‫الجمهورية الجزائرية الدمقراطية الشعبية‬

‫العلم‬
‫ي‬ ‫العال والبحت‬
‫ي‬ ‫وزارة التعليم‬
‫جامعة وهران للعلوم والتكنلوجيا محمد بوضياف‬

Présentée par : Mr. Nekrouf Djilali

Intitulé:
Contribution à l’Amélioration des Techniques de Traitement de Signal à haute
résolution destinées au Diagnostic des Défauts dans un Entrainement
Electrique

Faculté : Génie Electrique

Département : Electronique
Spécialité : Electronique
Option : Modélisation & Simulation

Devant le Jury Composé de :

Membres de Jury Grade Qualité Domiciliation

Mr. Ahmed Hamida Boudinar Professeur Président USTO-MB
Mr. Nabil Boughanmi Professeur Encadreur USTO-MB

Mr. Noureddine Benouza Professeur Examinateur USTO-MB

Mr. Zoubir Mehdjoub Professeur Examinateur Université Djilali Liabes
SBA
Mme Djilalia Guendouz Professeur Examinateur UNIV2-Oran MB
Mr. Belkacem Belkacem MCA Examinateur UNIV2-Oran MB

Année Universitaire : 2024/2025

 ‫الملخص‬

‫ ولكنه قليل االستخدام في مجال تشخيص أعطال‬،‫يُستخدم التحليل الطيفي عالي الدقة على نطاق واسع في مجال اإلرسال‬
‫ قمنا بتنفيذ‬،‫ ولتسليط الضوء على هذه األساليب في هذا المجال على وجه الخصوص‬،‫ ومن هذا المنطلق‬.‫المحركات الكهربائية‬
‫ من أجل استخراج معلمات البصمة‬Root-MUSIC ‫هذا العمل الذي يتمثل في تطبيق إحدى الطرق الطيفية المعروفة باسم‬
‫ حاولنا إدخال هذه المعلمات في‬،‫ وإلثبات فعاليتها ودقتها الطيفية‬.‫ في محرك غير متزامن‬،‫ على سبيل المثال‬،‫الكهربائية للخلل‬
‫ )فواصل‬SVM ‫ استقرينا على نظام يسمى‬،‫ وبعد التجربة والدراسة‬.‫مدخالت نظام ذكي لتحديد األعطال والتعرف عليها‬
‫ تم تطوير هذا النظام من قبل الخبير اإلحصائي فابنيك لحل مشاكل التصنيف واالنحدار؛ ويستخدم نظرية‬.)‫الهامش العريض‬
‫ مع‬Root-MUSIC ‫ لقد قمنا بإقران‬.‫التعلم اآللي لزيادة دقة التنبؤ إلى أقصى حد مع تجنب اإلفراط في مالءمة البيانات تلقائيًا‬
‫ تم استخدام سلسلة من أعطال‬،‫ وللقيام بذلك‬.‫عرف لألعطال وفاصل للقضبان المكسورة في محرك غير متزامن‬ ِّ ‫إلنشاء ُم‬SVM
‫المحركات ثالثية األطوار ذات القضبان المكسورة من تجارب مختلفة لتوفير البيانات واختبار حالة تشغيل المصنف وإلثبات‬

