d.
Méthodes paramétriques et ajustement des paramètres
Les méthodes paramétriques visent à ajuster les paramètres du modèle pour détecter des défauts
spécifiques. Les défauts sont souvent associés à des modifications de certains paramètres du
modèle. Par exemple, une résistance accrue dans un moteur pourrait être modélisée par un
changement dans le coefficient de frottement.
1. Identification de paramètres critiques : Dans le modèle, on identifie les paramètres qui sont
sensibles aux défauts, comme le gain, les coefficients de friction, les résistances, etc.
2. Ajustement des paramètres en ligne : Pendant le fonctionnement du système, on ajuste les
paramètres pour suivre l’évolution des résidus. Si un paramètre dérive de sa valeur
nominale, cela peut indiquer un défaut.
3. Identification du type de défaut : Les modifications spécifiques de certains paramètres
peuvent indiquer des défauts précis. Par exemple, une augmentation de la friction dans un
modèle de moteur peut indiquer une usure ou un blocage mécanique.
3. Exemple illustratif de localisation et identification de défauts
Prenons un exemple simple d’un système de motorisation avec trois défauts possibles :
Défaut 1 : Capteur de vitesse défectueux,
Défaut 2 : Augmentation du frottement dans le moteur,
Défaut 3 : Panne de l’actionneur (bobine de moteur).
Supposons que nous avons trois résidus, r1r_1r1, r2r_2r2, et r3r_3r3, associés à trois observateurs
ou sous-modèles pour ces composants. Voici une table de signature simplifiée :
Défaut r1r_1r1 r2r_2r2 r3r_3r3
Capteur de vitesse 1 0 0
Frottement augmenté 0 1 0
Panne de l’actionneur 0 0 1
Si les résidus observés montrent r1=1r_1 = 1r1=1, r2=0r_2 = 0r2=0, r3=0r_3 = 0r3=0, on peut
conclure que le capteur de vitesse est en défaut. De même, si r2=1r_2 = 1r2=1, cela indique un
problème de frottement augmenté dans le moteur.
4. Avantages et limitations
Avantages :
Précision élevée : Permet de localiser et identifier les défauts avec précision, surtout pour
les systèmes complexes.
Réduction des coûts : Évite le besoin d’ajouter des capteurs supplémentaires pour la
localisation des défauts.
Limitations :
Complexité de modélisation : Nécessite un modèle précis du système, ce qui peut être
difficile à obtenir pour des systèmes non linéaires ou fortement couplés.
Sensibilité aux erreurs de modélisation : Des erreurs dans le modèle peuvent induire des
résidus faux positifs ou manquer des défauts réels.
Calcul intensif : Les techniques d’observateurs multiples et de filtres adaptatifs peuvent
nécessiter une puissance de calcul élevée.
Les méthodes de localisation et identification des défauts basées sur les modèles sont
particulièrement puissantes pour les systèmes critiques dans des domaines comme l’automobile,
l’aéronautique et l’automatisation industrielle.
4o
You said:
explique moi en détail et de cette manière le principe de partie localisation et identification du
défaut par les méthodes externes à base de traitement de signal
ChatGPT said:
ChatGPT
Les méthodes externes à base de traitement de signal pour la localisation et l’identification des
défauts utilisent directement les signaux mesurés sur le système, sans modèle mathématique
explicite. Elles reposent sur l’analyse des caractéristiques des signaux émis par le système pendant
son fonctionnement (comme les vibrations, le bruit acoustique, le courant, etc.) pour détecter et
identifier les défauts.
Ces méthodes sont particulièrement utiles lorsque les modèles sont difficiles à obtenir ou lorsque
les signaux de défaut sont suffisamment distinctifs pour permettre une détection directe.
1. Principe des méthodes de traitement de signal pour le diagnostic de défauts
Ces méthodes analysent les changements dans les propriétés de signaux mesurés (amplitude,
fréquence, phase, etc.) pour détecter les signes de défaillance. Un défaut peut modifier de manière
caractéristique les signaux émis par le système, ce qui permet de :
Détecter le défaut : identifier qu’un changement anormal s’est produit,
Localiser le défaut : déterminer la zone ou le composant affecté en fonction du signal,
Identifier le type de défaut : analyser la nature du changement pour identifier le défaut
spécifique.
Les méthodes de traitement de signal exploitent différentes transformations et techniques pour
extraire des indicateurs caractéristiques liés aux défauts dans les signaux.
2. Techniques principales de traitement de signal pour la localisation et identification des défauts
a. Analyse en domaine temporel
L’analyse temporelle se concentre sur l’évolution du signal dans le temps pour identifier des motifs
ou des signatures de défaut. Elle est utilisée pour détecter des anomalies dans des signaux
continus.
Analyse statistique : Des indicateurs statistiques comme la moyenne, la variance,
l’asymétrie, et le kurtosis permettent d’observer des anomalies liées aux défauts. Par
exemple, un défaut dans un roulement peut induire une augmentation de la variance ou de
la kurtosis dans le signal de vibration.
Analyse des pics et impulsions : En cas de défauts mécaniques (ex : défaillance dans un
roulement), des impulsions ou des pics périodiques peuvent apparaître dans le signal de
vibration. Leur amplitude et leur fréquence peuvent être analysées pour localiser et
identifier le défaut.
Exemple de détection de défauts : Supposons un roulement de moteur. Un défaut génère
des pics de vibration réguliers qui apparaissent dans le signal. En analysant la période entre
les pics, on peut déterminer quel élément du roulement est défaillant (cage, bille, bague
intérieure, etc.).
