthodes utilisant la
redondance analytique pour la surveillance sont appelées méthodes à base de modèle. Le
principe de la surveillance utilisant un modèle peut être sépare en deux étapes : la génération
de résidus et la prise de décision [16].

I.4.4. Procédure de détection et d’isolation des défauts

Comme elle est représentée par la figure I.2, La procédure de détection et d’isolation
des défauts passe par trois étapes essentielles [11]:

Page 6
Chapitre I : Etat de l'art sur le diagnostic

I.4.4.1 Détections des défauts (Fault Détection - FD)

La procédure de détection a pour objectif de déterminer l’apparition et l’instant

d’occurrence d’un défaut. Cette fonction peut être obtenue en utilisant le résidu ( ) généré
en comparant le comportement du modèle du système à celui du système réel. Idéalement, un
résidu est nul lorsque le système est en fonctionnement normal. Dans les méthodes de
diagnostic à base d’observateurs, généralement, le résidu ( ) est formé par la comparaison
des sorties estimées et des sorties mesurées :

( ) ( ) ̂( ) (I.1)

Le vecteur de résidus ( ) permet la détection d’un défaut ( ) si la condition

suivante est satisfaite :

( ) ( ) (I.2)

Dans des situations réelles, le résidu ( ) , en l’absence de défaut, est à moyenne nulle
à cause de la présence de bruit, de perturbations et d’incertitudes de modélisation en plus des
bruits engendrés par la chaîne de mesure et d’acquisition des données. En présence de défauts,
une déviation du résidu ( ) est observée correspondant à l’apparition d’un défaut. Afin de
pouvoir détecter un défaut, le résidu ( ) est comparé à un seuil défini en fonction des
erreurs de modélisation, des perturbations et des bruits de mesure. Dans certaines méthodes
utilisant des approches par minimisation du transfert de ces entrées non désirées vers les
résidus, le taux d’atténuation peut être utilisé afin de définir le seuil de détection. On choisit
d’utiliser la logique de décision suivante :

( )
{ (I.3)
( )

I.4.4.2 Localisation de défaut (Fault Isolation - FI)

Après la détection d’un défaut dans le système, il est important de pouvoir situer
exactement le composant affecté. Cette étape s’appelle localisation ou isolation de défaut. Elle
s’appuie fréquemment sur la génération de résidus de manière à ce qu’un ensemble de ces
résidus soit sensible à certains défauts et insensible aux autres défauts. La génération des
résidus sensibles à des combinaisons des défauts et une logique de décision adaptée, permet
de localiser les défauts. Deux types de résidus sont obtenus les résidus structurés et les résidus
de directions privilégiées [6].
Les résidus structurés sont construits de manière à être sensibles à un sous-ensemble de
défauts et insensibles aux autres. Considérons par exemple un vecteur de résidus ( )

Page 7
Chapitre I : Etat de l'art sur le diagnostic

et un vecteur de défauts ( ) .Les m composantes de ( ), qu’on appellera ( ), ne

sont sensibles qu’aux l composantes des défauts ( ) qu’on appellera ( ):

( ) ( )
{ (I.4)
( ) ( )

En suivant cette démarche, un ensemble de résidus est généré de façon à considérer

toutes les combinaisons possibles permettant la localisation de chaque défaut. Les sensibilités
des résidus (résidus dépassant ou non le seuil de détection) sont répertoriées dans une table
binaire appelée table de signatures théoriques. Si un résidu est sensible à un défaut, un 1 est
mis dans la case correspondante dans la table, et s’il est insensible, un 0 et mis dans cette
case. Dans certaines situations, un phénomène de compensation empêche la prise de décision
et il serait dangereux de se prononcer sur certains défauts d’où l’introduction d’un autre état
qui est la non-décision représentée dans la table, qui signifie qu’aucune décision n’est
possible quant à la présence ou non du défaut. Après l’élaboration de la table de signatures
théoriques, les résidus générés sont comparés à chaque instant à cette table afin de déclencher
l’alarme correspondant à l’apparition d’un défaut sur l’élément affecté du système.
Les résidus directionnels sont construits de manière à ce que le vecteur des résidus ( )
s’oriente selon une certaine direction dans l’espace des résidus, en présence de défauts. Par
exemple, le vecteur de résidus ⃗ ( ) en réponse à un défaut ( ) s’oriente vers une direction
particulière :

⃗( ) ( )⃗ (I.5)

Où ⃗⃗⃗⃗, est un vecteur constant appelé signature directionnelle du défaut ( ) et ( )

est une fonction scalaire qui dépend du défaut ( ) . Dans cette approche, la localisation est
réalisée par la comparaison des directions des résidus à des signatures directionnelles
théoriques obtenues a priori. L’inconvénient de cette méthode est que la localisation n’est
possible que pour de grandes variations des projections car la comparaison consiste à étudier
la proximité du vecteur de résidus à chaque instant aux vecteurs représentant les signatures
théoriques [5].

I.4.4.3 L’identification

L’ampleur et le type des défauts sont estimés dans cette phase.

Ces étapes sont résumées sur la figure suivante [8] :

Page 8
Chapitre I : Etat de l'art sur le diagnostic

Procédé

Détection Localisation L’identificatio

n
Modèle Détection de l’apparition Instant Type et
d’un défaut d’apparition et ampleur des
(Génération des résidus) localisation des défauts
défauts

Fig.I.2. Procédure de détection et d’isolation des défauts.

 Estimation de défaut (Fault estimation ou Fault identification)

L’estimation des défauts consiste à fournir à chaque instant la valeur du défaut :

( ) ( ) ( ) (I.6)

I.4.4.4 Modélisation des défauts

On considère le modèle linéaire d’un procédé, sa représentation d’état est comme

suit [24]:

̇( ) ( ) ( )
{ (I.7)
( ) ( )

Où ( ) représente le vecteur d’état, ( ) le vecteur de commandes et ( ) le vecteur

de sorties avec : , , et ,et les matrices sont de dimensions
respectivement

Alors les défauts sont modélisés de la manière suivante :

 Les défauts actionneurs sont modélisés comme des signaux additifs aux signaux
d’entrée.
 Les défauts système ou composants sont modélisés comme une dynamique
additionnelle avec une matrice de distribution.
 Les défauts capteurs sont modélisés par des signaux additifs aux signaux de sortie.
Le système avec défaut se met sous la forme suivante :

̇( ) ( ) ( ( ) ( )) ( )
{ (I.8)
( ) ( ) ( )

Où ( ) ( ) ( ) représentent respectivement les défauts d’actionneurs, les

Page 9
Chapitre I : Etat de l'art sur le diagnostic

défauts composants et les défauts des capteurs, ( ) , ( ) et ( ) . La

matrice est dite matrice de distribution de ( )

I.4.4.5 Modélisation en présence des perturbations

Le système est soumis aux défauts, aux incertitudes de modélisation mais aussi aux
perturbations et bruits qui sont la plupart du temps des entrées inconnues, donc le système
avec défauts et perturbation se met sous la forme suivante [24] :

̇( ) ( ) ( ( ) ( )) ( ) ( )
{ (I.9)
( ) ( ) ( ) ( )

Où ( ) , et ( ) représentent respectivement les perturbations et les

bruits affectant le système. La matrice est dite matrice de distribution de ( ).

Pour des raisons de simplicité, il est préférable de mettre le système précédant sous la
forme suivante :

̇( ) ( ) ( ) ( ) ( )
{ (I.10)
( ) ( ) ( ) ( )

Où [ ]; [ ]; [ ] ;

[ ] ; ( ) , - et ( ) [ ] .
Les matrices sont respectivement la matrice identité de dimension
et la matrice nulle de dimension .
C’est cette dernière modélisation (I.10), qui est généralement prise en compte, dans les
problèmes de détection et de localisation des défauts à base d’observateurs [24].
Ces étapes de diagnostic sont résumées dans le schéma suivant [23] :

Page 10
Chapitre I : Etat de l'art sur le diagnostic

Validation des mesures

Caractérisation du fonctionnement

Détection

Etape de diagnostic
Diagnostique

Identification de
défaut

Décision

Arrêt de processus Changement de fonctionnement

Maintenance Consignes

Mesures et
Processus industriel
observations

Fig.I.3. Les étapes du diagnostic de la surveillance.

I.5 Classification des méthodes de diagnostic

Des méthodes modernes de l’automatique et de l’intelligence artificielle sont mises en
œuvre grâce au spectaculaire progrès réalisé dans le domaine des calculateurs numériques, ce
qui permet d’éliminer la redondance matérielle pour le diagnostic des systèmes industriels [8].
On peut globalement citer deux grandes familles dans les méthodes de diagnostic [8]:
 Les méthodes basées sur l’intelligence artificielle que nous appellerons diagnostic
qualitatif (sans modèle) qui ne nécessitent pas de modèle mathématique mais surtout
de données de référence.
 Les méthodes basées sur la modélisation des systèmes ou des signaux que nous
appellerons diagnostic quantitatif (avec modèle).

Page 11
Chapitre I : Etat de l'art sur le diagnostic

Il est possible de classer ces méthodes selon le schéma de la figure (I.4) [8] :

Méthodes de diagnostic des défauts

Méthodes quantitatives
Méthodes qualitatives
(Avec modèle)
(Sans modèle)

Traitement de Méthodes Méthodes

signal : quantitatives Classification qualitatives
 Statistiques  Espace de  Modèle de
 Classification parité panne
 Estimation  Modèle de bon
paramétrique fonctionnement
 observateurs

Fig.I.4. Classification des méthodes de diagnostic des défauts.

I.5.1 Méthodes qualitatives

I.5.1.1 Diagnostic à base de modèle qualitatif

Il est souvent difficile de développer des modèles mathématiques permettant de

représenter la dynamique de système de manière exacte. D’une part, il est plus aisé de
manipuler des descriptions générales des systèmes. C’est dans ces contextes que des
approches de diagnostic des défauts, basées sur des connaissances sur le système réel, ont été
développées. Ces méthodes sont dites qualitatives ou encore heuristiques. L’information
heuristique peut être exprimée de plusieurs manières, telles que l’utilisation de termes
linguistiques (petit, grand, moyen…) ou les observations de l’opérateur humain ou encore
l’arbre de défaillance, qui représente les connexions entre les symptômes et les défauts
d’autres approches de méthodes qualitatives ont été proposées telles que l’utilisation des
systèmes experts et des chaînes de Markov [8].

I.5.1.2 Méthodes de Classification

Le rôle d’un système de diagnostic est d’identifier le défaut le plus probable qui a
engendré l’apparition d’un symptôme. Ce dernier se traduit par la différence entre des
dispositifs en fonctionnement et les mêmes dispositifs fonctionnant sans défaillance. La
relation entre les dispositifs et les symptômes passe par une procédure d’apprentissage

Page 12
Chapitre I : Etat de l'art sur le diagnostic

expérimentale. Elle est sauvegardée de façon à avoir une base de données. Le principe des
méthodes de classification est illustré sur la figure (I.5) :

Référence

Dispositif Classification Symptôme

Fig.I.5. Principe des méthodes de classification.

Parmi les approches de classification, il est possible de citer : la classification

Bayesienne, la classification géométrique, l’approche par logique floue et l’approche à base
de réseaux de neurones [8].

I.5.1.3 Méthodes basées sur l’intelligence artificielle

L’intégration des connaissances symboliques et quantitatives, en utilisant un système

neuro-flou, constitue un nouvel axe de recherche dans la domaine de la localisation des
défauts. De tels systèmes combinent entre l’habilité des réseaux de neurones et représentation
explicite de la logique floue, ce qui constitue un avantage considérable pour la résolution du
problème FDI, en particulier, pour les systèmes non linéaires [8].

 L'avantage principal des méthodes qualitatives:

Possibilité de n'utiliser que le modèle qualitatif: aucun besoin de grandeurs numériques
des paramètres de connaissances profondes sur la structure du système.
 Inconvénients

Il n'est pas aisé de déterminer les valeurs limites inférieures et supérieures des
déviations. D'autre part un problème combinatoire peut apparaître lors des procédures
d'inférences pour les systèmes complexes.

I.5.2 Méthodes quantitatives

Les méthodes de diagnostic quantitatives ou à base de modèle mathématique reposent

sur la connaissance approfondie du procédé sous la forme d’un modèle numérique
représentatif, qui fournit des grandeurs caractéristiques du procédé. Ces dernières sont

Page 13
Chapitre I : Etat de l'art sur le diagnostic

constamment comparées aux grandeurs issues de procédé réel. Le problème FDI à base de
modèle mathématique a attiré l’attention de nombreux chercheurs, tels que Willskey,
Isermann,…etc. Les méthodes proposées, dans ce contexte, peuvent être regroupées en trois
catégories :
 Méthodes d’espace de parité.
 Méthodes d’estimation paramétrique.
 Méthodes à base d’observateurs.
Bien que ces approches soient différentes, leur but est le même ; il consiste à générer un
vecteur caractéristique : le résidu, qui est sensiblement nul en absence de défauts et non nul en
leur présence. Ainsi, le problème de diagnostic des défauts par ces méthodes peut se
reformuler sous la forme d’un problème de génération de résidus. Ces derniers devant justifier
de certaines propriétés. C’est ce que l’on retrouve dans la littérature sous le nom de Problème
Fondamental de Génération de Résidus ‘’ FPRG ‘’ (Fundamental Problem of Residual
Generation) [8].

I.5.2.1 Méthodes des équations de parité

Initialement, les méthodes des équations de parité utilisaient des schémas dits de
redondance parallèle. Pour structures, le nombre de mesures est plus grand que le nombre de
variables et les résidus sont directement issus de la comparaison de redondantes. Cette
approche a été ensuite généralisée pour l’utilisation de la redondance temporelle. Par dualité,
cette redondance est également appelée redondance série. Le terme parité a été emprunté au
vocabulaire employé par les systèmes logiques ou la génération des bits de parité permet la
détection des erreurs.
Dans cette approche, l’ensemble des valeurs que peuvent prendre les résidus compose
un espace, dans lequel, le vecteur de parité est défini comme étant la valeur des résidus à un
instant donné. Ce vecteur prend alors une direction dans le cas de l’apparition d’un défaut [8].

I.5.2.2 Méthodes d’estimation paramétrique

La détection et la localisation des défauts peuvent être effectuées en utilisant des

techniques d’identification, si la structure du modèle est connue. L’idée de base consiste à
estimer les paramètres du système en temps réel et de les comparer aux paramètres non
affectés par les défauts. On en distingue deux approches [8] :

 Méthodes de l’erreur d’équation.

 Méthodes de l’erreur de sortie.

Page 14
Chapitre I : Etat de l'art sur le diagnostic

La procédure de détection de défauts par la méthode d’estimation paramétrique est

résumée dans ce qui suit :

1- Modélisation mathématique du procédé.

2- Description des relations entre les constantes physiques supposées connues
et paramètres du modèle.
3- Estimation des paramètres du modèle à partir des entrées et sorties du
système.
4- Estimation des paramètres du système.
5- La vecteur de résidus est obtenu en faisant la différence entes les grandeurs
estimées et les valeurs nominales.
Il existe plusieurs méthodes d’estimation de paramètres, dont il est possible de citer :
l’estimation par projection orthogonale, l’estimation Bayesienne, l’estimation au sens du
maximum de vraisemblance ou encore l’estimation au sens des moindres carrés.

I.5.2.3 Méthodes de diagnostic à base d’observateurs

Les méthodes de diagnostic des défauts à base d’observateurs sont basées sur le principe
de génération de résidus en comparant les grandeurs disponibles du système réel aux
grandeurs estimées (issues de l’observateur). Cette technique se voit donner une importance
grandissante car elle donne lieu à la conception de générateurs de résidus flexibles.
De très nombreux travaux ont été développés concernant la synthèse d’observateurs
pour le diagnostic des systèmes physiques. Les travaux de Clark vers la fin des années 70,
constituent les premiers pas dans ce domaine [8].

I.5.3 Détection des défauts par traitement de signal

L’analyse d’un signal est une source d’informations. En effet la mesure d’un signal
indique des oscillations qui peuvent être harmoniques, de nature stochastique ou les deux
simultanément. La variation de ces signaux peut être reliée au défaut Pour extraire les
caractéristiques d’un signal relatif à un défaut, généralement, on extrait l’amplitude ou les
densités d’amplitude. Il existe toutefois d’autre possibilités qui consistent à déterminer les
fonctions d’autocorrélation, les transformées de Fourier ou la densité spectrale [8].

I.6 Critère de performances d’un système de diagnostic

La conception d’un système de diagnostic nécessite la prise en compte d’un certain
nombre de critères, qui permettront d’en évaluer les performances. Les principaux critères à

Page 15
Chapitre I : Etat de l'art sur le diagnostic

prendre en considération sont [8] :

I.6.1 La détectabilité : se traduit par l’aptitude du système de diagnostic à déceler la

présence d’un défaut. Ce critère est fortement lié au résidu qui doit être généré de manière à
détecter l’apparition du défaut le plus rapidement possible.

I.6.2 L’isolabilité : consiste en l’aptitude du système de diagnostic à pouvoir retrouver

quel organe a été affecté par le défaut. Cette notion est liée à la structure du résidu qui doit
permettre la discrimination entre les différents défauts afin de retrouver leur origine.

I.6.3 La sensibilité : représente la capacité d’un système de diagnostic à générer des

résidus sensibles aux défauts à détecter. Ces défauts sont généralement caractérisés par une
certaine amplitude.
I.6.4 La robustesse : qui s’explique par le fait que le système de diagnostic doit être non
seulement sensible aux défauts que l’on désire détecter mais aussi insensible aux entrées
inconnues (perturbations) et aux entrées de commande. Ceci se traduit par la génération de
résidus dits robustes, c.-à-d. sensibles aux défauts tout en rejetant les perturbations et les
signaux de commande.
Il existe cependant, d’autre critères qu’il il est nécessaire de prendre en compte en
pratique, tels que : la rapidité de détection, le cout les contraintes ergonomiques et
économique.