.‫موثوقية االقتران‬

MCSA, Root-MUSIC, FFT, SLT, SVM, MAP: ‫الكلمات المفتاحية‬

Abstract
High-resolution spectral analysis is widely used in transmission, but little used in the field of
electrical drive failure diagnosis. With this in mind, and in particular to highlight these methods in
this field, we have carried out this work, which consists of applying one of the spectral methods
known as Root-MUSIC in order to extract the parameters of the electrical signature of the fault, for
example, in an asynchronous motor. To demonstrate its effectiveness and spectral accuracy, we
tried to introduce these parameters at the input of an intelligent fault identification and recognition
system. After trial and error, we settled on a system called SVM (Wide Margin Separators). This
was developed by the statistician Vapnic to solve classification and regression problems; it uses
machine learning theory to maximise prediction accuracy while automatically avoiding over-fitting
to the data. We paired Root-MUSIC with SVM to create a fault identifier and separator for broken
bars in an asynchronous motor. To do this, a series of three-phase motor faults with broken bars
from different experiments are used to provide data and test the operating state of the classifier and
to demonstrate the reliability of the pairing.
Key words: MCSA, Root-MUSIC, FFT, SLT, SVM, MAP.
 Résumé
L’analyse spectrale de haute résolution est très répandue en transmission mais peu utilisée dans le
domaine de diagnostic de défaillance des entrainements électriques. Dans cet optique et notamment
pour mettre en relief ces méthodes dans ce domaine, nous avons réalisé ce travail qui consiste à
appliquer une des méthodes spectrales dite Root-MUSIC afin d’extraire les paramètres de la
signature électrique du défaut, par exemple, dans un moteur asynchrone. Pour montrer son
efficacité et sa précision spectrale, nous avons essayé d’introduire ces paramètres à l’entrée d’un
système d’identification et de reconnaissance intelligente de la défaillance. Après tâtonnement et
étude, nous nous sommes convenus sur un système appelé SVM (Séparateurs à Vaste Marge). Ce
dernier a été développé par le statisticien Vapnic pour résoudre les problèmes de classification et
régression ; il utilise la théorie de l'apprentissage automatique pour maximiser la précision de la
prédiction tout en évitant automatiquement un sur-ajustement aux données. En effet, nous avons
jumelé entre Root-MUSIC et SVM en vue de créer un identificateur et séparateur de défauts de
barre cassée d’un moteur asynchrone. Pour cela, une série de pannes de moteurs triphasés à savoir
barres cassées provenant de différentes expériences sont utilisées pour fournir des données et tester
l'état de fonctionnement du classificateur et pour démontrer la fiabilité du mariage.
Mots-clés: MCSA, Root-MUSIC, FFT, SLT, SVM, MAP.
 A mes défunts parents
A mon épouse
A mes enfants
Aux honnêtes et vertueux
Remerciements
En premier lieu, je tiens à remercier ALLAH pour m’avoir prodigué le courage et la
patience durant mes recherches.

Je tiens à exprimer ma profonde gratitude à tous ceux qui m’ont soumis leur soutien
et leur expérience tout au long de ce travail de thèse.
Je veux tout d’abord remercier mon directeur de thèse, Monsieur Nabil Boughanmi,
qui m’a apporté sa compétence scientifique pendant toute cette période. Il a su
accompagner mon travail tout en m’accordant la liberté d’approfondir les axes de
recherche qui me conviennent.

Je remercie aussi Monsieur Hamida Ahmed Boudinar, Professeur à l'université des

Sciences et Technologies d'Oran (USTO-MB), pour l’honneur qu’il m’a fait de bien
vouloir présider ce jury de thèse.
Je tiens particulièrement à remercier Madame Djilalia Guendouz, Professeur à
l’Université d’Oran 2 Mohamed Benahmed qui m’a fait l’honneur de participer à ce
jury et me faire part de ses critiques constructives sur mon travail.
Un remerciement particulier s’adresse également à Monsieur Benouza Noureddine
Professeur à l'université des Sciences et Technologies d'Oran (USTO-MB), d'avoir
accepté avec grand plaisir de participer à ce jury, d'examiner ce travail et qui m’a
accueilli au sein du Laboratoire de Développement des Entrainements Electriques
(LDEE). C’était un environnement très favorable à la réussite de ces travaux de
recherche. Sans oublier ses conseils et ses orientations qui me les a dispensés durant
la recherche ; encore je le remercie.
Je voudrais exprimer mon remerciement à Monsieur Mehdjoub Zoubir Professeur à
l’Université Djilali Liabes de Sidi Bel Abbes d’avoir participé à ce jury, pour ses
commentaires et remarques constructives.
Je suis également très reconnaissant envers Monsieur Belkacem Belkacem Maître de
Conférences à l’Université d’Oran 2 Mohamed Benahmed, qui m’a fait l’honneur de
participer à ce jury et pour son incitation d’achever la thèse le plutôt possible.
Merci enfin à ma femme pour m’avoir encouragé tout au long de cette aventure. Sa
patience et son attention m’auront été extrêmement profitables.
 Symboles

