b.
Filtre de Kalman
Le filtre de Kalman est utilisé pour estimer les états d’un système en présence de bruit. Il fournit
une estimation optimale des états, et les résidus issus du filtre de Kalman peuvent être analysés
pour détecter des défauts.
c. Analyse de parité
L’analyse de parité consiste à exploiter les redondances analytiques entre les équations du système
pour générer des résidus de parité. Elle utilise des équations d’équilibre qui devraient être nulles en
conditions normales et dévient en cas de défaut.
Par exemple, pour un système décrit par un modèle de sortie y(t)=Cx(t)+Du(t)y(t) = C x(t) + D
u(t)y(t)=Cx(t)+Du(t), on peut écrire une relation de parité :
Py(t)=P(Cx(t)+Du(t))P y(t) = P (C x(t) + D u(t))Py(t)=P(Cx(t)+Du(t))
où PPP est une matrice de parité qui annule les contributions en l’absence de défaut.
4. Exemple d’application : diagnostic d’un système de motorisation
Prenons l’exemple d’un moteur contrôlé par une entrée u(t)u(t)u(t) (ex : tension appliquée) et
fournissant une sortie y(t)y(t)y(t) (ex : vitesse angulaire). Supposons que nous disposons d’un
modèle dynamique linéaire de la forme suivante :
ω˙(t)=−aω(t)+bu(t)\dot{\omega}(t) = -a \omega(t) + b u(t)ω˙(t)=−aω(t)+bu(t)
où :
ω(t)\omega(t)ω(t) est la vitesse angulaire du moteur,
aaa et bbb sont des constantes du modèle.
On peut calculer la vitesse angulaire estimée ω^(t)\hat{\omega}(t)ω^(t) à partir de ce modèle. En
comparant cette estimation avec la vitesse mesurée ωm(t)\omega_m(t)ωm(t), on obtient le
résidu :
r(t)=ωm(t)−ω^(t)r(t) = \omega_m(t) - \hat{\omega}(t)r(t)=ωm(t)−ω^(t)
Si r(t)r(t)r(t) reste proche de zéro, on considère que le système fonctionne normalement. En cas de
défaut (ex : frottement anormal), le résidu augmentera de manière significative, déclenchant une
alerte.
5. Avantages et limitations des méthodes de diagnostic à base de modèle
Avantages :
Économiques : évitent le besoin de redondance matérielle.
Adaptabilité : conviennent à divers systèmes, avec ou sans bruit.
Précision : permettent une détection précoce et souvent précise de défauts.
Limitations :
Modèles complexes : nécessitent des modèles précis et une bonne connaissance du
système.
Sensibilité au bruit : certains modèles peuvent être sensibles au bruit de mesure.
Erreur de modélisation : des écarts entre le modèle et le système réel peuvent entraîner
des résidus non liés à des défauts, nécessitant une adaptation du modèle pour réduire les
faux positifs.
Les méthodes de diagnostic par modèle constituent un outil puissant et sont largement utilisées
dans des domaines comme l’automobile, l’aéronautique, et l’industrie pour assurer une
surveillance efficace et prédictive des systèmes critiques.
4o
You said:
explique moi en détail le principe de partie localisation et identification du défaut par ces
méthodes à base de modèle
ChatGPT said:
ChatGPT
La localisation et l'identification des défauts par les méthodes à base de modèle sont les étapes
suivantes du diagnostic après la détection d’un défaut. Une fois qu’un résidu signale une anomalie,
il devient nécessaire de déterminer précisément où se trouve le défaut (localisation) et quel type
de défaut est présent (identification).
1. Principe de la localisation et identification des défauts
La localisation et l'identification des défauts reposent sur l'exploitation de différentes
caractéristiques des résidus et sur l'analyse de la réponse du système en cas de défaut. En d’autres
termes, l’objectif est d’utiliser la signature des résidus générés par un modèle pour identifier :
le composant ou la zone du système affecté par le défaut,
le type de défaut (par exemple, court-circuit, perte de gain, frottement anormal, etc.).
Pour cela, différentes stratégies de modélisation et d’analyse des résidus sont utilisées, notamment
la logique de signature des résidus, les observateurs d'état et les diagnostics basés sur les modèles
paramétrés.
2. Stratégies de localisation et identification des défauts
a. Logique de signature des résidus
L'une des méthodes les plus courantes pour localiser les défauts est d'exploiter une table de
signature des résidus. L'idée est de modéliser l'effet de différents défauts possibles sur les résidus
générés, chaque type de défaut ayant une "signature" spécifique dans les résidus. La table de
signature permet donc d’identifier le défaut en fonction des résidus observés.