I.7 Principe de génération de vecteur résidu pour la détection et la

localisation de défauts
Le problème de diagnostic, par les méthodes à base de modèle mathématique, revient à
un problème de génération et d’évaluation des résidus qui peut s’avérer très délicat car il
dépend de la structure des systèmes ainsi que des défauts à détecter.
Le résidu ( ) doit contenir une information sur l’instant d’apparition du défaut mais
aussi sur sa provenance. Le cas idéal, ou le résidu est parfaitement nul en absence des défauts
( ) et non nul en leur présence, existe rarement car les systèmes physiques sont soumis à
des entrées inconnues qui engendrent des fausses alarmes. C’est pour cette raison, qu’en
général, des seuils de détection sont introduits. Si l’on note ( ( )) la fonction de décision et
T(t) le seuil de détection alors la détection de l’apparition du défaut s’effectue s’élone [8] :

Page 16
Chapitre I : Etat de l'art sur le diagnostic

( ( )) ( ) ( )
{ (I.11)
( ( )) ( ) ( )

Avec ( ) est résidu, ( ) est le défaut, ( ) le seuil de détection et ( ( )) est la

fonction de décision.

I.7.1 Génération des résidus

De nombreuses approches ont été utilisées pour apporter une contribution à la solution
du problème de génération des résidus. L’idée la plus naturelle, qui est utilisée dans plusieurs
domaines industriels et notamment en aéronautique, est d’utiliser la redondance matérielle à
base d’actionneurs et de capteurs [6].

I.7.1.1 Détection des défauts capteurs

Le nombre d’observateurs utilisés est égal au nombre de combinaisons possibles de

mesures ( ) avec n est le nombre de sorties du système). Chaque observateur d’état peut
être piloté par différentes sorties, ce qui augmente le nombre de degrés de liberté de la
détection de défauts.
La figure (I.6) illustre l’idée. Pour un but de clarté, nous proposons un exemple simple
ayant deux sortie , le nombre de combinaison égal à [11].

𝒚𝟏
𝒖
Système Capteurs 𝒚𝟐

̂𝟏𝟏
𝒚
Observateur_1 ̂𝟐𝟏
𝒚 Logique
de
décision
̂𝟏𝟐
𝒚
Observateur_2 ̂𝟐𝟐
𝒚

̂𝟏𝟑
𝒚
Observateur_3 ̂𝟐𝟑
𝒚

Fig.I.6. Détection des défauts capteurs par un banc d’observateurs.

Page 17
Chapitre I : Etat de l'art sur le diagnostic

I.7.1.2 Détection des défauts actionneurs

Pour la détection et la localisation des défauts actionneurs, plusieurs travaux récents se

sont basés sur les observateurs à entrées inconnues permettant d’estimer à la fois l’état du
système et les entrées inconnues. Dans le cas des systèmes linéaires, plusieurs auteurs ont
proposé des méthodes de conception d’observateur capable de reconstruire entièrement l’état
du système en présence d’entrées inconnues [11].

𝒖𝟏
𝒖𝒊 Système 𝒚
Capteurs
𝒖𝒎

̂
𝒚 Logique
Observateur_1
de
décision

̂
𝒚
Observateur_2

̂
𝒚
Observateur_ p

Fig.I.7. Détection des défauts actionneurs par un banc d’observateurs.

I.7.2 Isolation des défauts

La détection de défauts est souvent suivie d’une procédure d’isolation de défauts, qui
sert à distinguer (isoler) un défaut particulier. Un seul résidu peut suffire pour détecter les
défauts, cependant plusieurs résidus (ou un vecteur de résidus) sont souvent requis pour
l’isolation de défauts [11].

I.7.3 Méthodologie générale de génération du vecteur résidu

Une structure typique d’un générateur de résidu est représentée sur la figure suivante
[8] :

Page 18
Chapitre I : Etat de l'art sur le diagnostic

Entrée Système Sortie

𝐻𝑦 (𝑠)
Résidu
+
+
𝐻𝑢 (𝑠)

Fig.I.8. Exemple d’un générateur de résidu.

Où ( ) est l’entrée du système, ( ) la sortie, ( ) le résidu et ( ), ( ) sont

respectivement les transferts : sortie et commande.
Ainsi, pour un système physique, soumis à une commande u(t) et à des défauts f(t), la
sortie peut être écrite en utilisant la transformée de LAPLACE :

( ) ( ) ( ) ( ) ( ) (I.12)

Où ( ) ( ) ( ) sont respectivement les transformées de LAPLACE de la sortie de

la commande et du défaut, ainsi ( ) et ( ) représentent respectivement les transferts
sortie/commande et sortie/défaut. Le résidu est défini comme étant égale à :

( ) ( ) ( ) ( ) ( ) (I.13)

D’où :

( ) [ ( ) ( ) ( )] ( ) ( ) ( ) ( ) (I.14)

Comme le résidu doit être nul en absence de défauts, il faut que la condition suivante
soit vérifiée :

( ) ( ) ( ) (I.15)

Par conséquent le problème de génération de résidus revient à la détermination des

matrices ( ) et ( ) , telles que la condition (I.15) soit vérifiée.

I.7.4 Technique d’évaluation de résidus

Une fois le résidu généré, une évaluation de ce dernier est effectuée afin de distinguer
un défaut particulier des autres : c’est l’étape de prise de décision. Il en existe deux
approches : il s’agit de générer des résidus directionnels ou des résidus structurés [8].

Page 19
Chapitre I : Etat de l'art sur le diagnostic

I.7.4.1 Résidus directionnels

La génération de résidus directionnels consiste à concevoir, pour chaque défaut, des

résidus de sorte que leur vecteur reste confiné dans une direction spécifique de l’espace des
résidus. En absence de défauts, le module du vecteur résidu est nul. Le problème d’isolation,
dans ce cas, consiste à déterminer le défaut dont la direction du vecteur de résidus généré est
la plus proche parmi tout les autres défauts. La figure suivante illustre ceci [8] :

Direction du Direction du
défaut 3 défaut 2 Vecteur des
résidus

Direction du
défaut 1
Fig.I.9. Structure de résidus directionnels.

I.7.4.2 Résidus structurés

Les résidus structurés sont conçus de manière à être sensibles à des sous-ensembles de
défauts différents et de façon à ce que pour chaque défaut corresponde un ensemble de résidus
particulier. Ces sous-ensembles permettent de structurer une table de signature appelée
matrice d’incidence. La localisation des défauts est alors facilitée. En effet, les valeurs des
résidus sont à chaque instant comparées à des seuils. Les tests peuvent être réalisés en
parallèle et chaque décision issue de ces tests conduit à une variable booléenne : 0 correspond
à la valeur du résidu en dessous du seuil ; et 1 celle ou le résidu a dépassé le seuil fixé. On
distingue trois types de matrices d’incidence [8] :

 Matrice d’incidence non-localisante : qui se traduit par le fait qu’une colonne soit
nulle ou bien au moins deux colonnes soit identiques.

 Matrice d’incidence faiblement localisante : est caractérisée par le fait que les
colonnes soient non nulles et distinctes deux à deux.

 Matrice d’incidence fortement localisante : est caractérisée par le fait qu’aucune

colonne ne puisse être à partir d’une autre en remplaçant 1 par 0 ou vice versa.

Page 20
Chapitre I : Etat de l'art sur le diagnostic

f1 f2 f3 f1 f2 f3 f1 f2 f3

r1 1 1 0 r1 1 1 0 r1 1 1 0

r2 1 1 1 r2 1 0 1 r2 1 0 1

r3 1 1 1 r3 1 1 0 r3 0 1 0

Non-localisante Faiblement localisante Fortement localisante

Fig.I.10. Illustration des propriétés d’une table de signatures.

Le résidu converge vers une valeur proche de ou égale à zéro, dans le cas sans défaut et
quitte d’une manière significative cette valeur après l’occurrence d’un défaut. Il est lié à la
différence entre les sorties mesurées et leurs estimé es par l’équation (̂ ) , ou
est le résidu correspondant à la sortie et est un opérateur mathématique (dérivé, norme,
moyenne etc.). Selon le nombre de résidus et L’expression de l’opérateur O , il est possible de
détecter et d’isoler les défauts. La plupart des méthodes de diagnostic à base de modèle
incorporent deux étapes séquentielles pour résoudre un problème FDI [17] :
 génération du résidu.
 évaluations du résidu.
Un résidu structuré est caractérisé par la propriété suivante : le résidu répond seulement
à un sous-ensemble de défauts spécifique, et pour chaque défaut seul un sous-ensemble
spécifique de résidus répond [8].
Dans la suite deux méthodes de diagnostic à base de modèles utilisant les bancs
d’observateurs sont présentés. La première permet la détection des défauts capteurs et la
deuxième est utilisée pour la détection des défauts actionneurs [11].

I.8 Reconstruction de défauts

Au lieu de générer des résidus pour détecter et isoler le défaut, il est parfois plus
intéressant de savoir leurs natures et leurs grandeurs. Le problème de reconstruction et
d’estimation de défauts (FRE) est différent de majorité des méthodes FDI décrites
précédemment, dont la mesure où le but n’est pas de détecter et d’isoler le défaut mais de
l’estimer. Cette approche est très utilisée dans le cas des défauts variantes lentement, qui sont
très difficile à détecter. La reconstruction de défauts à bases d’observateur est très répondue
dans la littérature et de nombreux travaux ont été faits dans ce sens [16].

Page 21
Chapitre I : Etat de l'art sur le diagnostic

I.9 Performance d'une procédure de diagnostic

L’étape de détection est très importante dans le processus de diagnostic des systèmes. Si
cette étape n'est pas correctement réalisée, des défauts peuvent être mal ou pas détectés et que
des fausses alarmes peuvent apparaître. L'efficacité de la détection passe aussi par sa
robustesse face aux incertitudes du modèle.
Ainsi les performances attendues d'une procédure de détection et d'isolation de défauts
reposent sur la définition de critères qualitatifs de la méthode de diagnostic, se décomposant
en critères à minimiser tel que le retard à la détection et le taux de fausse alarme et de
mauvaise détection et en critères à maximiser tel que la sensibilité à des défauts de faible
amplitude et l'insensibilité aux bruits et aux perturbations mais aussi aux incertitude sur les
paramètres du modèle [16].

I.10 Les différents types de défauts

Les défauts sont des événements qui apparaissent à différents endroits du système. Dans
la littérature, les défauts sont classés en fonction de leur localisation.
Les défauts affectant un système peuvent être de différentes natures et sont
généralement classés en défauts actionneurs, défauts capteurs et défauts système. [18].

Défauts Défauts Défauts

Actionneur Système Capteur

Entrée Sortie
Actionneur Procédé Capteur

Fig.I.11. Différents types de défauts agissants sur système.

I.10.1 Les défauts actionneurs

Les défauts actionneurs agissent au niveau de la partie opérative et détériorent le signal
d’entrée du système. Ils représentent une perte totale (défaillance) ou partielle d’un actionneur
agissant sur le système. Un exemple de perte totale d’un actionneur est un actionneur qui est
resté "collé" sur une position entraînant une incapacité à commander le système par le biais de
cet actionneur. Les défauts actionneurs partiels sont des actionneurs réagissant de manière
similaire au régime nominal mais en partie seulement, c’est-à-dire avec une certaine

Page 22
Chapitre I : Etat de l'art sur le diagnostic

dégradation dans leur action sur le système. (Perte de puissance d’un moteur, fuite dans un
vérin,...) [18].

I.10.2 Les défauts capteurs

Ce type de défaut est la cause d’une mauvaise image de l’état physique du système. Un
défaut capteur partiel produit un signal avec plus ou moins d’adéquation avec la valeur vraie
de la variable à mesurer. Ceci peut se traduire par une réduction de la valeur affichée par
rapport à la valeur vraie, ou de la présence d’un biais ou de bruit accru empêchant une bonne
lecture. Un défaut capteur totale produit une valeur qui n’est pas en rapport avec la grandeur à
mesurer [18].

I.10.3 Les défauts composants ou systèmes

Ce type de défaut provient du système lui-même ; bien souvent les défauts

n’appartenant pas à un défaut capteur ou actionneur sont classés de manière arbitraire dans
cette catégorie. Néanmoins, un défaut composant résulte de la casse ou de l’altération d’un
composant du système réduisant les capacités de celui-ci à effectuer une tâche. En pratique,
ceci revient à considérer une modification des caractéristiques du système proprement dit (la
CTN: résistance à Coefficient de Température Négatif, d’une chaufferie est cassée, un
roulement est altéré,...).
Comme aussi, les défauts peuvent être classés relativement à leurs effets sur les
performances du système, dont deux classes de défauts peuvent être distingués [24] :

 Des défauts additifs : Ils correspondent à des entrées inconnues agissant sur le
système, et les sorties de ce système varie indépendamment des entrées connues.
 Des défauts multiplicatifs : Ils correspondent à des modifications des paramètres
du modèle représentant le système, ils engendrent des variations des sorties du système dont
l’amplitude dépend de la valeur des entrées connues.

Défauts Défauts

Signal Signal Signal Signal

+ × Défectueux
Défectueux

Fig.I.12. Classification des défauts : additifs et multiplicatifs.

Page 23
Chapitre I : Etat de l'art sur le diagnostic

Les défauts sont aussi classés en défauts additifs et défauts multiplicatifs.

Souvent, les défauts multiplicatifs sont transformés en défauts additifs. Soit, par exemple, une
défaillance dans un actionneur donné, la modélisation d’un défaut multiplicatif la plus utilisée
dans la littérature, est donnée par l’équation suivante [5]:

( ) ( ) ( )( ̅( ) ( )) (I.16)

Où ( ) représente le signal de commande après apparition d’un défaut,

( ) le signal de commande sans défaut, ̅( ) un signal inconnu et :

( ) , - (I.17)

Si on a un défaut total sur l’actionneur i et si , l’actionneur i est en

fonctionnement normal. Enfin, - , correspond à un défaut partiel. Considérons
maintenant l’équation d’état d’un système linéaire donné sous la forme suivante [5] :

̇( ) ( ) ( ) (I.18)

En présence d’un défaut on a :

̇( ) ( ) ( ) (I.19)

̇( ) ( ) ( ) ( )( ̅ ( ) ( ))

Afin :
(̇ ) ( ) ( ) ( ) (I.20)

Les défauts peuvent être différenciés selon leur forme et leur comportement dans le
temps. En générale on distingue trois types [16] :

 Défaut abrupt : il est caractérisé par une discontinuité de l’évolution temporelle de la

variable, il correspond à une panne brutale.
 Défaut intermittent : Ce défaut est un cas particulier de défaut abrupt avec la propriété
particulière que le signal revient de façon aléatoire à sa valeur normale. Ce type de
défauts caractérise les faux contacts.
 Défaut graduel : Ce défaut a un comportement temporel lent ce qui le rend difficile à
détecter, il caractérise un encrassement ou une usure d’une pièce.

Page 24
Chapitre I : Etat de l'art sur le diagnostic

t t
t
Défaut abrupt Défaut intermittent Défaut graduel

Fig.I.13. Evolution temporelle des déférents types de défauts.

I.11 Conclusion
Ce chapitre a eu pour objectif de présenter une revue de littérature sur le diagnostic des
défauts et les différentes méthodes proposées dans ce domaine. Bien qu’il existe dans la
littérature plusieurs classifications, nous avons distingué, essentiellement, entre les méthodes
analytiques ou quantitatives (estimation d’état, estimation paramétrique, équation de parité)
qui sont basées sur l’existence de modèles mathématiques et les méthodes symboliques ou
qualitatives (intelligence artificielle, logique floue, réseaux de neurones,…etc.) qui sont
utilisées dans le cas où la modélisation mathématique du système serait complexe ou
inexistante. Notre intérêt a porté sur l’étude des méthodes à base de modèle mathématique.
Nous avons présenté la procédure de détection et l’isolation de défauts par celles-ci. Cette
dernière passe par deux étapes essentielles : la génération et l’évaluation du vecteur des
résidus.
A l’issue de ce chapitre on peut conclure que le problème du diagnostic à base de
modèle analytique consiste à :

 Générer des résidus nuls en fonctionnement normal, et sensibles à tout défaut

affectant le système à surveiller.
 Analyser ces résidus pour détecter la présence d’un défaut et localiser l’élément
défaillant.
 Reconstruire le défaut survenu.

Dans le chapitre suivant, nous allons parler de l’approche multi-modèle.

Page 25
 CHAPITRE II :

Modélisation du système non

linéaire par approche
Multi-modèle
Chapitre II : Modalisation du système non linéaire par l'approche multi-modèle

II.1. Introduction
L’idée de l’approche multi-modèle est d’appréhender le comportement non linéaire
d’un système par un ensemble de modèles locaux (linéaires ou affines) caractérisant le
fonctionnement du système dans différentes zones de fonctionnement.
La motivation de cette approche découle du fait qu’il est souvent difficile de concevoir
un modèle qui tient compte de toute la complexité du système étudié. Au départ, certains
auteurs ont essayé de représenter des systèmes non linéaires avec des modèles linéaires par
morceaux construits à partir d’un arbre de décision. Il en résulte une approximation
discontinue du système due aux commutations entre les différents modèles linéaires.
Malheureusement ces discontinuités peuvent être indésirables dans la majorité des
applications industrielles.
En 1985, Takagi et Sugeno ont proposé un modèle floue d’un système constitué d’un
ensemble de règles "si prémisse alors conséquence", telle que la conséquence d’une règle est
un modèle affine. Le modèle global s’obtient par l’agrégation des modèles locaux. Quelques
années après, [5]. Ont présenté l’approche multi-experte qui est la combinaison de différents
experts par l’entremise de fonctions d’activation, tel qu’un expert est un modèle décrivant le
comportement local d’un système. L’ensemble de toutes ces techniques conduit à un modèle
global d’un système qui est une combinaison de modèles localement valables.
L’identification d’une structure multi-modèle concerne la recherche d’une structure
optimale et l’estimation des paramètres. Dans ce chapitre, on s’intéressera au choix de la
structure du multi-modèle et à l’optimisation paramétrique qui consiste à estimer les
paramètres des fonctions d’activation et ceux des modèles locaux. Les raisons qui nous ont
conduits à choisir comme méthode de modélisation l’approche multi-modèle sont multiples ;
la structure multi-modèle permet de simplifier et d’étudier aisément :
 La stabilité d’un système non linéaire, grâce à l’outil numérique LMI qui permet de
trouver des solutions aux équations de Lyapunov.
 La synthèse des correcteurs (constitué par exemple d’un retour d’état pour chaque
modèle local) et la synthèse des multi-observateurs.