𝑓ℎ𝑒 ∶ : Harmonique due à la géométrie de la machine

𝑓𝑟 : Fréquence du défaut de roulement
𝑓𝑒𝑥𝑠 : Fréquence du défaut d’excentricité statique
𝑓𝑒𝑥𝑑 : Fréquence du défaut d’excentricité dynamique
𝑓𝑒𝑥𝑚 : Fréquence du défaut d’excentricité mixte
𝑓𝑠𝑡 : Fréquence du défaut statorique
𝑔 : Glissement
𝑓𝑠 : Fréquence d’alimentation
𝑓𝑟𝑏 : Fréquence du défaut rotorique (rupture de barre)
p : Nombre de paires de pôles de la machine
𝑁𝑏 : Nombre de barres
x[n] : Signal de N échantillons
x̂[n] : signal estimé
hk : l'amplitude et la phase de la kième composante
ωk : La pulsation de la kième composante
α𝑘 : Le coefficient d’amortissement de la kième composante
𝜑𝑘 : La phase de la kième composante
Fk : La fréquence de la kième composante
Fs : La fréquence d'échantillonnage
L : L’ordre du modèle
z𝑖 ∶ Les racines de P( z𝑖 )=0
e[n] : Un bruit blanc complexe
Cx : La matrice de covariance de x[n]
Λ : La matrice de puissance des harmoniques
λk : la valeur propre de la kième composante
σ20 : La variance de l’erreur de modélisation
Us , Ub : matrices des valeurs propres
Ds , Db : matrices diagonales
I : La matrice identité
rx : La séquence d’autocorrelation de x
Rx : La matrice d’autocorrelation de x
Pi : Puissance de la composante
x : Un point vectoriel
w : un vecteur de poids
xi : Vecteurs de support
f(x) : Fonction de décision
S : Espace de caractéristiques
𝛷(𝑥) : Fonction noyau
𝐾(𝑥1 , 𝑥2 ) : La transformation des données en un espace de caractéristiques
Ia, ib, ic : Les trois courants de phases
𝒊𝒅 : Composante directe
 Acronymes

SVM Support Vector Machine MCSA

MCSA Motor Current signal Analysis
AI Artificial Intelligence
ANNs Artificial Neural Networks

FFT Fast-Fourier-Transform

MUSIC Multiple-Signal-Classification

SLT Statistical Learning Theory

MAP Maximum Posterior estimation

ESPRIT Estimation of signal parameters via rotational invariance techniques

 Liste des figures
FIGURE I.1 ARBRE DES DIFFERENTES FAMILLES DES MOTEURS ELECTRIQUES .............................................................20
FIGURE I.2 MOTEUR ASYNCHRONE A CAGE (LEROY-SOMER). .......................................................................................21
FIGURE I.3 STATOR DE LA MACHINE ASYNCHRONE TRIPHASEE. ...................................................................................22
FIGURE I.4 ROTORS DE LA MACHINE ASYNCHRONE. ......................................................................................................23
FIGURE I.5 CLASSIFICATION DES DEFAUTS SELON LEURS ORIGINES. ............................................................................24
FIGURE I.6. POURCENTAGE DES DEFAUTS (2008). ..........................................................................................................25
FIGURE I.7 POURCENTAGE DES DEFAUTS (1995). ...........................................................................................................26
FIGURE I.8 PRINCIPE DE L'ESTIMATION D'ETAT.............................................................................................................28
FIGURE I.9 GENERATION DES RESIDUS. ..........................................................................................................................29
FIGURE I.10 PRINCIPE DES TECHNIQUES D'IDENTIFICATION. ........................................................................................30
FIGURE II.1 SPECTRES VIA HR ET FFT ..........................................................................................................................37
FIGURE II.2 SIGNAL MONO-FREQUENCE BRUITE ET SON SPECTRE PAR PRONY ............................................................42
FIGURE II.3 SIGNAL TRI-FREQUENCE BRUITE ET SON SPECTRE PAR PRONY .................................................................43
FIGURE II.4 COURANT STATORIQUE AVEC DEFAUT ET SON SPECTRE PAR PRONY ........................................................43
FIGURE II.5 PSEUDOSPECTRE DU COURANT STATORIQUE VIA LA METHODE PIRASENKO ............................................45
FIGURE II.6 SPECTRE DU COURANT STATORIQUE VIA METHODE ROOT-MUSIC .........................................................49
FIGURE III.1 STRUCTURE D’UN RESEAU DE NEURONES BIOLOGIQUE. ...........................................................................56
FIGURE III.2 RESEAU DE NEURONES NON BOUCLE. ........................................................................................................56
FIGURE III.3 RESEAU DE NEURONES BOUCLE.................................................................................................................57
FIGURE III.4 REPRESENTATION DE LA TEMPERATURE D’UN CORPS PAR LES ENSEMBLES CLASSIQUES ET FLOUS .....58
FIGURE III.5 STRUCTURE INTERNE D’UN SYSTEME FLOU. ............................................................................................59
FIGURE III.6 INFERENCE MINIMUM ET PRODUIT. ...................................................................................................60
FIGURE III.7 PRINCIPE DE SYSTEME NEURO-FLOU. ......................................................................................................61
FIGURE III.8 STRUCTURE GENERALE D’UN RESEAU NEURO-FLOU................................................................................62
FIGURE III.9 DIFFERENTES ARCHITECTURES DES SYSTEMES NEURO-FLOU. ................................................................62
FIGURE III.10 ARCHITECTURE ANFIS. ..........................................................................................................................63
FIGURE III.11 ARCHITECTURE DE NEFCON. ................................................................................................................65
FIGURE III.12 ARCHITECTURE DE NEFPROX. .............................................................................................................66
FIGURE III.13: REPRESENTATION DES HYPERPLANS......................................................................................................67
FIGURE III.14 PRINCIPE DU SEPARATEUR NON-LINEAIRE ..............................................................................................69
FIGURE III.15 REPRESENTATION DE L’ESPACE DES CARACTERISTIQUES .....................................................................69
FIGURE IV.1 PRINCIPE DU SYSTEME DE SURVEILLANCE ..............................................................................................73
FIGURE IV.2 ETAPES DU SYSTEME DE SURVEILLANCE PAR SVM..................................................................................74
FIGURE IV.3 : ORGANIGRAMME DE L’EXTRACTION DE LA PAIRE DES FREQUANCES ...................................................76
FIGURE IV.4 DESCRIPTION DU BANC D’ESSAI ...............................................................................................................77
FIGURE IV.5: CAGES A ROTOR AVEC BARRES CASSEES..................................................................................................77
FIGURE IV.6 LISSAJOUS DE LA COMPOSANTE DIRECTE .................................................................................................78
FIGURE IV.7 LISSAJOUS ET SPECTRES DU COURANT STATORIQUE AU DEFAUT DE BARRE ..................................................79
FIGURE IV.8 RECONNAISSANCE DE DEFAUT D'UNE BARRE CASSEE AVEC DIFFERENTES PROBABILITES......................82
FIGURE IV.9 RECONNAISSANCE DE DEFAUT DE DEUX BARRES CASSEES AVEC DIFFERENTES PROBABILITES .............83
FIGURE IV.10: RECONNAISSANCE DE DEFAUT DE TROIS BARRES CASSEES AVEC DIFFERENTES PROBABILITES..........84
 Liste des tableaux

TABLEAU I-1 FREQUENCES DES DEFAUTS DANS LE SPECTRE DU COURANT STATORIQUE. ............ 25
TABLEAU IV-1 PAIRE DES FREQUENCES BILATERALES POUR L'APPRENTISSAGE .......................... 80
Table des matières

Introduction Générale

Etat de question

I. Les entrainements et leurs méthodes de diagnostic ..............................................................20

I.1 Introduction...........................................................................................................................20

I.2 Structure de la machine asynchrone................................................................................. .21

I.2.1 Stator .............................................................................................................................. ..22

I.2.2 Rotor................................................................................................................................. 22

I.2.3 Organes mécaniques........................................................................................................ 23

I.3. Différentes défaillances du moteur asynchrone à cage d’écureuil .................................... .24

I .4. Fréquences des défauts de la machine asynchrone............................................................. .26

I.5 Répartition des défauts.............................................................................................................. .26

I.6 Méthodes de diagnostic des machines asynchrones ............................................................ .28

I.6.1 Méthodes de diagnostic avec modèle analytique..............................................................29

I.6.2 Techniques d'estimation d'état........................................................................................... .29