II.2. A propos de l’approche multi-modèle

Le principe de l’approche multi-modèle repose sur la réduction de la complexité du
système par le fractionnement de son espace de fonctionnement en un nombre fini de zones
de fonctionnement (voir figure II.1).

Page 26
Chapitre II : Modalisation du système non linéaire par l'approche multi-modèle

𝜉 (𝑡) 𝜉 (𝑡)

Zone Zone
Zone
Espace de 1 2
3
fonctionnement
Zone 4
𝜉 (𝑡) 𝜉 (𝑡)

Système non linéaire Représentation multi-modèle

[Link].1. Approche multi-modèle.

Un sous-modèle de structure simple et souvent linéaire, peut alors servir à la description

du comportement dynamique du système dans chaque zone. Le comportement global du
système est ensuite représenté en considérant judicieusement la contribution relative de
chaque sous- modèle au moyen d’une fonction de pondération associée à chaque zone de
fonctionnement. Un multi-modèle peut être alors considéré comme un ensemble de sous-
modèles agrégés au moyen d’un mécanisme d’interpolation [14].

II.3. Obtention d’une structure multi-modèle

De façon générale, il existe deux façons d’aborder la modélisation des systèmes non
linéaires en utilisant l’approche MM :

1. Construire directement un MM qui représente le comportement d’un système réel.

2. Transformer un modèle non linéaire déjà existant sous une forme MM.
Différentes techniques proposées dans la littérature pour obtenir un MM correspondent
à ces façons de traiter le problème de la modélisation. Ainsi, une première catégorie de
méthodes d’obtention d’un MM est relative aux méthodes d’identification et d’estimation des
paramètres à partir des données expérimentales [14]. Dans ce cas, la qualité du MM (c’est-à-
dire son pouvoir de représentation) dépend fortement de la qualité des données disponibles.
Quelques facteurs conditionnent la capacité du MM à représenter de façon générale le
comportement du processus : le niveau du bruit affectant les mesures, le nombre de mesures
disponibles et le taux de variations des données dans l’espace entrée/sortie. L’obtention de la
forme MM consiste en trois étapes. La première est l’identification de la structure (déterminer
le nombre de modèles locaux, choisir les variables de prémisse et réaliser le partitionnement
de l’espace de fonctionnement). La seconde consiste dans le calcul des paramètres inconnus

Page 27
Chapitre II : Modalisation du système non linéaire par l'approche multi-modèle

du système. La troisième concerne la validation, sur un autre ensemble de données, du MM

obtenu [10].
Les multi-modèles représentent les systèmes non linéaires sous forme d’une
interpolation entre des modèles linéaires locaux. Chaque modèle local est un système
dynamique LTI valide autour d’un point de fonctionnement. Selon l’information dont on
dispose, trois méthodes distinctes peuvent être utilisées pour l’obtention d’un multi-modèle.
Si l’on ne dispose que des mesures des entrées et sorties du système, on procède par
identification en cherchant ou en imposant la structure du multi-modèle. Si, en revanche, on
dispose d’un modèle non linéaire explicite que l’on souhaite "simplifier" ou rendre plus
manipulable on pourra procéder par la linéarisation autour de différents points de
fonctionnement (dans ce cas, il s’agit de modèles locaux affines dû à la présence de la
constante provenant de la linéarisation) ou par transformation polyptique convexe [10].
Illustrons la seconde approche en considérant un système statique non linéaire (II.1),
pour lequel nous cherchons à déterminer une représentation multi-modèle permettant de
décrire le comportement de ce système [1].

( ) ( ( )) (II.1)

Supposons qu’on dispose d’un ensemble de M modèles locaux ( ( )) descriptifs du

comportement du système dans différentes zones de fonctionnement. Ces modèles peuvent
être construits par exemple à partir de connaissances physiques sur le fonctionnement du
système dans ces zones. La validité locale de chaque modèle est indiquée par une fonction
de validité ( ( )) pour * +. Le modèle global s’obtient de la manière suivante
[1] :
∑ ( ( )) ( ( ))
( ) (II.2)
∑ ( ( ))

Posons :
( ( ))
( ( )) (II.3)
∑ ( ( ))

En combinant les équations (II.2) et (II.3), on obtient l’expression générale d’une

structure multi-modèle :

( ) ∑ ( ( )) ( ( )) (II.4)
La fonction d’activation ( ( )) détermine le degré d’activation du i ème
associé.
Selon la zone où évolue le système, cette fonction indique la contribution plus ou moins
importante du modèle local correspondant dans le modèle global (multi-modèle). Elle assure

Page 28
Chapitre II : Modalisation du système non linéaire par l'approche multi-modèle

un passage progressif de ce modèle aux modèles locaux voisins. Ces fonctions sont
généralement de forme triangulaire, sigmoïdale ou Gaussienne, et doivent satisfaire les
propriétés suivantes (convexité) [1]:
∑ ( ( ))
{ (II.5)
( ( ))

II.4. Les principaux intérêts de l’approche multi-modèle

Les principaux intérêts de l’approche multi-modèle sont les suivant [13] :

 Ils constituent des approximateurs universels, n’importe quel système non linéaire
pouvant être approximé avec une précision imposée en augmentant le nombre de sous-
modèles. En pratique cependant, un nombre relativement réduit de sous-modèles suffit à
l’obtention d’une approximation satisfaisante.
 Les outils d’analyse des systèmes linéaires peuvent être utilisés, au moins
partiellement, sur les multi-modèles si les sous-modèles sont de type linéaire.
 Il est possible de relier le multi-modèle à la physique du système non linéaire afin de
donner un sens au multi- modèle et plus précisément d’associer à un sous-modèle un
comportement particulier du système non linéaire.

II.5. Différentes structures multi-modèle

La représentation MM d’un système non linéaire peut être obtenue à partir de différentes
structures. En général, la représentation d’état est utilisée car elle permet de mettre facilement
en évidence les sous-modèles. Cette représentation est simple et plus générale que la
présentation sous forme d’une équation de régression entrée/sortie. De plus, la description
sous forme d’état se relève une forme bien adaptée pour la construction d’observateurs ou de
lois de commande [10].

Page 29
Chapitre II : Modalisation du système non linéaire par l'approche multi-modèle

𝑢(𝑡)
𝑦(𝑡)
Système non linéaire
𝜇 (t) 𝜇 (t)
𝐴 𝑥(𝑡) 𝐵 𝑢(𝑡) 𝚷 𝑪𝟏 𝚷
𝜇 (t) 𝜇 (t)
𝑥̇ (𝑡) 𝑥(𝑡)
𝑪𝟐 𝚷 𝚺
𝐴 𝑥(𝑡) 𝐵 𝑢(𝑡) 𝚷 𝚺 ʃ
𝑦𝑚 (𝑡)

𝜇𝑟 (t) 𝜇𝑟 (t)
𝑪𝒓 𝚷
𝐴𝑟 𝑥(𝑡) 𝐵𝑟 𝑢(𝑡) 𝚷

[Link].2. Architecture de multi-modèle.

La représentation d’état du MM est donnée par (voir Figure II.2) :

̇( ) ∑ ( ( ))( ( ) ( ))
{ (II.7)
( ) ( ( )) ( )

On peut énumérer les différentes formes de multi-modèles selon que l’on fait la
segmentation sur l’entrée ou sur la sortie (i. e. sur les variables d’état mesurables) et aussi
selon la nature du couplage entre les modèles locaux associés aux zones de fonctionnement.
Cependant, on peut noter les structures de multi-modèles [1]:

II.5.1. Structure couplée

La représentation multi-modèle est obtenue par interpolation de M modèles locaux

linéaires :

̇ ( ) ∑ ( ( ))( ( ) ( ) )
{ (II.8)
( ) ∑ ( ( ))( ( ) ( ) )

Où ( ( )) * + sont les fonctions d’activation et ( ) est le vecteur des

variables de décision dépendant des variables d’état mesurables et éventuellement de la
commande ( ). Cette structure est la plus utilisée en analyse bien qu’en synthèse des multi-
modèles [1].

Page 30
Chapitre II : Modalisation du système non linéaire par l'approche multi-modèle

𝑢(𝑡) 𝑦(𝑡)
Système non linéaire
𝜇 (𝜉)
𝐴 𝑥𝑚 (𝑡) 𝐵 𝑢(𝑡) 𝐷 𝚷

𝜇 (𝜉) 𝑥̇ 𝑚 (𝑡)
𝐴 𝑥𝑚 (𝑡) 𝐵 𝑢(𝑡) 𝐷 𝚷 𝚺 ʃ
𝜇𝑀 (𝜉)
𝐴𝑀 𝑥𝑚 (𝑡) 𝐵𝑀 𝑢(𝑡) 𝐷𝑀
𝚷

𝜇 (𝜉)
𝐶 𝑥𝑚 (𝑡) 𝐸 𝑢(𝑡) 𝑁 𝚷
𝑦𝑚 (𝑡)
𝜇 (𝜉)
𝐶 𝑥𝑚 (𝑡) 𝐸 𝑢(𝑡) 𝑁 𝚷 𝚺

𝜇𝑀 (𝜉)
𝐶𝑀 𝑥𝑚 (𝑡) 𝐸𝑀 𝑢(𝑡) 𝑁𝑀 𝚷

[Link].3. Architecture d’un multi-modèle à modèles locaux couplés.

Le multi-modèle à états couplés se caractérise par [13] :

 Un état global qui couple tous les états des sous-modèles,
 Un même ordre de sous-modèles,
 Un mélange des paramètres des sous-modèles.
Ici le rôle des fonctions de pondération est d’effectuer un mélange des paramètres
des sous-modèles en fonction de la zone de fonctionnement du système non linéaire [13].

II.5.2. Structure découplée

Une autre forme de multi-modèle, résulte de l’agrégation de modèles locaux décrits

d’une façon découplée. La différence entre cette structure et celle présentée au paragraphe
précédent réside dans le fait que chaque modèle local est indépendant de tous les autres (II.9)
[1]:

̇( ) ( ) ( )
{ (II.9)
̇ ( ) ( ) ( )

Dans cette structure, la notion d’état local, correspondant à un domaine de

fonctionnement, apparaît beaucoup clairement. Le multi-modèle (modèle global) est ainsi

Page 31
Chapitre II : Modalisation du système non linéaire par l'approche multi-modèle

donné par :

̇ ( ) ( ) ( ) * +
{ (II.10)
( ) ∑ ( ( ))( ( ) ( ) )

Rappelons que les variables locales ( ) n’ont pas forcément un sens physique. Les
matrices et ainsi que les fonctions d’activation ( ( )) sont calculées de la même
façon que précédemment (structure couplée). Cette structure peut être vue comme la
connexion parallèle de M modèles affines pondérés par leurs poids respectifs [1].
Le rôle des fonctions est ici de pondérer la sortie de chaque sous-modèle sans
mélanger les paramètres des sous- modèles , , et [13] .

𝑢(𝑡)
𝑦(𝑡)
Système non linéaire
𝜇 (𝜉)
𝑥̇ (t)
𝐴 𝑥(𝑡) 𝐵 𝑢(𝑡) 𝐷 ʃ 𝚷

𝜇 (𝜉)
𝑥̇ (t)
𝐴 𝑥(𝑡) 𝐵 𝑢(𝑡) 𝐷 ʃ 𝚷 𝚺

𝑦𝑚 (𝑡)
𝜇𝑀 (𝜉)
𝑥̇ 𝑀 (t)
𝐴𝑀 𝑥(𝑡) 𝐵𝑀 𝑢(𝑡) 𝐷𝑀 ʃ 𝚷

[Link].4. Architecture d’un multi-modèle à modèles locaux découplés.

II.5.3. Structure hiérarchisée

Bien que l’approche multi-modèle ait connu un grand succès dans beaucoup de
domaines (commande, diagnostic, ...), son application est limitée aux systèmes ayant peu de
variables (dimension réduite). Le nombre de modèles locaux augmente d’une façon
exponentielle avec l’augmentation du nombre de variables. Par exemple, un multi-modèle à
sortie unique avec n variables et m fonctions d’activation définis pour chaque variable est
composé de (m*n) modèles locales. Les chercheurs ont étudié ce problème en utilisant
différentes approches.
Pour surmonter ce problème, ont proposé un multi-modèle à structure hiérarchique afin
de réduire le nombre de modèles locaux. La Figure II.5 montre un exemple typique d’un
multi-modèle hiérarchique qui comporte n entrées et (n-1) sorties ; dans cette structure, les

Page 32
Chapitre II : Modalisation du système non linéaire par l'approche multi-modèle

modèles locaux ont deux entrées chacun, le modèle global est alors composé de n modèles
locaux ; pour plus de détails [1].

𝑦𝑛− (t)

Modèle local (n-1)

𝑦𝑛− (t)
𝑦3 (t)

Modèle local 3
𝑦 (t)

Modèle local 2
𝑦 (t)

Modèle local 1

𝑥 (t) 𝑥 (t) 𝑥3 (t) 𝑥4 (t) 𝑥𝑛 (t)

[Link].5. Architecture d’un multi-modèle hiérarchique.

II.5.4. Recherche des modèles locaux par identification

L’identification d’un système, en temps réel ou non, est une étape essentielle de
n’importe quelle conception de système de commande ou de diagnostic. L’identification des
systèmes linéaires a été étudiée depuis de très nombreuses années et beaucoup de méthodes
permettent de conduire cette étude.
Cependant, dans beaucoup de situations pratiques, l’hypothèse de linéarité ne peut pas
être vérifiée et s’avère inappropriée en raison de l’existence d’éléments non linéaires et/ou
variantes dans le temps. Dans ce cas, il est difficile d’appliquer les méthodes conventionnelles
d’identification. Ces dernières années, le développement de nouvelles méthodologies de
commande dans le domaine de l’intelligence artificielle comme les réseaux de neurones et la
théorie de la logique floue, ont fourni des outils alternatifs pour aborder le problème de
l’identification des systèmes non linéaires .En particulier, depuis l’introduction de la notion de
la logique floue par , beaucoup de chercheurs ont montré l’intérêt de cette théorie pour
l’identification des systèmes représentés par des multi-modèles.
En représentant un système non linéaire sous forme multi-modèle, le problème de
l’identification de systèmes non linéaires est réduit à l’identification des sous-systèmes définis
par des modèles locaux linéaires. Les méthodes d’estimation basées sur les moindres carrés

Page 33
Chapitre II : Modalisation du système non linéaire par l'approche multi-modèle

sont alors utilisées pour identifier les paramètres du multi-modèle (modèles locaux) et ceux
des fonctions d’activation. Cependant, cette méthode exige la connaissance des données
entrées-sorties du système non linéaire autour de différents points de fonctionnement afin de
pouvoir caractériser les modèles locaux [1].

II.5.5. Recherche des modèles locaux par linéarisation

Dans ce cas, on dispose de la forme analytique du modèle non linéaire du processus

physique qu’on linéarité autour de différents points de fonctionnement judicieusement
choisis. Considérons le système non linéaire suivant :

̇( ) ( ( ) ( ))
{ (II.11)
( ) ( ( ) ( ))

Où ( ) sont des fonctions non linéaires continues, ( ) est le vecteur

d’état et ( ) est le vecteur d’entrée. Par la suite, nous représenterons le système non
linéaire par un multi-modèle, composé de plusieurs modèles locaux linéaires ou affines, tel
que chaque modèle local est obtenu en linéarisant le système non linéaire autour d’un point de
fonctionnement arbitraire ( )
Dans ce cas, on considère le choix suggéré par, c’est-à-dire qu’on définit les modèles
locaux comme le premier terme du développement en série de Taylor du système.
D’un point de vue mathématique, ceci correspond à approcher une fonction non linéaire
par son plan tangent au point ( ) On suppose que les différents modèles locaux sont issus
d’une linéarisation autour de M points de fonctionnement ( ) * + La
formulation multi-modèle est la suivante [1]:

̇( ) ∑ ( ( )) ( ( ) ( ) )
{ (II.12)
∑ ( ( )) ( ( ) ( ) )
Avec :

( ) ( )
| | ( )

( ) ( )
| | ( )

Notons que dans ce cas, le nombre de modèles locaux (M) dépend de la précision de
modélisation souhaitée, de la complexité du système non linéaire et du choix de la structure
des fonctions d’activation.

Page 34
Chapitre II : Modalisation du système non linéaire par l'approche multi-modèle

II.6. Stabilité des multi-modèles

La stabilité des multi-modèles a été beaucoup étudiée, ont présenté des conditions
suffisantes de la stabilité en utilisant une fonction quadratique de Lyapunov. La stabilité
dépend de l’existence d’une matrice commune, symétrique et définie positive, qui garantit la
stabilité de tous les modèles locaux. Ces conditions de stabilité peuvent être exprimées en
utilisant des inégalités linéaires matricielles (LMI). Dans cette section, nous présentons
quelques conditions suffisantes de stabilité des multi-modèles. L’approche proposée tout au
long de ce mémoire repose sur les fonctions de Lyapunov quadratiques. Il s’agit de chercher
une matrice symétrique et définie positive et sa fonction de Lyapunov associée telles que
certaines conditions simples garantissent les propriétés de stabilité [3].