I.6.3 Technique de génération de résidus ...........................................................................30

I.7. Techniques d’identification ................................................................................................... 31

I.7.1 Méthodes de diagnostic sans modèle analytique........................................................... 33

I.7.2 Méthode par traitement de signal ................................................................................... 33

I.7.2.1 Analyse spectrale .....................................................................................................33

I.7.2.2 Spectrogramme........................................................................................................... 34

I.7.2.3 Analyse temporelle ..................................................................................................... 34

I.7.2.4 Analyse temps-fréquence ........................................................................................... 34

I.8. Méthode par intelligence artificielle (IA)............................................................................. 35

I.8.1 Réseaux de Neurones Artificiels (RNA) ............................................................................ 35

I.8.2 Logique floue ................................................................................................................... 36

1.8.3 Technique Neuro-Floue.................................................................................................. 36

I.8.4 Technique de Séparateurs à Vaste Marge (SVM)............................................................. 37

I.9 Conclusion ................................................................................................................................ 37

II. Méthodes de haute résolution et extraction des signatures des défauts...................................... 38

II.1 Introduction ............................................................................................................................. 38

II.2 Méthode Prony ........................................................................................................................ 40

II.3 Méthode Pirasenko .................................................................................................................. 46

II.4 Méthode Root-MUSIC ............................................................................................................ 49

II.4.1 Estimation des fréquences des harmoniques ........................................................................ 49

II.4.2 Estimation des puissances des harmoniques...........................................................................51

II.5 Méthode ESPRIT...................................................................................................................... 53

II.6 Détermination de l’ordre du modèle (L)................................................................................... 55

II.7 Evaluation des méthodes HR.................................................................................................... 56

II.8 Conclusion ................................................................................................................................ 57

III. Reconnaissance et identification des défauts ............................................................................ 59

III.1 Introduction......................................................................................................................... 59

III.2 Réseaux de neurones........................................................................................................... 59

III.2.1 Architecture des réseaux de neurones.............................................................................. 60

III.2.1.1 Réseaux de neurones non bouclés ............................................................................ 60

III.2.1.2 Réseaux de neurones bouclés .................................................................................... 60

III.3 Logique floue ...................................................................................................................... 61

III.3.1 Ensembles flous ............................................................................................................... 61

III.3.2 Structure interne d’un système flou ................................................................................ 62

III.4 Neuro-floue ….. ................................................................................................................. 64

III.4.1 Structure d’un système Neuro-flou................................................................................. 64

III.4.2. Définition d’un système Neuro-flou hybride.................................................................. 65

III.4.3 Types d’implémentation des réseaux Neuro-flous .......................................................... 66

III.4.3.1 FALCON et GARIC ................................................................................................ 67

III.4.3.2 ANFIS (Adaptative-Network-based Fuzzy Inference System) ............................... 67

III.4.3.3 NEFCLASS.............................................................................................................. 69

III.4.3.4 NEFCON.................................................................................................................. 69
 III.4.3.5 N E F P R O X ........................................................................................................…..70

III.5 Séparateurs à Vaste Marge (SVM) ..................................................................................... ..71

III.5.1 Introduction ....................................................................................................................71

III.5.2 Classificateur linéaire .....................................................................................................73

III.5.3 Classificateur non-linéaire..............................................................................................74

III.6 Comparaison entre les SVM et réseaux de neurones (NN) ...............................................76

III.7 Conclusion .........................................................................................................................77

IV. Résultat Expérimentaux et Discussion.................................................................................79

IV.1 Principe du système de surveillance basé sur les SVM .....................................................79

IV.2 Principe de l’extraction des paramètres ................................................................................80

IV.3 Description du banc d’essai ..................................................................................................82

IV.4 Extraction des fréquences et puissances ...............................................................................83

IV.5 Reconnaissance du type de défaut des barres et discussion...................................................86

IV.6. Conclusion ............................................................................................................................87

Conclusion Générale......................................................................................................................91
Annexes...........................................................................................................................................93
Références bibliographiques............................................................................................................99
 Introduction Générale

Introduction Générale

Quand Tesla a inventé le moteur asynchrone en 1887, il n'a vraisemblablement jamais pensé que
cette machine ou généralement l’entrainement électrique va répandre dans tous les domaines
industriels voire domotiques où l'entrainement est sollicité ; en vertu de sa robustesse, sa fiabilité
et son coût d'entretien plus ou moins réduit. Malgré tout, cette machine, par force d'usage, est
exposée à des contraintes dont l'effet au fur à mesure la dégrade et y génère des défauts. Ce qui
entraine un dégât inopiné lequel met le processus où elle est exploitée en risque ou à moindre
danger va réduire la productivité puis le stopper. Les défauts du moteur sont dus à des contraintes
mécaniques et électriques. Contraintes mécaniques sont causées par les surcharges et les
chargements soudains, qui peuvent produire des défauts de roulement et rupture de barre du rotor.
D'autre part, les contraintes électriques sont généralement associées à l'alimentation, ils peuvent
produire court-circuit au stator et entraîner une défaillance complète du moteur [10].

Plusieurs techniques sont mises en évidence pour la détection efficace et le diagnostic des défauts,
dont la plupart sont basés sur la surveillance des vibrations ou l'analyse de signature de courant du
moteur (MCSA) en raison de leur mesurabilité facile, de grande précision et de fiabilité.
Supervision de courant peut être mise en œuvre à moindre coût en utilisant les capteurs de courant
placés au centre du moteur. En outre, les formes de défaut dans le signal de courant sont uniques
et ne peuvent pas être facilement affectées par les environnements de travail [29, 30].

Diagnostic de défaut est actuellement l'un des domaines où les techniques de l'intelligence
artificielle (AI) ont été appliquées avec succès. La raison en est que ces techniques utilisent
association, de raisonnement et de décision, faisant des processus autant le cerveau humain pour
résoudre les problèmes de diagnostic. Parmi les méthodes IA, réseaux de neurones artificiels
(RNA) et les séparateurs à vaste marge (SVM) ont été largement utilisés pour modéliser des
problèmes de systèmes non-linéaires, en particulier pour la cartographie de la représentation entrée-
sortie d'un système incognito, telle que la détection automatique et le diagnostic des conditions du
moteur. La principale différence entre RNA et SVM est dans leur minimisation des risques. En cas
de SVM, la minimisation principale du risque structural est utilisée pour minimiser une limite
supérieure basée sur le risque escompté, alors que dans RNA, la minimisation empirique
traditionnelle du risque est utilisée pour minimiser l'erreur dans la formation des données. La

13
 Introduction Générale

différence dans la réduction des risques est d'améliorer les performances de généralisation des
SVM par rapport à RNA [31].

En effet et selon les études effectuées avant [32,33], SVM constituent une méthode de classification
plus ou moins précise à condition que les entrées soient bien définies ; d’où le choix de la technique
pour extraire la caractéristique de la signature électrique en particulier le courant statorique serait
d'une importance primordiale pour leur meilleure performance.

Il est bien montré que les défauts dans les moteurs à induction produisent des fréquences
caractéristiques de défaut qui peuvent être observées en utilisant une analyse spectrale du courant
de stator. Cependant, le principal défi est que les fréquences de défaut existent aussi dans les
machines saines, et ils sont fortement influencés à la fois par le changement de charge et la
géométrie du moteur. Il est donc très difficile de déterminer si les fréquences de défaut de
caractéristiques mesurées correspondent à un défaut ou non [34 - 36].

Des études expérimentales ont démontré que l'analyse spectrale à haute résolution du courant
statorique, comme un moyen de détection des défauts dans les moteurs asynchrones, présente des
avantages certains sur l'analyse spectrale FFT traditionnellement utilisée, et, plus généralement,
cette technique sera utile à toute modification des harmoniques des défauts [11]. Plusieurs
méthodes de traitement du signal de pointe telles que l’analyse spectrale à haute résolution ont été
appliquées. Parmi ces méthodes, l'algorithme Root-MUSIC a été utilisé pour distinguer les
fréquences de dé[Link] projetons par cette étude contribuer à l'amélioration de détection des
défauts des moteurs à induction et la performance de classification.