II.6.1. Stabilité quadratique

Considérons un système non linéaire en boucle ouverte et représenté sous forme multi-
modèle par l’équation d’état suivante [1]:

̇( ) ∑ ( ( )) ( )
{ (II.13)
∑ ( ( )) ( ( ))

Selon, la stabilité d’un système représenté par l’équation (II.13) peut être vérifiée en
utilisant le théorème suivant :

Théorème II.1 : Le multi-modèle (II.14) est asymptotiquement stable s’il existe une
matrice P symétrique et définie positive telle que les LMI suivantes sont vérifiées :

𝐴𝑇𝑖 𝑃 𝑃 𝐴𝑖 𝑖 * 𝑀+ (II.14)

Ce théorème offre une condition suffisante pour assurer la stabilité asymptotique du

multi-modèle (II.13). L’inégalité matricielle (II.14) peut être résolue en utilisant des outils
numériques LMI. Ce résultat est obtenu en dérivant, le long de la trajectoire du multi-modèle
(II.13), la fonction de Lyapunov ( ( )) ( ) ( ). L’existence de la matrice de
Lyapunov P dépend de deux conditions :
 la première est liée à la stabilité de tous les modèles locaux. Il est nécessaire que
chaque matrice pour * + ait des valeurs propres dans le demi-plan gauche du
plan complexe.
 la deuxième condition est relative à l’existence d’une fonction de Lyapunov
commune aux M modèles locaux.

Page 35
Chapitre II : Modalisation du système non linéaire par l'approche multi-modèle

II.6.2. Stabilité relaxée

Dans le paragraphe précédent, l’existence d’une matrice, symétrique et définie

positive , commune pour toutes les inégalités (II.13) est indispensable pour assurer la
stabilité asymptotique du multi-modèle (II.13). Cependant, si le nombre de modèles locaux
est grand, il peut être difficile de trouver une matrice commune qui garantisse la stabilité
simultanée de tous les modèles locaux. De plus, ces contraintes sont souvent très
conservatrices et il est bien connu que, dans beaucoup de cas, une matrice symétrique et
définie positive commune n’existe pas, alors que le système (II.13) est stable.
Pour surmonter ce problème, de nombreux travaux ont été développés afin d’établir des
conditions de stabilité relaxant certaines des contraintes précédentes. Par exemple,
considèrent une fonction de Lyapunov quadratique par morceaux. Ont proposé des conditions
de stabilité asymptotique dépendantes de la nature de l’entrée et de la dynamique de la sortie.
Utilise une fonction de Lyapunov non quadratique.
En utilisant la technique de Lyapunov et la formulation LMI, ont également établi des
conditions suffisantes de stabilité asymptotique d’un multi-modèle (II.13).
Afin de réduire le conservatisme de l’approche quadratique (fonction de Lyapunov
quadratique), ont présenté d’autres conditions de stabilité en utilisant des fonctions de
Lyapunov non quadratiques de la forme :

( ( )) ( ) ( ) * +
{ (II.15)
( ( )) . ( ( )) ( ( )) ( ( ))/

Où Pi sont des matrices symétriques et définie positives.

Théorème II.2 : supposons qu’il existe des matrices symétriques et définies positives P i
pour 𝑖 * 𝑀 + et des scalaires positifs 𝜏𝑖𝑗𝑘 , vérifiant les inégalités suivantes :
𝐴𝑇𝑖 𝑃𝑗 𝑃𝑗 𝐴𝑖 ∑𝑀
𝑘 𝜏𝑖𝑗𝑘 (𝑃𝑗 𝑃𝑘 ) 𝑖 𝑗 * 𝑀+ (II.16)

Alors le multi-modèle (II.13) est globalement asymptotiquement stable.

Ce résultat annoncé n’exige pas l’existence d’une fonction de Lyapunov quadratique

commune aux différents modèles locaux et ne s’appuie que sur les fonctions locales de
Lyapunov pour assurer la stabilité asymptotique globale du multi-modèle (II.13) [1] [3].

Page 36
Chapitre II : Modalisation du système non linéaire par l'approche multi-modèle

II.7 Diagnostic de défauts à base de multi-modèles

Le développement du diagnostic de défauts en Automatique a principalement été réalisé
par l’étude des systèmes linéaires. Afin de résoudre le problème du diagnostic de défauts à
base de modèles sur des systèmes réels, le diagnostic dédié aux systèmes non linéaires a fait
l’objet d’une attention particulière. Des articles de référence illustrent l’attractivité et la
vitalité du domaine non linéaire en diagnostic pour les méthodes géométriques, pour les
méthodes analytiques. Toutefois, ces méthodes s’utilisent principalement lorsqu’il existe un
modèle mathématique représentant le système sur toute la plage de fonctionnement alors que
bien souvent la modélisation ne représente le système que pour une plage de fonctionnement
réduite. Aussi, si les représentations non linéaires peuvent être difficiles à obtenir, une
stratégie consiste à représenter le système non linéaire autour de plusieurs points de
fonctionnement où les modèles sont connus .Cette représentation se regroupe sous la
dénomination des multi-modèles où la dynamique du système est représentée par une
pondération de modèles locaux qui ne sont pas forcément linéaires.
Dans le cadre de la représentation multi-modèle, deux tendances émergent toutefois : les
multi-modèles où chaque modèle représente un défaut et les multi-modèles où chaque modèle
représente le système autour d’un point de fonctionnement [12].

II.7.1 Les multi-modèles de défauts

Un algorithme d’estimation d’état à base de multi-modèles (Multiple Model Adaptive

Estimation) couplé avec un algorithme de commande a été proposé pour résoudre le problème
du contrôle des systèmes dynamiques linéaires stochastiques en présence de défauts (ou
incertitudes paramétriques). Cet algorithme a notamment été utilisé dans le domaine de
l’aéronautique .Ont développé un banc de filtres de Kalman synthétisés pour des défauts
actionneurs et capteurs spécifiques, permettant d’une part la détection et l’isolation du défaut,
ainsi qu’une estimation de l’état en ligne, est basé sur le principe que le système en défaut
peut être modélisé par un modèle particulier en fonction du type de défaut rencontré. La
modélisation repose sur des modèles stochastiques de la forme :

{ (II.25)

Ou est le vecteur d’état, est le vecteur de commande, est le

vecteur de sortie, sont deux bruits blancs gaussiens, de covariance
respectivement. Les matrices , , , sont des matrices d’état connues et de

Page 37
Chapitre II : Modalisation du système non linéaire par l'approche multi-modèle

dimensions appropriées. Afin de réaliser simultanément l’estimation d’état et l’identification

du défaut, l’algorithme suppose qu’une seule hypothèse peut être vérifiée à la fois parmi
les N valeurs possibles. De ce fait, à chacune des hypothèses correspond un système
linéaire stochastique à temps discret décrivant un mode de fonctionnement identifié et
déterminé. Les hypothèses considèrent que le résidu résultant de la différence entre le système
et chaque filtre, suit une loi de distribution normale centrée permettant de calculer une densité
de probabilité. A partir du Théorème de Bayes, le calcul de la probabilité de chaque modèle
est réalisé de la manière suivante :

[ | ] (II.26)

Cette probabilité est la probabilité que le système peut être représenté par le
mode connaissant le vecteur des mesures de la sortie y à l’instant k et peut se calculer
comme suit :

∑
(II.27)

Cette dernière utilise une fonction de densité normale centrée, avec le résidu
Exprimant la différence entre la sortie du système et la sortie du jème filtre :

{− 5( ) ( )
⁄
(II.28)
( ) ⁄ | |

Où la matrice représente la matrice de variance du résidu et la dimension du

vecteur des résidus. Cette technique permet la reconstruction globale de l’état du système à
partir des estimations d’état des modèles pondérés par les probabilités. L’état global se
représente alors de la manière suivante :

̂ ∑ ̂ (II.29)

Sur la figure (1.6) un banc d’Observateur basés sur l’entrée et la sortie du système
génère des résidus utilisés pour définir les probabilités de chaque modèle. Ces probabilités
pondèrent les estimations de chaque Observateur pour obtenir une estimation globale de l’état
du système.
D’autre part, les probabilités déterminent à chaque instant quel modèle ou combinaison
de modèles, représente ou approxime, le comportement dynamique du système [12].

Page 38
Chapitre II : Modalisation du système non linéaire par l'approche multi-modèle

𝑢(𝑡)
𝑦(𝑡)
Système

Modèles 𝑿𝟏
linéaires *
Observateur Ob 𝒓𝟏
1 𝑿𝟐
𝑿
*
Observateur Ob 𝒓𝟐 Estimation
2 𝑿𝒋 Globale
Observateur Ob j 𝒓𝒋 *
Σ
𝑿𝑵
Observateur Ob *
N
Banc 𝒓𝑵
d’Observateur

Évaluation 𝑝
Probabilités
𝑝𝑗

𝑝𝑁

[Link].6. Schéma général associé à l’algorithme MMAE.

II.7.2 Les multi-modèles autour de points de fonctionnement

La modélisation représente une étape indispensable pour la conduite de processus

industriels. Cette étape est tout aussi nécessaire pour l’élaboration d’une loi de commande ou
d’un schéma de diagnostic. La modélisation d’un processus vise donc à établir les relations
qui lient les variables caractéristiques de ce dernier entre elles et à représenter d’une manière
rigoureuse son comportement dans un domaine de fonctionnement donné.
L’approche multi-modèle a connu un intérêt certain depuis de nombreuses années. Les
travaux définissent l’idée de l’approche multi-modèle comme l’appréhension d’un

Page 39
Chapitre II : Modalisation du système non linéaire par l'approche multi-modèle

comportement non linéaire d’un système par un ensemble de modèles locaux (linéaires ou non
linéaires) caractérisant le fonctionnement du système dans différentes zones de
fonctionnement. La motivation d’une telle approche découle du fait qu’il est souvent difficile
de concevoir ou d’identifier un modèle tenant compte de toute la complexité du système
étudié.
La modélisation de systèmes non linéaires par les multi-modèles a été d’un intérêt
croissant comme il est possible de l’appréhender dans de nombreux de rechercher de travaux.
Dans le cadre de l’approche multi-modèle, les systèmes étudiés se représentent sous
forme d’une interpolation entre les modèles linéaires locaux. Chaque modèle local est un
système dynamique LTI valide autour d’un point de fonctionnement. Selon l’information
disponible, plusieurs méthodes distinctes peuvent être utilisées pour l’obtention d’un multi-
modèle. Deux méthodes sont principalement utilisées pour obtenir les modèles locaux d’une
représentation multi-modèles d’un système non linéaire :
 Identification de type boîte noire lorsque le système non linéaire n’a pas de forme
analytique,
 Linéarisation du système autour de plusieurs points de fonctionnement.
Il est parfois possible en connaissant les équations qui régissent l’ensemble d’un
système de définir un modèle unique non linéaire. Toutefois, il est bien souvent préférable de
linéariser ce modèle pour pouvoir utiliser des techniques de commande ou de diagnostic faites
pour les cas linéaires.
Un des points fondamentaux de la décomposition en MM reste le choix du nombre ainsi
que l’emplacement des points de fonctionnement afin de refléter au mieux l’évolution
intrinsèque du système. Il est important de définir des critères pour une meilleure sélection
des régimes linéaires :
 Stabilité des régimes de fonctionnement,
 Bonnes performances des régimes,
 Bonnes commutations entre les modèles.

De manière à illustrer ces propos, considérons un système non linéaire pour lequel nous
cherchons à obtenir une représentation multi-modèle permettant de décrire le comportement
de ce système. Ainsi sur la figure (I.7), la représentation statique révèle l’importance du choix
du nombre optimal de modèles locaux à utiliser. On peut aisément comprendre sur cet
exemple, l’utilité de la décomposition en plusieurs modèles car il apparaît alors évident qu’un
seul modèle ne peut simuler le fonctionnement du système sur toute la plage de
fonctionnement. En revanche, le choix d’une décomposition en trois modèles linéaires paraît

Page 40
Chapitre II : Modalisation du système non linéaire par l'approche multi-modèle

plus judicieux pour réaliser un compromis entre la représentation du système non-linéaire et la

charge de calcul [12].

[Link].7. Caractéristique statique : choix du nombre de modèles locaux.

Supposons qu’un ensemble de N modèles locaux ( ( ) ( )) décrivant le

comportement du système dans différentes zones de fonctionnement. Ces modèles peuvent
être construits par exemple à partir de connaissances physiques sur le fonctionnement des
systèmes dans ces zones.
La validité locale de chaque modèle est indiquée par une fonction de
validité ( ( ) ( )) pour , -. Le modèle global s’obtient de la manière
suivante [12] :

∑ ( ( ) ( )) ( ( ) ( ))
( ) (II.30)
∑ ( ( ) ( ))

Et posons :
( ( ) ( ))
( ( ) ( )) ∑
(II.31)
( ( ) ( ))

En combinant alors les équations, on obtient l’expression générale d’une structure

multi-modèle :

Page 41
Chapitre II : Modalisation du système non linéaire par l'approche multi-modèle

( ) ∑ ( ( )) ( ( ) ( )) (II.32)

La fonction d’activation ( ( ) ( )) est normalisée et détermine le degré

d’activation du modèle local associé. Selon la zone où évolue le système, cette fonction
indique la contribution plus ou moins importante du modèle local correspondant dans le
modèle global (multi-modèle). Elle assure un passage progressif de ce modèle aux modèles
locaux voisins. Ces fonctions sont généralement de forme triangulaire, sigmoïdale ou
gaussienne et satisfont aux propriétés suivantes [12]:

∑ ( ( ) ( ))
{ (II.33)
( ( ) ( ))

Soient et g les fonctions non linéaires continues telles que le système non linéaire
étudié ait une représentation d’état de la forme :

( )
{ (II.34)
( )

Où est le vecteur d’état et est le vecteur d’entrée. Nous supposerons dans la

suite que le comportement dynamique du système non linéaire (II.34) se caractérise par une
représentation multi-modèle, composée de plusieurs modèles locaux linéaires ou affines, tel
que chaque modèle local est obtenu en linéarisant le système non linéaire autour d’un point de
fonctionnement défini( ) . Le choix suggéré nous a incités à considérer un
développement au premier ordre de la série de Taylor. D’un point de vue mathématique, ceci
correspond à approximer une fonction non linéaire par son plan tangent au point ( ) On
suppose que les différents modèles locaux sont issus d’une linéarisation autour de N points de
fonctionnement ( ) , - . La notation multi-modèle se représente alors sous la
forme suivante :

∑ ( )( )
{ (II.35)
∑ ( )( )

Avec :

( ) ( ) ( ) ( )
| | | |

( ) , ( )

Page 42
Chapitre II : Modalisation du système non linéaire par l'approche multi-modèle

La précision de la modélisation souhaitée dépend directement du nombre de modèles

locaux N , de la complexité du système non linéaire ainsi que du choix des fonctions
d’activation devant satisfaire les relations (II.32) et (II.33). En présence d’un système
parfaitement linéaire, l’équation (II.35) reste tout à fait valable avec :
Dans le cas où le point de fonctionnement appartient à l’ensemble des points
d’équilibre défini par ( ) ( ) , les expressions de se simplifient
de la sorte :

{ (II.36)

La représentation mathématique des multi-modèles s’apparente aussi à des formes de

modélisation de systèmes de type Linéaires à Paramètres Variants dans le temps ou LPV, dont
les paramètres varient dans le temps. Certains systèmes LPV sont intéressants à étudier
notamment les systèmes LPV affines de la forme ∑ [12].

II.7.3 Représentation multi-modèle en présence de défauts

Afin d’avoir un modèle qui représente à la fois le système autour des différents points
de fonctionnement considérés tout en tenant compte des défauts actionneurs et capteurs, nous
redéfinissons la représentation d’état. En reprenant l’équation non linéaire (II.34), considérons
la représentation locale comme à l’équation (II.25).
La dynamique du système (II.34) autour de différents points de fonctionnement est
supposée approximée par un ensemble de N modèles linéaires. Soit la représentation d’état
suivante d’un système non linéaire autour du point de fonctionnement, , -,
en présence de défauts [12]:

{ ( )

Où les matrices ( ) sont des matrices invariantes définies autour du

point de fonctionnement ( ). La matrice de distribution des défauts actionneurs et capteurs
sont représentées respectivement par représente
le vecteur des défauts actionneur et le vecteur des défauts capteur et
représentent les vecteurs constants dépendants du point de fonctionnement définis
précédemment. Ainsi, de manière similaire au formalisme en l’absence de défauts, le système

Page 43
Chapitre II : Modalisation du système non linéaire par l'approche multi-modèle

linéaire ( ) résultant de la modélisation d’un processus non linéaire autour du point

de fonctionnement, peut être spécifié par un ensemble de matrices :

[ ] , - ( )

Afin de pouvoir représenter le système non linéaire (II.34), l’ensemble de modèles

linéaires ( ) est utilisé à chaque instant par une séquence de matrices variant dans un
ensemble convexe, définie par :

{∑ ∑ ( )

Cette séquence caractérise à chaque instant le système non linéaire et par conséquent,
la dynamique du système non linéaire peut être représentée par un ensemble convexe de
multiples modèles linéaires invariants. Comme considéré, un modèle apte à représenter toute
la plage de fonctionnement du système est constitué de N modèles locaux pondérés par des
fonctions de pondération Ces fonctions de pondération ou d’activation , -
évoluent dans un ensemble convexe Ω tel que :

{ ∑ } ( )

Ces fonctions de pondération dépendent du vecteur d’état du système ainsi que

de l’entrée du système tel que celles-ci s’écrivent sous la forme ( ) .