Ce courant travail comprend quatre chapitres : Le premier chapitre introduit les entrainements
électriques, leurs défauts et les différentes méthodes de diagnostic. Le deuxième chapitre est
consacré aux méthodes de traitement du signal appelées haute résolution pour extraire les
signatures des défauts. Dans le troisième chapitre nous présentons les procédures de
reconnaissance et identification des défauts. Le dernier chapitre est consacré à la présentation des
résultats pour différentes conditions de fonctionnement. Les défauts traités sont les défauts
rétorques à savoir le défaut de barres. Afin de montrer l’intérêt de la technique de diagnostic
considérée en l’occurrence la technique SVM (Support Vector Machine) étude de ses résultats et
ceux de la méthode Root-MUSIC est considérée. Nous terminons par une conclusion sur

14
 Introduction Générale

l’ensemble de cette étude et par une présentation des perspectives de recherche pouvant être
envisagées. L’annexe contient les paramètres de la machine étudiée et la borne de Cramér-Rao.

15
 Etat de question

Etat de question

Les entrainements tels que les moteurs à induction triphasés sont à la forte servitude de l'industrie
et sont largement utilisés comme dispositifs électromécaniques de conversion de l'énergie. Bien
que les machines à induction soient considérées comme relativement fiables et robustes en raison
de leur conception simple et des technologies de fabrication bien développées, des défaillances se
produisent et peuvent gravement perturber les processus industriels, voire entraîner des accidents
catastrophiques. Les défaillances des moteurs sont généralement liées aux composants principaux
tels que les stators, les rotors et les roulements. Des enquêtes indiquent que ces composants sont à
l'origine de 88 % des défaillances de moteurs (Thomson et Fenger, 2001).
Au cours des dernières décennies, les techniques de surveillance de l'état des moteurs à induction
ont fait l'objet d'études approfondies, l'accent étant mis sur l'analyse de la signature du courant du
moteur (MCSA).
La MCSA, une technique de surveillance non invasive, est sensible à la plupart des défauts du
moteur. Par conséquent, une technique de surveillance non invasive de la MCSA est sensible à la
plupart des défauts du moteur.
De nombreuses recherches ont été consacrées à l'analyse du courant moteur (Kliman et al., 1988;
Kryter et Haynes, 1989; Schoen et al., 1995; Breen et al., 1996 ; Benbouzid et al., 1999 et
Benbouzid, 2000). Outre la MCSA, l'analyse des vibrations est également une technique de
surveillance efficace pour détecter les défauts des roulements de moteur et des barres de rotor
cassées (Betta et al., 2002 ; Linag et al., 2003 ; Ocak et Loparo, 2004). À la suite de travaux de
recherche approfondis, des produits commerciaux tels que Motormonitor et Emonitor ont été
développés par Entek IRD pour surveiller l'état de santé des moteurs de manière non invasive.
Comme pour la surveillance d'autres types de machines, l'analyse des données et le traitement des
signaux sont les éléments clés du système de surveillance. Les méthodes d'analyse vont de l'analyse
statistique dans le domaine temporel à l'analyse conjointe temps-fréquence, en passant par
l'utilisation de réseaux neuronaux artificiels et de transformées en ondelettes (Benbouzid et Kliman,
2003). Muñoz (2000) a utilisé l'algorithme de moyenne mobile autorégressive (ARMA) pour
estimer les variations du courant statorique dues aux défauts du moteur pendant le démarrage. Le
modèle proposé a permis d'évaluer les conditions du moteur en analysant les harmoniques de