D’après [12] et sans nuire à la généralité de la méthode présentée, les défauts capteurs
considérés comme des incertitudes structurées, peuvent être interprétés mathématiquement
comme des défauts actionneurs par une augmentation d’état en supposant une dynamique
lente du défaut est alors possible de redéfinir la représentation (II.38) avec une matrice de
distribution des défauts de rang q et un vecteur unique de défauts de
dimensions appropriées, de la manière suivante :

[ ] , - ( )

Cette dernière représentation du système non linéaire va nous permettre dans les
chapitres suivants, de pouvoir avoir une représentation à la fois du système autour de
différents points de fonctionnement tout en pouvant effectuer un travail de diagnostic de
défauts [12].

Page 44
Chapitre II : Modalisation du système non linéaire par l'approche multi-modèle

II.9 Conclusion
Ce chapitre a fait l’objet d’une étude détaillée sur l’approche multi-modèle, qu’est une
méthode de représentation de systèmes non linéaires par des sous-modèles linéaires. Cette
approche s’avère très importante vu sa stabilité et sa simplicité.
Le MM est une structure particulièrement bien adaptée à la modélisation des systèmes
non linéaires sur une large plage de fonctionnement. Il permet d’obtenir un modèle doté d’une
structure mathématiquement attractive et capable d’appréhender avec précision donnée la
complexité d’un système. Le MM vient répondre aux difficultés dues à la complexité des
modèles non linéaires, par des techniques proches de celles développées dans le cadre
linéaire.
Ainsi, la forme MM permet de décrire un système non linéaire sur une large plage de
fonctionnement, contrairement aux modèles linéaires qui ont généralement un caractère local
et qui sont valides autour de points de fonctionnement particuliers.
Ce chapitre a permis la présentation de plusieurs structures MMs qui ont été
développées ces dernières années. De plus, les différentes techniques existantes d’obtention
des MMs ont été présentées.

Page 45
 CHAPITRE III :

Synthèse d’observateurs
non linéaires
Chapitre III : Synthèse d'observateurs non linéaires

III.1 Introduction
La disponibilité des toutes les variables d’états pour la mesure directe est rarement
vérifiée dans la pratique. Il existe dans la plupart des cas un vrai besoin d’une estimation
fiable des variables non mesurées, particulièrement quand elles sont employées pour la
synthèse de lois de commande ou pour la surveillance des processus. En effet, l’état d’un
système peut correspondre à une grandeur physique que l’on ne peut pas toujours mesurer
directement ; l’élaboration d’une loi de commande ou la détermination d’une défaillance d’un
composant d’un système passent souvent par l’accès à la valeur d’un ou plusieurs de ses états.
Pour cela, il s’avère nécessaire de concevoir un système auxiliaire appelé, observateur, qui se
charge de reconstruire les états non mesurables en exploitant les informations disponibles, à
savoir le modèle dynamique du système, ses sorties mesurées et éventuellement ses entrées
[15].
Contrairement au problème de synthèse d’observateurs d’état des systèmes linéaires qui
a été entièrement résolu. Le cas des systèmes non linéaires est plus difficile et beaucoup mois
systématique. C’est la raison pour laquelle, de nombreux travaux ont abordé ce problème,
dans la littérature, en se basant sur des classes spécifiques de systèmes non linéaires.
Dans cette section nous allons présenter quelques méthodes de synthèse d’observateurs
de systèmes linéaires et non linéaires. Mais auparavant, nous allons parler d’un concept
important dans le domaine de la reconstruction d’état, qui est celui de l’observabilité [16].

III.2 Notion d'observabilité

L’observabilité d’un processus est un concept très important dans le domaine
d’estimation de l’état. En effet, pour reconstruire les états inaccessibles d’un système, il faut
savoir, a priori, si les variables d’état sont observables ou non. L’observabilité d’un système
est la propriété qui permet de dire si l’état peut être déterminé uniquement à partir de la
connaissance des signaux d’entrées et de sorties. Dans le cas des systèmes non linéaires, la
notion d’observabilité est liée aux entrées et aux conditions initiales. Les résultats classiques
que l’on peut trouver dans la littérature sont rappelés dans cette partie [16], [21].

III.2.1 Observabilité des systèmes linéaires

Soit un système continu décrit par l’équation d’état déterministe suivante:
̇( ) ( ) ( )
{ (III.1)
( ) ( )

Page 46
Chapitre III : Synthèse d'observateurs non linéaires

Où les vecteurs ( ) ( ) ( ) représentent respectivement l’état, la

commande et la sortie du système. Les matrices A, B et C sont des matrices constantes de
dimensions appropriées. L’observabilité du système linéaire (III.1) est garantie si et seulement
si :

( ) (III.2)

([ ( − ) ])

Par conséquent le système linéaire (III.1) est observable, si le rang de la matrice

d’observabilité O est égal à la dimension n de ce système. Dans le cas où le rang de la matrice
O est inférieur à n on parle alors, d’observabilité partielle [16].

III.2.2 Observabilité des systèmes non linéaires

Pour les systèmes non linéaires, étant donné l'espace de l'état et l'ensemble
des entrées, la notion d'observabilité est basée sur la possibilité de différencier deux
conditions initiales distinctes. On parlera ainsi de la distinguabilité d'un couple de conditions
initiales. On considère le système non linéaire donnée par :

̇ ( ) ( )
{ (III.3)
( )
Où les vecteurs ( ) ( ) sont respectivement le vecteur d’état et de
commande [16].

III.3 Classification des observateurs

Il existe de nombreuses techniques d'observation. Elles différent en fonction de la nature
du système considéré linéaire ou non linéaire.

III.3.1 Observateurs des systèmes linéaires

Une solution simple et optimale au problème de l’estimation de l’état des systèmes
linéaires a été proposée par Luenberger dans le cadre déterministe, et par Kalman dans le
cadre stochastique. Dans les deux cas, on considère le modèle dynamique du système linéaire
défini par :

̇( ) ( ) ( ) ( )
{ (III.4)
( ) ( ) ( )

Page 47
Chapitre III : Synthèse d'observateurs non linéaires

Où ( ) ( ) ( ) ( ) ( ) sont deux bruits

blancs gaussiens d’espérance nulle, de covariances respectives et . Ces bruits sont
supposés non corrélés. Les matrices du système sont de dimensions appropriées, et les
conditions initiales sont définies par ( ) [16], [1].

III.3.1.1 Observateur de Luenberger

L’observateur déterministe de Luenberger permet de reconstituer l’état d’un système
observable à partir de la mesure des entrées et des sorties. Il est utilisé dans les commandes
par retour d’état lorsque tout ou une partie du vecteur d’état ne peut être mesurée.
La théorie de l’observation de Luenberger repose essentiellement sur des techniques de
placement de pôles. On se place dans le cas déterministe, ou les bruits sont nuls,
Luenberger propose l’observateur suivant pour le système (III.4) :

̂̇ ( ) ̂( ) ( ) ( ( ) ̂( ))
{ (III.5)
̂( ) ̂( )
La dynamique de l’erreur d’estimation ( ) ( ) ̂( ) a pour expression :

̇( ) ( ) ( ) (III.6)

En utilisant une technique de placement de pôles, il suffit alors de choisir le gain de

l’observateur de telle sorte que les valeurs propres de la matrice ( ) soit dans le demi-
plan complexe gauche. Pour ce type d’observateur, une grande liberté est laissée au choix des
valeurs propres, mais en pratique on choisit une dynamique d’erreur plus rapide que celle du
processus. Cependant on ne peut les prendre infiniment grandes pour deux raisons essentielles
: on ne peut utiliser que des gains réalisables et l’augmentation de la bande passante du
reconstructeur ne permet plus de négliger les bruits qui deviennent prépondérants en hautes
fréquences [1].

Page 48
Chapitre III : Synthèse d'observateurs non linéaires

𝒖(𝒕)
+ 𝒙̇ (𝒕) 𝒚(𝒕)
B ∫ 𝒙(𝒕)
C

A
Système

̂̇(𝒕)
𝒙 ̂(𝒕) +
𝒚
+
B ∫ ̂(𝒕)
𝒙
C
-
-

+ A
+
Observateur K

Fig. III. 1. Schéma structurel de l'observateur de Luenberger.

Il faut noter qu’en présence de bruits la dynamique de l’erreur est régie par
l’équation :

̇( ) ( ) ( ) ( ) ( ) (III.7)

Cette erreur est donc sensible aux bruits par l’intermédiaire des deux fonctions de
transfert ( )− ( )− L’étude du gain fréquentiel permet de
quantifier l’influence des bruits sur l’erreur d’observation [10].

III.3.1.2 Filtre de Kalman

La théorie de l’observation de Kalman nécessite, quant à elle, la résolution d’une
équation de Riccati. Kalman utilise les propriétés statistiques des bruits et propose la
structure d’observateur suivante :

̂̇ ( ) ̂( ) ( ) ( ( ) ̂( )) (III.8)

Page 49
Chapitre III : Synthèse d'observateurs non linéaires

En minimisant la matrice de covariance de l’erreur d’estimation , ( ) ( ) - on

obtient l’expression du gain de l’observateur :

−
(III.9)
Où P est solution de l’équation de Riccati :
−
(III.10)

Sous certaines conditions, on peut montrer que la matrice tend vers une limite et que
le filtre est stable, ce qui permet éventuellement de conserver pour sa valeur en régime
permanent [15].

III.3.1.3 Observateur à entrée inconnue

La théorie d’observateur à entrée inconnue est applicable à la classe des systèmes
linéaires( ). Seulement cette fois, les entrées inconnues interviennent dans le modèle du
système :

̇( ) ( ) ( ) ( )
{ (III.11)
( ) ( )
Où ( ) est une entrée inconnue et est une matrice de rang plein de
dimension appropriée.
Pour le système ( ) on dit qu’un observateur est à entrée inconnue si l’erreur
d’estimation tend vers zéro en présence d’entrées inconnues. Sa structure est donnée par :

̇( ) ( ) ( ) ( )
{ (III.12)
̂̇ ( ) ( )
Où ( ) est le vecteur d’état de l’observateur et ̂( ) est le vecteur d’état
estimé du système, les matrices qui seront déterminées pour stabiliser
l’observateur et découpler les entrées inconnues. En posant , la dérivée de
l’erreur d’estimation par rapport au temps sera donnée par :

̇( ) ̇( ) ̂̇ ( )
̇( ) ( ) , ( )- ( ) , ( )- ( )
( ) ( ) , ( ) - ( ) (III.13)

Ainsi les conditions permettant le découplage de l’entrée inconnue sont :

( )

Page 50
Chapitre III : Synthèse d'observateurs non linéaires

Si ces conditions sont satisfaites alors l’erreur dynamique sera :

̇( ) ( )
Afin que l’erreur d’estimation tende asymptotiquement vers zéro, les valeurs propres de
F doivent être à partie réelle négative. Les conditions nécessaires et suffisantes pour
l’existence d’un tel observateur pour un système décrit par l’équation ( ) sont [15]:

 Rang (CE)  Rang (E)

 (C, ) est stable, ,( ) -− ( ) .

La première condition signifie que le nombre de lignes linéairement indépendantes de la

matrice C ne doit pas être inférieur au nombre de colonnes linéairement indépendantes de la
matrice, c'est-à-dire, le nombre de mesures indépendantes doit être supérieur ou égal au
nombre d’entrées inconnues à découpler [22].

III.3.2 Observateurs des systèmes non linéaires

III.3.2.1 Généralités sur les observateurs non linéaires

La nécessité d’obtenir un modèle précis du comportement d’un processus réel exige
souvent l’utilisation du formalisme non linéaire. Les modèles non linéaires obtenus
permettent une description exhaustive sur un large espace de fonctionnement, contrairement
aux modèles linéaires qui ont un caractère local [15].
Dans la pratique, l’étude des systèmes réels suppose l’accès aux variables décrivant
l’état du système pour la surveillance ou le contrôle des systèmes. Malheureusement, on
dispose rarement de mesures directes de ces variables d’état pour des raisons techniques,
financières ou autres. C’est la raison pour laquelle une estimation fiable des variables non
mesurées est nécessaire, particulièrement quand ces variables sont utilisées pour la
surveillance du processus réel, pour une synthèse des lois de commande ou pour un diagnostic
de fautes.
Pour réaliser la tâche de reconstruction des variables non disponibles, des solutions
théoriques performantes ont été développées, généralement basées sur un modèle
mathématique représentant le comportement du système réel en fonctionnement sain. Ainsi, la
construction d’un " capteur logiciel " souvent appelé observateur est réalisée afin de
Page 51
Chapitre III : Synthèse d'observateurs non linéaires

reconstruire les variables qui ne sont pas accessibles à la mesure [16].

D’une façon générale, les systèmes non linéaires dynamiques considérés peuvent être
décrits par une représentation d’état de la forme :

̇( ) ( ( ) ( ))
{ (III.14)
( ) ( ( ) ( ))

Où x représente le vecteur d’état, le vecteur d’entrée et représente le vecteur de

sortie du système. Les fonctions sont généralement non linéaires.
Conformément aux descriptions précédentes, un observateur ou un reconstructeur d’état
est un système dynamique qui permet d’obtenir une estimation de la valeur courante de l’état
non mesuré du système (III.14) à partir des informations disponibles : sorties y et entrées u du
système :

̇( ) ( ( ) ( ))
{ ̂( ) ( ( ) ( ) ( )) (III.15)
̂( ) ( ̂( ) ( ))

L’observateur (III.15) est un observateur global si l’erreur d’estimation d’état

( ) ( ) ̂( ) tend asymptotiquement vers zéro :

( ) ̂( )

Quelles que soient les conditions initiales ( ) du système non linéaire et de

l’observateur ( )
L’objectif dans la conception d’un observateur est de déterminer les fonctions
( ) ( ) qui assurent la convergence de l’erreur d’estimation d’état vers zéro [10].

III.3.2.2 Observateurs basés sur la structure MM

III.[Link] Etude des multi-observateurs

Un observateur est destiné à reconstruire entièrement ou partiellement le vecteur d’état
d’un système à partir des entrées connues, des sorties et du modèle dynamique de celui-ci.
Dans le cas des systèmes représentes par des multi-modèles, la conception d’un multi-
observateur suppose que les modèles locaux sont localement observables, c’est-à-dire que
toutes les paires (Ai , Ci ) sont observables. Divers approches ont état développées pour la
synthèse de multi-observateurs pour des multi-modèles avec et sans incertitudes. La synthèse
de multi-observateurs à multi-modèle a état également abordée par de nombreux travaux. Des
multi-observateurs robustes pour une classe de systèmes représentes par des multi-modèles

Page 52
Chapitre III : Synthèse d'observateurs non linéaires

incertain ont été développés et appliques pour le diagnostic des défauts.

Par la suite, nous proposons deux types de multi-observateur. Le premier est classique
et obtenu par interpolation de plusieurs observateurs locaux de type Luenberger, le deuxième
est un multi-observateur à mode glissant ou` des incertitudes paramétriques du modèle sont
considérés [11].

III.[Link] Structure de l’observateur basé sur la forme multi-modèle

La structure d’observateur - basée sur la structure multi-modèle - la plus utilisée dans la

littérature est une extension de celle de l’observateur de Luenberger proposée pour les
systèmes linéaires. Ce choix un système dynamique non linéaire représente par la structure
multi-modèle, compose de M modèles linéaires locaux, décrit par les équations suivantes :

̇( ) ∑ ( ( ))( ( ) ( ))
{ (III.16)
( ) ( )
Ou ( ) est le vecteur d’´état, ( ) est le vecteur d’entrées et ( )
représentée vecteur de sorties. Les matrices sont de dimensions
appropriées. ( ( ) sont les fonctions d’activation des modèles locaux et ( ) représente le
vecteur de variables de décision dépendant de variables mesurables.

On considère ici que la sortie est une fonction linéaire de l’état, mais cela ne constitue
pas une réduction majeure.
L’observateur proposé est inspiré de celui construit pour le cas linéaire, pour déterminer
les gains Li de l’observateur (III.17), une étude de stabilité du système générant l’erreur
d’estimation d’état doit être réalisée, cette erreur étant définie par la forme suivante :

̂̇( ) ∑ ( ̂( )) . ̂( ) ( ) ( ( ) ̂( ))/
{ (III.17)
̂( ) ̂( ) ( )
Ou ̂( ) représente le vecteur d’état estimé par le multi-observateur, ̂( ) est le vecteur
de sortie estimé et sont les gains de l’observateur à calculer.
Pour déterminer les gains de l’observateur (III.17), une étude de stabilité du système
générant l’erreur d’estimation d’état ( ) ( ) ̂( ) doit être réalisée. La dynamique
de l’erreur d’estimation d’état est gouvernée par une équation différentielle qui dépend des
variables de prémisse ( ) via les fonctions de pondération ( ( )) [10].
L’erreur d’estimation d’état est définie par l’équation suivante :

Page 53
Chapitre III : Synthèse d'observateurs non linéaires

̇( ) ̇( ) ̂( ) (III.18)

La dynamique de l’erreur d’estimation d’état s’explicite :

̇( ) ̇( ) ̂̇ ( ) ∑ ∑ ( ( )) ( ( ))( ) ( ) (III.19)

Si l’erreur d’estimation d’état converge asymptotiquement vers zéro, l’estimation des

vecteurs d’état converge asymptotiquement vers les vecteurs d’état du multi- modèles.

Théorème III.1: Le multi-observateur est asymptotiquement convergent, s’il existe une

matrice symétrique et des matrices avec sont symétriques et

pour i = j, vérifiant les inégalités suivantes :

( ) ( ) ; (III.20)

Ai −Gi Ci Aj −Gj Ci Ai −Gi Cj Aj −Gj Ci

( ) . / ; (III.21)
⋯ M
⋮ ⋱ ⋮ (III.22)
M ⋯ MM

La linéarisation de ces inégalités matricielles est obtenue facilement avec le changement

de variables Dans le cas où la sortie ( ) est linéaire, c’est-à-dire (
) les conditions de stabilité (III.20, III.21 et III.22) du multi-observateur se
simplifient comme suit [11]:

( ) ( ) (III.23)

III.[Link] Stabilité de l’erreur d’estimation d’état

Tenant compte de la définition de l’erreur d’estimation et des dynamiques de l’état et de

son estimé, ce système s’explicite :

̇( ) ∑ ( ( ))( ( ) ( )) ∑ ( ̂( ))( ̂( ) ( )
( )) (III.24)
La dynamique de l’erreur dépend de la connaissance des variables de prémisse :

( ) , ( ) ( ) ( )-
Intervenant dans les fonctions de pondération . Il existe deux possibilités selon que
Page 54
Chapitre III : Synthèse d'observateurs non linéaires

( ) est mesurable ou non.

La plupart des travaux concernant la conception de multi-observateurs d’état suppose
que les variables de prémisse sont connues(̂( ) ( )). Dans ce cas, le multi-observateur
utilise les mêmes variables de prémisse que le modèle. Ainsi, une factorisation par les
fonctions de pondération est possible dans l’évaluation de la dynamique de l’erreur et le
système devient :

̇( ) ∑ ( ( ))( ) ( ) (III.25)

En utilisant la méthode de Lyapunov et une fonction quadratique ( ( ))

( ) ( ) avec , [10] propose l’analyse de stabilité suivante :

Théorème III.2 : L’erreur d’estimation d’état converge asymptotiquement vers zéro s’il
𝑛 𝑛 𝑛 ℓ
existe une matrice P PT 0 et des matrices 𝐾𝑖 telles que les
conditions suivantes soient satisfaites :
𝑃𝐴𝑖 𝐴𝑇𝑖 𝑃 𝐾𝑖 𝐶 𝐶 𝑇 𝐾𝑖𝑇 𝑖 𝑟 (III.26)
Les gains de l’observateur sont obtenus à partir de l’équation :

𝐿𝑖 𝑃 − 𝐾𝑖 (III.27)

Cependant, pour un nombre élevé de sous-modèles , ces conditions (III.26) peuvent

être conservatrices dans le sens où il est difficile de trouver une matrice unique respectant
l’en- semble des conditions (III.26). Dans le cadre de l’analyse de stabilité, d’autres
techniques ont été proposées ensuite afin de réduire le conservatisme de ce résultat et
consistent à utiliser d’autres fonctions de Lyapunov, poly-quadratiques ou non quadratiques.
Ce dernier type de fonction fournit des conditions de stabilité exprimées en termes
d’inégalités matricielles bilinéaires (BMI) qui sont en général plus difficiles à résoudre que les
LMI [10].
Dans la suite, les travaux présentés dans ce mémoire se placent principalement dans le
cadre plus général et plus complexe des variables de décision non mesurables, cette situation
se retrouvant souvent dans les processus réels.
En analysant l’équation dynamique de l’erreur d’estimation d’état on remarque que les
résultats obtenus pour les variables de prémisse mesurables ne sont plus applicables du fait
que la forme de ce système est légèrement différente et contient les estimés des variables de
prémisse. Les résultats proposent des conditions de convergence d’estimation d’état vers zéro

Page 55
Chapitre III : Synthèse d'observateurs non linéaires

en se basant sur l’observateur de Luenberger [10].

Théorème III.3: L’erreur d’estimation d’état entre le modèle Takagi-Sugeno et

l’observateur converge asymptotiquement vers zéro, s’il existe des matrices 𝑄
𝑅𝑛 𝑛
, des matrices 𝐾𝑖 𝑅𝑛 𝑙
et un scalaire positif 𝛾 tels que :
𝑃𝐴𝑖 𝐴𝑇𝑖 𝑃 𝐾𝑖 𝐶 𝐶 𝑇 𝐾𝑖𝑇 𝑄 𝑖 𝑟 (III.28)

[ 𝑄 𝛾 𝐼 𝑃] (III.29)
𝑃

III.4 Méthodes de diagnostic à base d’observateurs

Cette approche s’appuie sur une bonne connaissance du modèle et de ses paramètres, et
nécessite l’intégration des diverses relations qui, contrairement aux relations de parité, sont
différentielles. Le diagnostic de défaut à base d’observateurs est basé sur le principe de
génération de résidus en comparant les grandeurs disponibles du système réel aux grandeurs
estimées (issues de l’observateur). L’état du système est reconstruit en se recalant à l’aide de
certaines mesures, le gain de l’estimateur dépendant des objectifs et des performances
désirées. Dans le cas des systèmes linéaires, la structure de base des reconstructeurs est
toujours la même, un modèle parallèle corrigé à l’à l’aide de l’erreur d’estimation multipliée
par un gain adéquat, mais dans le cas non linéaires le problème s’avère difficile.
En diagnostic, la construction d’observateur, est beaucoup plus complexe que ce qu’il
en est dans le cas de commande dans la mesure où les paramètres d’observateurs jouent un
rôle aussi sur la manière dont les défauts vont affecter les résidus. En plus d’assurer la
stabilité, ces paramètres doivent permettre de structurer les résidus afin de localiser les
défauts. Cependant, pour ce type de stratégie, si une anomalie apparaît, elle affecte en général
toutes les composantes des vecteurs résidus ; de ce fait, le problème de localisation est plus
complexe que ce qu’il en est dans le cadre de l’espace de parité. Pour résoudre ce problème,
une solution consiste à construire des bancs d’observateurs où chacun d’entre eux surveille un
défaut [19].

III.5 Principe de génération de résidus à base d’observateurs

Le principe de génération de résidu à base d’observateur consiste à estimer une partie ou
l’ensemble des grandeurs mesurables du système à surveiller. Le résidu est calculé alors en
faisant la différence, éventuellement filtrée, entre les sorties réelles et celles estimées.
L’observateur revient alors à un modèle parallèle au système avec une contre réaction qui

Page 56
Chapitre III : Synthèse d'observateurs non linéaires

pondère l’écart de sortie. Ce principe est illustré sur la figure (III.2). Cette approche offre des
propriétés très intéressantes car elle donne lieu à des résidus très flexibles et la souplesse, dans
le choix des paramètres, permet de s’affranchir de certaines entrées inconnues, améliorant
ainsi les caractéristiques des résidus telles que leur robustesse vis à vis des perturbations et
leur sensibilité aux défauts [16].

𝑓(𝑡)
𝑢(𝑡) 𝑦(𝑡)
Système
𝑟(𝑡)
Générateur
Observateur
de résidu

[Link].2. Schéma de principe du diagnostic des défauts à base d’observateurs.

III.6 Structuration et évaluation des résidus générés à base

d’observateur
Il est important d’obtenir une structure du résidu permettant son évaluation. Les résidus
doivent être produits, de manière que pour chaque défaut un ou un ensemble de résidus soient
affectés.
Cependant, même si l’apparition de défauts multiples est peu probable, les résidus
doivent être capables de situer chacun des défauts arrivant simultanément, en occurrence, il
devrait être garanti que le recouvrement des effets résultants de la combinaison des défauts ne
mène pas à une décision fausse, par exemple détection manquée d'un défaut ou mauvaise
isolation du défaut. Il existe plusieurs manières de définir les résidus structurés afin de
parvenir à une évaluation correcte du résidu. Les résidus structurés sont conçus de manière à
être chacun affecté par un sous ensemble de défaut et robuste (non affecté) par rapport aux
défauts restantes. Ainsi, lorsqu’une défaillance apparaît, seul un sous ensemble de résidus
réagit. Le résidu est dit structuré par rapport à un vecteur de défaillances s’il n’est affecté
que par les défaillances et s’il est robuste aux autres. Dans la littérature, on distingue trois
structures de génération de résidus à base d’observateur ou chacune est définie par n schéma
particulier [20].

Page 57
Chapitre III : Synthèse d'observateurs non linéaires

III.6.1 Structure d’observateurs simplifiés

Dans cette structure le banc est constitué d’un seul observateur. Il est synthétisé de
façon à n’être sensible qu’à un groupe de défauts. Dans le cas où un des défauts auquel il est
sensible apparaît alors les estimations seront faussées. Dans le cas contraires, elles seront
exactes [16].

𝑓(𝑡)
𝑢(𝑡) 𝑦(𝑡)
𝑟(𝑡)
Système Observateur

[Link].3. Structure d’observateur simple.

III.6.2 Structure d’observateurs dédiés (DOS)

Dans ce type de structure, il est question de construire autant d’observateur que de
défaut à détecter, chacun d’entre eux génère un résidu insensible à tous les défauts sauf un.
Ainsi, l'observateur recevant une mesure défaillante fournit une mauvaise estimation des
variables estimées, tandis que les estimations des autres observateurs convergent vers les
mesures des sorties correspondantes sauf sur la sortie erronée. Ce schéma reste valable même
dans le cas de plusieurs défauts simultanés [16].

𝑓(𝑡)
𝑢(𝑡) 𝑦(𝑡)

Système
𝑟 (𝑡)
Observateur sensible à 𝑓
𝑟 (𝑡)
Observateur sensible à 𝑓

𝑟𝑞 (𝑡)
Observateur sensible à 𝑓𝑞

[Link].4. Structure d’observateurs dédiés (DOS).

Page 58
Chapitre III : Synthèse d'observateurs non linéaires

Mais, si cette structure donne parfois des bons résultats sa conception reste très limitée
car elle ne permet pas de s’affranchir des entrées inconnues et des bruits.

III.6.3 Structure d’observateurs généralisés (GOS)

Dans ce genre de structure, il s’agit de synthétiser un certain nombre d’observateurs où
chacun d’entre eux étant insensibles à un seul défaut. Si un défaut apparaît alors, toutes les
estimations d’états seront erronées sauf celles issues de l’observateur insensible à ce seul
défaut. Ce schéma offre plus de degrés de liberté pour la conception de l'observateur et permet
d'augmenter la robustesse. Cependant, en plus de ne pas être généralement pas capables de
résoudre les problèmes de localisation des défauts, La problématique de cette approche reste
dans les interactions entre les sous-systèmes. En effet, si ces interactions sont faibles (voire
nulle), un défaut n'affectera que l'estimation de l'observateur local correspondant. Il est alors
possible de localiser le composant défaillant. En revanche, si les interactions sont grandes, un
défaut d'un des composants se propagera aux observateurs des autres composants [16].

𝑓(𝑡)
𝑢(𝑡) 𝑦(𝑡)

Système
𝑟 (𝑡)
Observateur insensible à 𝑓
𝑟 (𝑡)
Observateur insensible à 𝑓

𝑟𝑞 (𝑡)
Observateur insensible à 𝑓𝑞

[Link].5. Structure d’observateurs généralisée (GOS).

III.7 Génération de résidus

Pour détecter et isoler les défauts provenant des actionneurs nous allons utiliser la
structure GOS. On conçoit donc m observateurs. Chaque observateur va permettre de générer
un résidu qui soit insensible à un seul défaut et sensible à tous les autres défauts (Figure III.6).

Page 59
Chapitre III : Synthèse d'observateurs non linéaires

Les résidus sont liés par un opérateur mathématique aux différences entre les grandeurs
mesurées et leurs estimées c'est-à-dire :

( ) ( ̂( ) ( )) (III.30)

On recommande d’utiliser la norme de la différence entre la sortie estimée et la sortie

mesurée. Ce choix permet de faire une bonne isolation et détection de défauts. Dans notre cas
les états sont tous mesurables. Les résidus peuvent alors être définis en fonction des états par
:

( ) ‖ ̂( ) ( )‖ (III.31)

Lorsqu’un défaut survient, le résidu correspondant à l’actionneur en défaut reste à une

valeur nulle ou très faible, alors que les autres résidus prennent des valeurs plus grandes.
Ainsi si le actionneur est en défaut alors :
Pour

( ) (III.32)

Et pour

( ) (III.33)

Il est important de signaler que le défaut ne peut être détecté et isolé que lorsque on
atteint le régime permanent, car si le résidu est différent de zéro pendant le régime transitoire
cela peut correspondre simplement au fait que, les valeurs estimées n’ont pas encore
convergé vers leurs valeur réelles correspondantes [4].

𝑢(𝑡)
Système

Résidu insensible au
Observateur basé sur 𝑢 défaut agissant sur 𝑢

Résidu insensible au
Observateur basé sur 𝑢 défaut agissant sur 𝑢

Résidu insensible au
Observateur basé sur 𝑢𝑚 défaut agissant sur 𝑢𝑚

[Link].6. Structure GOS pour la détection et l’isolation de défauts actionneurs.

Page 60
Chapitre III : Synthèse d'observateurs non linéaires

III.7.1 Observateur multi-modèle en banc : schéma d’isolation

La localisation d’un défaut s’opère à partir de l’évaluation de résidus issus d’un banc
d’observateurs insensibles à l’une des composantes des perturbations (défauts) et sensibles
aux autres. Ont été parmi les premiers à proposer des structures de bancs d’observateurs de
Luenberger généralisés (GOS : Generalized Observer Scheme) ou dédiés (Dedicated
Observer Scheme). Dans le schéma généralisé, chacun des observateurs est insensible à un
seul défaut par contre dans le cas dédié, chacun des observateurs génère un résidu
insensible à tous les défauts sauf à un. La structure DOS définit une matrice d’incidence
équivalente à une matrice d’identité permettant l’isolation de multiples défauts simultanés,
chaque observateur étant insensible à (p + m − 1) défauts. La structure GOS définit une
matrice unitaire avec des termes diagonaux nuls conduisant à l’isolation d’un unique défaut,
une condition nécessaire selon laquelle le nombre de sorties est supérieur au nombre
d’entrées, doit être respectée.
Un banc de d’observateurs reconstruit le vecteur de sortie et le vecteur d’état par
autant d’observateurs qu’il y a d’entrées . Le observateur est piloté par toutes les
sorties et toutes les entrées exceptée la ( ). La détection et la localisation de défaut du
actionneur est effectuée en considérant l’entrée comme étant une entrée au système,
voir figure (III.7).

𝑈
𝑦
𝑈𝑖
Système
𝑈𝑝

𝑦̂
Observateur Ob 1
Logique
de
𝑦̂ décision
Observateur Ob i

𝑦̂
Observateur Ob N

[Link].7. Schéma de détection par Observateur.

Page 61
Chapitre III : Synthèse d'observateurs non linéaires

Dans le cas de défaut actionneur, la matrice de défaut est représentée par la

matrice . Supposons que celle-ci soit fixe quel que soit le point de fonctionnement
considéré, nous allons montrer comment l’observateur développé peut être utilisé en banc
pour effectuer une procédure de diagnostic. Soit le système suivant :

( , -[ ] )
∑ (III.34)

Avec :

∑ ( )
{
( ) , -
En dissociant la matrice de distribution des défauts actionneurs sous la forme :
, - avec la matrice égale à qui représente la colonne de , et la matrice
égale à ̅ qui est la matrice sans la ième colonne. La matrice , - fait office de
nouvelle matrice de distribution des perturbations à découpler et la matrice Représente
les défauts à détecter.
La restriction pour pouvoir estimer ces défauts actionneurs sera d’imposer que le
système puisse être représenté avec une unique matrice de commande quels que soient les
points de fonctionnement concernés.
L’observateur se présente de manière similaire à l’observateur de la seconde partie :

∑ [ ]
{ (III.35)
̂
Ou ̂ est l’estimation de l’état et z l’état de l’observateur. Les conditions d’existence
sont celles évoquées dans la seconde partie. L’estimation de l’amplitude du défaut est
extraite directement du observateur ( , -) qui est synthétisé de manière à
être insensible au défaut ( ). L’erreur d’estimation et le résidu sont décrits
par :
( )
{ (III.36)

Les conditions de détection des défauts sont les mêmes que celles évoquées lors
de la première partie. Un observateur produit une estimation du vecteur d’état, pour
générer un vecteur de résidus ̂ ( , -) indépendant de .Ceci
signifie que si et si quel que soit et .
L’isolation de défauts est réalisée par un banc de d'observateurs. Chaque vecteur

Page 62
Chapitre III : Synthèse d'observateurs non linéaires

des résidus ̂ , produit par le observateur, permet de détecter un défaut.

Une proposition d’isolation et d’estimation de défauts, en considérant uniquement des
défauts actionneurs (pas de perturbation) sur un système. Cette estimation d’amplitude de
défaut actionneur a été réalisée afin de permettre une accommodation en ligne de la loi de
commande. Nous verrons dans le prochain chapitre, comment l’incorporation des défauts
au sein de la loi de commande peut pallier les défaillances du système [17].

III.8 Conclusion
Dans ce chapitre nous avons présenté un état d’art sur les observateurs linéaires et non
linéaires en précisant la méthodologie de synthèse de quelques un d’entre eux. Tout d’abord
nous avons commencé par rappeler quelques définitions relatives à l’observabilité des
systèmes dynamiques, cette dernière s'avère difficile à vérifier lorsqu'il s'agit des systèmes
non linéaires et plus souvent on se contente de vérifier l’observabilité locale. Puis nous avons
présenté quelques observateurs linéaires et non linéaires. Chacun de ces observateurs est, la
plupart du temps, spécifique à un modèle mathématique particulier et répond à des conditions
propres à lui.
Non avons aussi vu la méthode de diagnostic par observateur ainsi que la génération des
résidus par observateur.

Page 63
 CHAPITRE IV :

APPLICATION SUR UN
SYSTEME
HYDRAULIQUE A
3 CUVES
Chapitre IV : Application sur systèmes hydraulique des 3 cuves

IV.1 Introduction
L'application qui suit est un exemple pratique mettant en avant un aspect plus
industriel avec une régulation de niveau autour de points de fonctionnement connus. Dans cet
application, le vecteur de sortie représente exactement le vecteur d’état. Nous allons appliquer
la méthode étudiée dans le chapitre précédent sur un procédé réel qui est un système
hydraulique en l'occurrence, les 3 cuves.

IV.2 Description du procédé

La méthode présentée dans le chapitre précédent est appliquée au système à 3 cuves. Le
système utilisé afin d’illustrer les performances de cette méthode est un benchmark
fréquemment utilisé dans le domaine de diagnostic, il est composé de trois cuves en série de
section identiques S. Ces cuves sont connectées entre elles par des tuyaux de section Sn avec
un coefficient d’écoulement µ13 =µ32. Deux pompes alimentent les cuves 1 et 2, ces pompes
sont commandées par des moteurs à courant continu. Les débits q1 et q2 avec ces pompes sont
définis par le calcul du flux par rotation et le vecteur d’entrée est , - . La sortie
d’évacuation est localisée sur la cuve 2, de même une section Sn et un coefficient
d’écoulement de sortie µ20. Les trois cuves sont équipées de capteurs de type capacitif pour
mesurer les niveaux des liquides (l1, l2, l3) et le vecteur de sortie y = [l1 l2 l3]. Ces capteurs
délivrent un signal de tension entre -10 et 10 V. La plus grande hauteur possible est notée
(voir tab IV.1) et le plus grand débit délivré par les deux pompes est noté q max (voir tab
IV.1).

[Link].1. Système hydraulique des 3 cuves [16].

Page 64
Chapitre IV : Application sur systèmes hydraulique des 3 cuves

[Link].2. Système hydraulique réel. [16]

Le système expérimental est équipé de capteurs et d’actionneurs qui communiquent via

une carte d’acquisition (DAC 6214) et un ordinateur. Deux convertisseurs D/A avec une
gamme de tensions comprises entre -10 et 10V sont utilisés pour commander les deux
pompes. Les données d’acquisition ont été acquises chaque seconde. Le but est de
commander le système autour de trois points de fonctionnement parfaitement connus. Aussi
sous l’hypothèse qu’en absence et en présence de défauts la condition : ( l1 > l2 > l3) soit
vraie. Trois points de fonctionnement ont été identifiés et les conditions opératoires sont
répertoriées dans le tableau (IV.2) [12].

Variable Symbole Valeur

Section de la cuve S 0.0154 m2
Section inter-cuve Sn 5 ×10-5 m2
Coefficient d’écoulement 3 3 0.5
Coefficient de sortie 0.6
Dédit maximum q max 2 × 10-4 m3 S -1
Niveau maximum l max 0.62 m

[Link].1. Paramètres du système des 3 cuves. [12]

Page 65
Chapitre IV : Application sur systèmes hydraulique des 3 cuves

Point de fonctionnement i=1 i=2 i=3

0.20 0.50 0.50
yi (m) 0.15 0.15 0.405
0.175 0.325 0.45
u i (m3 × s-1) ×10-5 1.7509 4.6324 2.4761
4.0390 1.1574 6.9787

[Link].2. Définition des points de fonctionnement.[12]

IV.3 Modèle mathématique du système

En utilisant les propriétés de conservation de la matière le système peut être représenté
avec les équations dynamiques de conservation de volume de liquide suivantes :
( )
( ) 3( )
( )
( ( ) 3 ( )) ( ) (IV.1)
( )
{ 3( ) 3 ( )

Où ( ) représente le débit du liquide de la cuve vers la cuve

qu’on peut exprimer en utilisant la loi de Torricelli par :

( ) ( ( ) ( )) √ | ( ) ( )| (IV.2)

Et ( ) représente le débit de sortie donnée par :

( ) √ ( ) (IV.3)

En utilisant l’expression ( ) et en tenant compte de la condition ( l1 > l2 > l3)

l'équations ( ) peuvent être réécrites comme suit :

( 3 √ ( 3) )
( 3 √ ( 3 ) √ ) (IV.4)
( √ ( 3) √ ( ))
{ 3 3 3

En posant ( ) , ( ) ( ) 3 ( )- et ( ) , ( ) ( )- le
système peut être représenté sous la forme non linéaire suivante :

̇( ) ( ( ) ( ))
{ (IV.5)
( ) ( )

Page 66
Chapitre IV : Application sur systèmes hydraulique des 3 cuves

Avec F est une fonction non linéaire exprimée da la façon suivante :

( ( ) ( ))
{ ( ( ) ( )) (IV.6)
3( ( ) ( ))

On suppose, et cela sans restreindre notre étude, que les niveaux des trois cuves
vérifient les inégalités suivantes ( ) 3 ( ) ( ) . En d’autres termes on donne un
sens particulier au débit inter cuves ( ) . Avec cette supposition on peut définir un modèle
non linéaire affine en la commande qui décrit parfaitement le système comme suite :
( )
̇ ( ) √ ( ) 3( )
( )
̇ ( ) 3√ 3( ) ( ) √ ( )
̇ 3( ) √ ( ) 3( ) 3√ 3( ) ( ) (IV.7)
( ) ( )
( ) ( )
{ 3( ) 3( )

Avec ( ) est le niveau du liquide de la cuve et ( ⁄ )( ⁄ ) √ .

Les deux signaux de commande ( ) ( ) sont respectivement les deux débits
d’entrée ( ) ( ).
Ainsi on peut définir le modèle en défaut comportant tous les défauts actionneurs
additifs abrupts par :
( )
̇ ( ) √ ( ) 3( )
( )
̇ ( ) 3√ 3( ) ( ) √ ( )
̇ 3( ) √ ( ) 3( ) 3√ 3( ) ( ) (IV.8)
( ) ( )
( ) ( )
{ 3( ) 3( )

IV.4 Représentation du système non linéaire sous forme multi-

modèles
Comme nous l’avons vu au chapitre 2, un système non linéaire peut être représenté sous
forme multi-modèles. Cette représentation peut être obtenue soit par identification,
linéarisation autour de plusieurs points de fonctionnement ou par transformation d’un système
non linéaire affine en la commande. Ici dans notre exemple nous allons opter à la linéarisation
du système, par développement en série de Taylor à L’ordre 1, autour des 3 points de
fonctionnement déjà identifiés précédemment (voir tableau IV.2) en les considérant comme
des points d’équilibre afin d’avoir une linéarisation exacte du système non linéaire.

Page 67
Chapitre IV : Application sur systèmes hydraulique des 3 cuves

 Linéarisation par développement de Taylor à l’ordre_1

Considérons la représentation d’état (IV.5) qui reflète le comportement dynamique de

notre système non linéaire. Cette équation peut être linéarisée autour du ième point de
fonctionnement par développement de Taylor à L’ordre 1, en supposant les ordres supérieurs
négligeables :
( ) ( )
| | (IV.9)

Ou , - .Chaque point de fonctionnement est défini par la paire de signaux

d’entrée et de l’état ( ). Autour du ième point de fonctionnement, le système est décrit
selon la représentation d’état suivante :
̇( ) ( ) ( )
{ (IV.10)
( ) ( )

D’où la représentation multi-modèle du système non linéaire est :

̇( ) ∑3 ( ( ))( ( ) ( ))
{ (IV.11)
( ) ( )

 Pour le point de fonctionnement_1 :

3

−5 3 − −5 3 −

 Pour le point de fonctionnement_2 :

3
−5 3 − −5 3 −

 Pour le point de fonctionnement_3 :

3
−5 3 − −5 3 −

3 3

Page 68
Chapitre IV : Application sur systèmes hydraulique des 3 cuves

On remarque que 3 (du système lui-même).

Donc le multi-modèle est exprimé par :

̇( ) ( ( ) ( )) ( ( ) ( )) 3( 3 ( ) ( ))
{
( ) ( )
(IV.12)

IV.5 Résultats et commentaires

Les simulations ont été réalisées avec les 3 modes opératoires décrits dans le tableau
(IV.2). Le but est de réguler le système autour de 3 points de fonctionnement. Aussi, 3
modèles linéaires ont été déterminés autour de chacun de ces points de fonctionnement.
Chaque modèle linéaire est décrit par une représentation d’état discrète avec une période
d’échantillonnage : les modèles numériques sont donnés par :

 Point de fonctionnement_1 :

 Point de fonctionnement_2 :

 Point de fonctionnement_3 :

3 3

Pour chaque point de fonctionnement, chaque paire de matrices ( )

est commandable sous l’hypothèse que malgré l’occurrence d’un défaut,
la propriété ( l1 > l2 > l3) est conservée. Dans le cadre de notre étude, le vecteur d’état est
directement mesurable à partir des sorties. Les régulateurs nominaux ont été synthétisés
d’après la stratégie proposée dans le chapitre(III), amenant les matrices de retour d’état K1,
K2, (dû au fait qu’il y a 2 actionneurs) pour les 3 points de fonctionnement dans le but de
satisfaire aux performances (commandabilité, stabilité) du système. Les fonctions de
pondération pour chaque modèle local sont représentées dans la figure (IV.3).

a) En l'absence de défaut:
Las simulations ont été réalisées en l'absence de défaut en atteignant les 3 conditions
opératoires mentionnées dans la Table.

Page 69
Chapitre IV : Application sur systèmes hydraulique des 3 cuves

∑3 (IV.15)

Ou est une variable de séquencement associée à chaque mode opératoire générée dans le
cadre de cette étude en BO, telle que pour

(IV.16)
. ( 5 ( −5 ))/

( ( )) (IV.17)
. (− 5 ( −5 ))/

3
(IV.18)

La figure suivante représente l'évolution des fonctions de pondération

Page 70
Chapitre IV : Application sur systèmes hydraulique des 3 cuves

Les fonctions d'activations

1.2

Fct-1
0.8
Fct-2

Fct-3
Amplitude

0.6

0.4

0.2

-0.2
0 0.5 1 1.5 2 2.5 3 3.5 4
temps (s) x 10
4

Fonction d'activation m1
1
Amplitude (a)

m1
0.5

0
0 0.5 1 1.5 2 2.5 3 3.5 4
temps (s) x 10
4

Fonction d'activation m2
1
Amplitude (b)

0.5 m2

0
0 0.5 1 1.5 2 2.5 3 3.5 4
temps (s) x 10
4

Fonction d'activation m3
1
Amplitude (c)

0.5 m3

0
0 0.5 1 1.5 2 2.5 3 3.5 4
temps (s) x 10
4

[Link].3. Evolution des Fonctions de pondération.

Sont des fonctions probabilistiques qui valident le fonctionnement de chaque sous

modèle linéaire autour d'un point de fonctionnement.

La figure suivante représente l'évolution des sorties et des entrées du système non linéaire.

Page 71
Chapitre IV : Application sur systèmes hydraulique des 3 cuves

-4 Fig.4.a : l'entrée Q1
x 10
1
)
3
débit (m

0.5 Q1

0
0 500 1000 1500 2000 2500 3000 3500 4000
temps (s)

-5 Fig.4.b : l'entrée Q2
x 10
8
)

6
3
débit (m

4
Q2
2

0
0 500 1000 1500 2000 2500 3000 3500 4000
temps (s)
Fig.4.c : Systéme Non Linéaire
0.8
hauteur ( m )

0.6 y1
0.4 y2
0.2
y3
0
0 500 1000 1500 2000 2500 3000 3500 4000
temps (s)

[Link].4. Evolution des sorties et des entrées du système non linéaire.

La figure 4.a : Représente l'évolution de la 1er composante de l'entrée (Q1).

- , u1= 1.7509 * 10-5
- , u1= 4.6324 * 10-5
u1= 2.4761 * 10-5

La figure 4.b : Représente l'évolution de la 2 ème composent de l'entrée (Q2).

- , u2 = 4.0390 * 10-5
- , u2 = 1.1574 * 10-5
u2 = 6.9787 * 10-5

La figure 4.c : représente l'évolution des sorties et des états du système. On remarque
que le système évolue d'une manière non linéaire car à chaque fois qu'on change l'entrée de
commande, il y a une variation immédiate de la sortie.

Page 72
Chapitre IV : Application sur systèmes hydraulique des 3 cuves

Systéme Non Linéaire

0.8

0.7

0.6 y1
y2
hauteur ( m )

0.5 y3

0.4

0.3

0.2

0.1
0 500 1000 1500 2000 2500 3000 3500 4000
temps (s)

[Link].4.c. Evolution des sorties du système non linéaire.

Cette figure suivante représente l'évolution des sorties simulées et observées des sous-
systèmes linéaires.

a) : Système 1 avec observateur

0.8
y1
Amplitude (a)

0.6 y2
y3
0.4
y1-Obs
0.2 y2-Obs
y3-Obs
0
0 200 400 600 800 1000 1200 1400 1600 1800 2000
temps (s)
b ) : Système 2 avec observateur
1.5
y1
Amplitude (b)

1 y2
y3
y 1-Obs
0.5 y 2-Obs
y 3-Obs
0
0 200 400 600 800 1000 1200 1400 1600 1800 2000
c ) : Système 3 avec observateur temps (s)
1
y1
Amplitude (c)

y2
y3
0.5
y 1-Obs
y 2-Obs
y 3-Obs
0
0 200 400 600 800 1000 1200 1400 1600 1800 2000
temps (s)

[Link].5. Evolution des sorties simulées et observées des sous-systèmes linéaires.

Page 73
Chapitre IV : Application sur systèmes hydraulique des 3 cuves

Les figures (5.a), (5.b) et (5.c): représente l'évolution des sortie des sous-systèmes
linéaires avec les observateurs des systèmes non linéaire obtenus par linéarisation du système
non linéaire autour des trois (03) points de fonctionnement distincts.

On remarque que l'observateur calculé converge pour chaque sous-système.

a ) : Système 1 avec observateur

0.45

0.4

0.35
y1
0.3 y2
y3
Amplitude

0.25
y1-obs
y2-obs
0.2
y3-obs

0.15

0.1

0.05

0
0 200 400 600 800 1000 1200 1400 1600 1800 2000
temps (s)

[Link].5.a. Evolution des sorties du sous-système_1 et observée.

b ) : Système 2 avec observateur

1.4

1.2

1 y1
y2
y3
Amplitude

0.8

y1-obs
y2-obs
0.6
y3-obs

0.4

0.2

0
0 200 400 600 800 1000 1200 1400 1600 1800 2000
temps (s)

[Link].5.b. Evolution des sorties du sous-système_2 et observée.

Page 74
Chapitre IV : Application sur systèmes hydraulique des 3 cuves

c ) : Système 3 avec observateur

0.9

0.8

0.7

y1
y2
0.6

y3
Amplitude

0.5
y1-obs
0.4 y2-obs
y3-obs
0.3

0.2

0.1

0
0 200 400 600 800 1000 1200 1400 1600 1800 2000
temps (s)

[Link].5.c. Evolution des sorties du sous-système_3 et observée.

La figure suivante représente l'évolution des sorties du multi-modèle avec observateur.

a ) : Sortie de MM-1 avec obs

1
Amplitude ( a)

y1-MM-1
0.5
y1-MM-1 avec obs

0
0 0.5 1 1.5 2 2.5 3 3.5 4
b ) : Sortie de MM-2 avec obs temps (s) x 10
4

0.8
Amplitude ( b)

0.6
y2-MM-2
0.4
y2-MM-2 avec obs
0.2

0
0 0.5 1 1.5 2 2.5 3 3.5 4
temps (s) x 10
4

c ) : Sortie de MM-3 avec obs

0.8
Amplitude ( c)

0.6
y3-MM-3
0.4
y3-MM-3 avec obs
0.2

0
0 0.5 1 1.5 2 2.5 3 3.5 4
temps (s) 4
x 10

[Link].6. Evolution des sorties du multi-modèle avec observateur.

Page 75
Chapitre IV : Application sur systèmes hydraulique des 3 cuves

Les figures (6.a), (6.b) et (6.c): représentent respectivement l'évolution des sorties du
multi-modèle avec son observateur associé. On remarque une légère différence des sorties du
multi-modèle avec celles du système non linéaire au régime transitoire.
On remarque aussi, que ses sorties convergent les unes vers les autres avant d'atteindre
le régime permanent, et ceci revient au choix du nombre de points de fonctionnements.

a ) : Sorties du MM-1 avec observateur

0.9

0.8

0.7

0.6

MM-1
Amplitude

0.5
MM-1 avec obs et m1

0.4

0.3

0.2

0.1

0
0 0.5 1 1.5 2 2.5 3 3.5 4
temps (s) 4
x 10

[Link].6.a. Evolution des sorties du multi-modèle_1 avec observateur.

b ) : Sorties du MM-2 avec observateur

0.8

0.7

0.6

MM-2
0.5
MM-2 avec obs et m2
Amplitude

0.4

0.3

0.2

0.1

0
0 0.5 1 1.5 2 2.5 3 3.5 4
temps (s) 4
x 10

[Link].6.b. Evolution des sorties du multi-modèle_2 avec observateur.

Page 76
Chapitre IV : Application sur systèmes hydraulique des 3 cuves

c ) : Sorties du MM-3 avec observateur

0.8

0.7

0.6

MM-3
0.5
MM-3 avec obs et m3
Amplitude

0.4

0.3

0.2

0.1

0
0 0.5 1 1.5 2 2.5 3 3.5 4
temps (s) x 10
4

[Link].6.c. Evolution des sorties du multi-modèle_3 avec observateur.

b) En présence d'un défaut actionneur :

Cette figure suivante représente l'évolution des sous-systèmes linéaires en présence d'un
défaut actionneur.

a ) : Système 1 avec défaut actionner

1
Amplitude ( a )

y1
y2
y3
0.5
y1-obs
y2-obs
y3-obs
0
0 200 400 600 800 1000 1200 1400 1600 1800 2000
b ) : Système 2 avec défaut actionner temps (s)
1.5
Amplitude ( b )

y1
1 y2
y3

0.5 y1-obs
y2-obs
y3-obs
0
0 200 400 600 800 1000 1200 1400 1600 1800 2000
c ) : Système 2 avec défaut actionner temps (s)
1.5
Amplitude ( c )

y1
1 y2
y3
y1-obs
0.5
y2-obs
y3-obs
0
0 200 400 600 800 1000 1200 1400 1600 1800 2000
temps (s)

[Link].7. Evolution des sorties des sous-systèmes linéaires en présence

d'un défaut actionneur.

Page 77
Chapitre IV : Application sur systèmes hydraulique des 3 cuves

Les figures (7.a), (7.b) et (7.c): représente respectivement l'évolution des sorties du
sous-système linéaire et de leur observateur en présence d'un défaut actionneur généré à
l'instant t= 200 .
En remarque une variation brusque des sorties à l'instant de l'apparition du défaut,ceci
signfie que les sorties du système sont sensibles au défaut actionneur.

a ) : Système 1 avec observateur de Défaut Actionner

0.9

0.8

0.7
y1

0.6
y2
y3
Amplitude

0.5 y1-obs
y2-obs
0.4
y3-obs

0.3

0.2

0.1

0
0 200 400 600 800 1000 1200 1400 1600 1800 2000
temps (s)

[Link].7.a. Evolution des sorties de sous-système linéaires _1_ en

présence d'un défaut actionneur.

b ) : Système 2 avec observateur de Défaut actionner

1.4

1.2

y1
1
y2
y3
Amplitude

0.8
y1-obs
y2-obs
0.6
y3-obs

0.4

0.2

0
0 200 400 600 800 1000 1200 1400 1600 1800 2000
temps (s)

[Link].7.b. Evolution des sorties de sous-système linéaires _2_ en

présence d'un défaut actionneur.

Page 78
Chapitre IV : Application sur systèmes hydraulique des 3 cuves

c ) : Système 3 avec observateur de Défaut Actionner

1.4

1.2

1 y1
y2
y3
Amplitude

0.8

y1-obs

0.6 y2-obs
y3-obs

0.4

0.2

0
0 200 400 600 800 1000 1200 1400 1600 1800 2000
temps (s)

[Link].7.c. Evolution des sorties de sous-système linéaires _3_

en présence d'un défaut actionneur.

 Simulation et Evolution des résidus d'un défaut actionneur :

Résidus des défauts actionneur

0.25

0.2
r1
r2
r3
0.15
Amplitude

0.1

0.05

0
0 200 400 600 800 1000 1200 1400 1600 1800 2000
temps (s)

[Link].8 Evolution des résidus d'un défaut actionneur.

Page 79
Chapitre IV : Application sur systèmes hydraulique des 3 cuves

c) En présence d'un défaut capteur :

La figure suivante représente l'évolution des sous-systèmes linéaires en présence d'un

défaut capteur.

a ) : Système 1 avec défaut capteur

0.8
y1
Amplitude(a)

0.6 y2
y3
0.4
y1-Obs

0.2 y2-Obs
y3-Obs
0
0 200 400 600 800 1000 1200 1400 1600 1800 2000
b ) : Système 2 avec défaut capteur temps (s)
1.5
Amplitude(b)

y1
1 y2
y3
y1-Obs
0.5
y2-Obs
y3-Obs
0
0 200 400 600 800 1000 1200 1400 1600 1800 2000
temps (s)
c ) : Système 3 avec défaut capteur
1
Amplitude(c)

y1
y2
y3
0.5
y1-Obs
y2-Obs
y3-Obs

0
0 200 400 600 800 1000 1200 1400 1600 1800 2000
temps (s)

[Link].9. Evolution des sorties des sous-systèmes linéaires en présence

d'un défaut capteur.

Les figures (9.a), (9.b) et (9.c): représente respectivement l'évolution des sorties des
sous-systèmes linéaire de leurs observateurs en présence d'un défaut capteur génére à l'instant
t=500 . Les défauts capteurs ne sont pas appliquées simultanément.
Qu'on applique un défaut sur le capteur-1 on remarque uniquemet une variation brusque
de la première sortie, ceci signifié que le défaut appliqué sur le capteur-1, affecte uniquement
la première sortie.
Qu'on applique un défaut sur le capteur-2 on remarque uniquemet une variation brusque
de la deuxième sortie, ceci signifié que le défaut appliqué sur le capteur-2, affecte uniquement
la deuxiéme [Link] remarque une variation brusque des sorties à l'instant de l'apparition du
défaut,ceci signfie que les sorties du système sont sensibles au défaut capteur.

Page 80
Chapitre IV : Application sur systèmes hydraulique des 3 cuves

Qu'on applique un défaut sur le capteur-3 on remarque uniquemet une variation brusque
de la troisiéme sortie, ceci signifié que le défaut appliqué sur le capteur-3, affecte uniquement
la troisiéme [Link] remarque une variation brusque des sorties à l'instant de l'apparition du
défaut,ceci signfie que les sorties du système sont sensibles au défaut capteur.

a ) : Système 1 avec observateur de Défaut capteur

0.7

0.6

y1
0.5 y2
y3
y1-Obs
Amplitude

0.4
y2-Obs
y3-Obs
0.3

0.2

0.1

0
0 200 400 600 800 1000 1200 1400 1600 1800 2000
temps (s)

[Link].9.a. Evolution des sorties de sous-système linéaires _1_ en

présence d'un défaut capteur.

b ) : Système 2 avec observateur de Défaut capteur

1.4

1.2

1 y1
y2
y3
Amplitude

0.8

y1-Obs

0.6
y2-Obs
y3-Obs

0.4

0.2

0
0 200 400 600 800 1000 1200 1400 1600 1800 2000
temps (s)

[Link].9.b. Evolution des sorties de sous-système linéaires _2_ en

présence d'un défaut capteur.

Page 81
Chapitre IV : Application sur systèmes hydraulique des 3 cuves

c ) : Système 3 avec observateur de Défaut capteur

1

0.9

0.8
y1
0.7 y2
y3
0.6
y1-Obs
Amplitude

0.5 y2-Obs
y3-Obs
0.4

0.3

0.2

0.1

0
0 200 400 600 800 1000 1200 1400 1600 1800 2000
temps (s)

[Link].9.c. Evolution des sorties de sous-système linéaires _3_ en

présence d'un défaut capteur.

Résidus des défauts applique de 1er capteur

0.06

0.04

r1
0.02 r2
r3
Amplitude

-0.02

-0.04

-0.06

-0.08
0 200 400 600 800 1000 1200 1400 1600 1800 2000
temps (s)

[Link].10. Evolution des Résidus des défauts applique sur 1er capteur.

Page 82
Chapitre IV : Application sur systèmes hydraulique des 3 cuves

Résidus des défauts applique de 2éme capteur

0.12

r1
0.1
r2
r3
0.08
Amplitude

0.06

0.04

0.02

0
0 200 400 600 800 1000 1200 1400 1600 1800 2000
temps (s)

[Link].11. Evolution des Résidus des défauts applique au 2 éme capteur.

Résidus des défauts applique de 3éme capteur

0.025

r1
0.02
r2
r3

0.015
Amplitude

0.01

0.005

0
0 200 400 600 800 1000 1200 1400 1600 1800 2000
temps (s)

[Link].12. Evolution des Résidus des défauts applique au 3 éme capteur.

Page 83
Chapitre IV : Application sur systèmes hydraulique des 3 cuves

IV.6 Conclusion
Dans ce chapitre, nous avons appliqué l'approche multi-modèle à base d'observateur
pour la reconstruction des défauts actionneurs et capteur du système à trois réservoirs. Ceci
est illustré par des simulations. Nous avons effectué un diagnostic sans et avec défauts
(actionneurs et capteurs) basée sur une approche multi-modèles en l'appliquant sur un système
non linéaire réel qui est le procédé hydraulique des 3 cuves. L'efficacité et les performances
du diagnostic ont été illustrées, ainsi les résultats obtenus illustrent la stratégie de défauts
appliquée aux systèmes non linéaires représentés par des multi-modèles.

Page 84
CONCLUSION
GENERALE
Conclusion générale

Conclusion générale
Dans notre travail nous avons abordé le problème de diagnostic des systèmes non
linéaire représentés par approche multi-modèle.
L'approché multi-modèle a été choisie pour les nombreux avantages qu'elle apporté
au niveau de l'analyse de stabilité et de la synthèse de contrôleurs/observateurs. Cette
structure a fait l’objet de nombreuses études dans différents domaines comme l’identification,
la commande ou l’estimation d’état.

L'essentiel de notre travail a été l'application d'un observateur multi-modèle pour le

diagnostic d'un système non linéaire, en l'occurrence un système à trois cuves
Non avons illustré cette stratégie par des simulations des méthodes proposée dans le
cas sans défaut, et dans le cas avec présence de défauts (actionneur et capteur).
Les résultats obtenus s'avèrent satisfaisants vu la stabilité du système en présence des
défauts.
L'observateur calculée converge parfaitement vers les sorties du système en présence
et sans présence de défauts.
Comme perspectives en propose de synthétiser d'autres observateurs de type multi-
modèle à entrée inconnue et multi-modèle à filtre de kalman pour la génération de résidus en
vue d'une étude comparative de ces approches.

Page 85
Références bibliographiques

Références bibliographiques

[1] : AKHENAK. Abdelkader. « Conception d’observateurs non linéaires par approche

multi-modèle : application au diagnostic ». Thèse de Doctorat, Institut National
Polytechnique de Lorraine, 2004.
[2] : A.N. Venkat, P. Vijaysai, et R.D. Gudi. « Identification of complex nonlinear processes
based on fuzzy decomposition of the steady state space». Journal of Process Control,
13(6) :473–488, 2003.
[3] : CHADLI. Mohammed. « Stabilité et Commande de Systèmes décrits par des
Multimodèles ». Thèse de Doctorat, Université Henri Poincaré, Nancy I, 2002.
[4] : Dalil Ichalal1, Benoît Marx1, José Ragot1, Didier Maquin1. « Diagnostic des systèmes
non linéaires par approche multi-modèle ». Manuscrit auteur, publié dans "Workshop
Surveillance, Sûreté et Sécurité des Grands Systèmes, 3SGS'08, Troyes : France (2008)".
[5] : ICHALAL. Dalil . « Estimation et diagnostic de systèmes non linéaires d´écrits par un
modèle de Takagi -Sugeno ». Thèse de Doctorat, Institut National Polytechnique de
Lorraine, 2009.
[6] : JOIN. Cédric. « Diagnostic des systèmes non linéaires Contribution aux méthodes de
découplage ». Thèse de Doctorat, Université Henri Poincaré, Nancy I, 2002.
[7] : K. Gasso. « Identification des systèmes dynamiques non-linéaires : approche multi-
modèle ». Thèse de Doctorat, Institut National Polytechnique de Lorraine, 2000.
[8] : LAMINE.M, GOUDJIL.B. « Diagnostic et reconfiguration d’une loi de commande par
approche multi-modèles : application sur un procédé réel ». Thèse d’ingénieur,
Université Mouloud Mammeri de Tizi-Ouzou, 2007.
[9] : MEDINA. Manuel Adam. « Diagnostic de défauts des systèmes à représentation multi-
modèle linéaire invariant dans le temps ». Thèse de Doctorat, Université Henri Poincaré,
Nancy I, 2004.
[10] : NAGY KISS. Anca Maria. « Analyse et systèmes de multi-modèles pour le diagnostic.
Application à une station d’épuration ». Thèse de Doctorat, Institut National
Polytechnique de Lorraine, 2010.
[11] : OUDGHIRI. Mohammed. « Commande multi-modelés tolérante aux défauts :
Application au contrôle de la dynamique d’un véhicule automobile ». Thèse de Doctorat,
Université De Picardie Jules Verne, 2008.
[12] : RODRIGUES. Mickaël. « Diagnostic et commande active tolérante aux défauts
appliqués aux systèmes décrits par des multi-modèles linéaires ». Thèse de Doctorat,
Université Henri Poincaré, Nancy I, 2005.

Page 86
Références bibliographiques

[13] : Rodolfo ORJUELA, Didier MAQU I N et José RAG OT. « Identification des systèmes
non linéaires par une approche multi-modèle à états découplés ». Journées Identification
et Modélisation Expérimentale JIME’2006 – 16 et 17 novembre – Poitiers.
[14] : Rodolfo Orjuela, Benoît Marx, José Ragot et Didier Maquin. « Une approche multi-
modèle pour le diagnostic des systèmes non linéaires». Publié dans " 2ème Workshop
Surveillance, Sûreté et Sécurité des Grands Systèmes, 3SGS'09, Nancy : France (2009) ".
[15] : Rodolfo Orjuela, Benoît Marx, José Ragot et Didier Maquin. « Conception
d’observateurs robustes pour des systèmes non linéaires incertains : une stratégie multi-
modèle». Thèse de Doctorat de l’Université Henri Poincaré, Nancy I, 2005.
[16] : NAIT SLIMANI Boukhalfa. « Synthèse d’observateurs non linéaires : Application au
diagnostic de défauts ». Thèse de Magister, Université Mouloud Mammeri de Tizi-
Ouzou, Alger, 2007.
[17] : ORJUELA Rodolfo. « Contribution à l’estimation d’état et au diagnostic des systèmes
représentes par des multimodèles ». Thèse de Doctorat, Institut National Polytechnique
de Lorraine, 2008.
[18] : IKNI Samir. « Diagnostic de pannes et commande tolérante aux fautes d’un robot
manipulateur télé-opéré ». Thèse de Magistère, Université de Batna, Alger, 2010.
[19] : T. F. LOOTSMA. « Observer-based Fault Detection and Isolation for Nonlinear
systems ». Thèse de Doctorat, Department of Control Engineering, Université Aalborg,
Denmark, 2001.
[20] : O. ADROT. « Diagnostic à base de modèles incertains utilisant l’analyse par
intervalles : l’approche bornant ». Thèse de Doctorat, Institut National Polytechnique de
Lorraine, 2004.
[21] : A. ZEMOUCHE. « Sur l’observation de l’état des systèmes dynamiques non linéaires ».
Thèse de Doctorat, Université Louis Pasteur Strasbourg I, 2007.
[22] : E. CHERRIER. « Estimation de l’état et des entrées inconnues pour une classe de
systèmes non linéaires ». Thèse de Doctorat, Institut National Polytechnique de Lorraine,
2006.
[23] : [Link]. « process fault Detection Based on Modeling and Estimation Methods ».
Automatic, volume 20, p 387-404, année 1984.
[24] T.M. Laleg . « Contribution aux Méthodes de Diagnostic à Base d’Observateurs et à la
Commande Tolérante aux Défauts : Application à la machine Asynchrone et au Robot
SCARA ». Thèse d’Ingéniorat, ENP d’Alger, 2004.
[25] : K. Tanaka, T. Ikeda et Y. Y. He. « Fuzzy regulators and fuzzy observers: relaxed
stability conditions and LMI-based design ». IEEE Trans. Fuzzy Systems, Vol. 6 (1), pp.
250-256, 1998.
[26] : L. ZETAO. « Contrebutions à l’élaboration d’algorithme d’isolation et d’identification
de défaut dans un système non linéaires ». Thèse de Doctorat, Institut national des
sciences appliquées de Toulouse, 2006.

Page 87
Annexe

Annexe
Définissons quelques notions utiles dans la description d’un MM [10]:

 Un espace de fonctionnement : est un espace vectoriel à l’intérieur duquel les

variables d’un système évoluent (tenant éventuellement compte des bornes sur les variables).

 Une zone de fonctionnement : est un domaine issu du partitionnement de

l’espace de fonctionnement du système.

 Un sous-modèle (ou sous-système) : est un modèle généralement simple de

structure quel- conque, mais souvent linéaire et/ou affine, qui représente le comportement du
système non linéaire dans une zone de fonctionnement spécifique.

 Une autre notion liée à ces fonctions est la notion de variable de prémisse (ou

décision). Ce nom est attribué à la variable ( ) intervenant dans les fonctions de

pondération ( ( )) . Cette variable peut englober une ou plusieurs variables internes ou
externes du système. Ces variables peuvent être soit accessibles à la mesure en temps réel (des
signaux d’entrée du système ou même des variables d’état mesurables), soit inaccessibles à la
mesure (des variables d’état non mesurables). Retenons que la variable de prémisse
z : est une variable vectorielle :

 Une fonction de pondération : est une fonction, notée en général

( ( )) qui dépend des variables internes et/ou externes du système non-linéaire
(variables de prémisse). Ces fonctions sont choisies en général de façon à vérifier la propriété
de somme convexe :

∑ ( ( )) ( ( ))

Page 88
 MEMOIRE DE FIN D’ETUDES EN VUE DE L’OBTENTION DU DIPLÔME
DE MASTER EN GENIE ELECTRIQUE

SPECIALITE : AUTOMATIQUE

Proposé et dirigé par : - Mr. OUBABAS Hocine

Présenté par : - BOULAREM Adel

Thème :

DIAGNOSTIC DES SYSTEMES NON LINEAIRE

REPRESENTES PAR MULTI-MODELE
Résumé :

Les sciences de l’ingénieur font largement appel aux modèles non linéaires pour décrire
les comportements dynamiques des systèmes physiques réels. Ces modèles peuvent cependant
s’avérer difficiles à obtenir et/ou à manipuler dans un objectif d’identification, de commande
ou de diagnostic.
Les multi-modèles offrent une alternative intéressante pour contourner ces difficultés car
ils permettent de prendre en compte la présence de plusieurs modes de fonctionnement. Notre
travail consiste en la synthèse d’une stratégie de diagnostic à base d’observateurs pour des
systèmes non linéaires représenté par multi-modèle. Cette stratégie de diagnostic sera illustrée
en considérant le modèle du système hydraulique à 3 réservoirs couplés, un procédé de nature
non linéaire largement répondu dans le domaine du génie-électrique.

Mots clés :

Diagnostic, multi-modèle, systèmes non linéaires, observateur, estimation d’état,

détection et localisation des défauts.

N° d’ordre : 067