16
 Etat de question

courant du moteur d'ordre supérieur. Cruz et Cardoso (2001) ont appliqué l'approche vectorielle
étendue de Park pour détecter les défauts d'enroulement du stator. L'approche, qui est
essentiellement une extension de la MCSA, est capable de différencier les moteurs court-circuités
des moteurs sains. Benbouzid et al. (1999b) ont effectué une analyse spectrale des signatures de
courant du moteur. Plusieurs défauts asymétriques du moteur ont été comparés dans le domaine
des fréquences. L'analyse spectrale d'ordre supérieur a également été appliquée pour détecter les
défauts du moteur (Arthur et Penman, 2000; Yang et al., 2002). L'analyse est efficace pour détecter
les couplages de phase qui se produisent lorsque les moteurs présentent des défauts. Yaz_c_ et
Kliman (1999) ont utilisé la transformée de Fourier à court terme (STFT) comme méthode de
prétraitement pour extraire les caractéristiques des défauts à partir des signatures de courant du
moteur. Bien que la STFT soit meilleure que la transformée de Fourier en termes de résolution, elle
reste limitée dans l'analyse des processus non stationnaires en raison de la largeur constante de sa
fenêtre. Filippetti et al. (1998) ont passé en revue les applications des méthodes d'intelligence
artificielle (IA) dans le diagnostic des défauts de moteur et ont analysé les facteurs influençant les
composantes du courant. L'analyse a fourni des indications sur le calcul des amplitudes des
composantes spectrales du courant, du couple et de la vitesse dans un modèle transitoire. Ye et al.
(2003) ont appliqué une méthode de décomposition en paquets d'ondelettes (WPD) pour analyser
les caractéristiques du courant du stator dans des conditions normales et défectueuses. Les
coefficients de caractéristiques extraits de la WPD ont ensuite été utilisés pour détecter les ruptures
de barres de rotor et les défauts d'excentricité de l'entrefer. Kim et Parlos (2002) ont proposé un
système de détection des défauts des moteurs à induction basé sur un modèle et utilisant le courant,
la tension et la vitesse. Le système était capable d'extraire des indicateurs de défaut des signatures
du moteur en utilisant des méthodes traditionnelles de traitement des signaux et de prendre des
décisions de diagnostic basées sur des comparaisons entre les indicateurs et les seuils.
En examinant les travaux antérieurs, on constate que, bien que les méthodes de traitement des
signaux avancés ont été largement utilisés, les calculs statistiques conventionnels et les séries de
Fourier, l'analyse spectrale basée sur la détection fournit encore des informations préliminaires
essentielles. Par exemple, les réseaux neuronaux et les méthodes basées sur des modèles reposent
largement sur les calculs des signatures des moteurs (par exemple, RMS, kurtosis, etc.) et les
fréquences de défaut (via la transformée de Fourier rapide). Par conséquent, une compréhension
complète des caractéristiques des défauts liés au moteur dans différentes situations est souhaitable

17
 Etat de question

pour disposer d'une bonne connaissance des conditions de vitesse et de charge en vue d'extraire des
caractéristiques efficaces. En outre, bien que le démarrage du moteur fournisse des informations
diagnostiques importantes, les comparaisons entre les différentes méthodes ont été largement
laissées de côté par la communauté des chercheurs, car le processus est non stationnaire et
complexe.
Boudinar et al. (2007 et 2015) ont introduit une méthode de décomposition harmonique dite haute
résolution en cette occurrence Root-MUSIC. La technique proposée a été appliquée pour détecter
les défauts de barre cassée et de roulement dans un moteur à induction triphasé à cage d'écureuil.
En ce qui concerne la classification, Sanna Pöyhönen (2004) est la première qui ait exploité SVM
pour sa thèse dans la surveillance de l'état des moteurs à induction. En fait, le diagnostic des défauts
des derniers y est étudié à l'aide des SVM en coopération avec divers outils de traitement du signal
sachant que SVM sont très compétitifs par rapport aux NN, par exemple, qui sont d’autant
largement étudiés dans ce cadre.

18
Chapitre I :

Les entraînements
&
Leurs méthodes de diagnostic
 Chapitre I Les entrainements et leurs méthodes de diagnostic

I. Les entrainements et leurs méthodes de diagnostic

I.1 Introduction
L'entraînement électrique désigne l'utilisation d'énergie électrique pour faire fonctionner des
machines ou des appareils. Il est utilisé dans de nombreux domaines tels que l'industrie, les
transports et l'équipement domestique. Les avantages de l'entraînement électrique incluent une
grande efficacité, une faible consommation d'énergie et une facilité d'utilisation. Les moteurs
électriques sont les éléments clés de l'entraînement électrique et sont disponibles en différentes
tailles et puissances pour répondre aux besoins spécifiques des utilisateurs.
On distingue plusieurs catégories des moteurs électriques qui peuvent être classés selon :
 Leur alimentation statorique : continue ou alternative.
 Leur rotor : bobiné excité, bobiné en court-circuit, à aimant permanent, à réluctance variable,
à cage, etc.
 Leur entrefer : pôles lisses ou saillants.
Il est épineux de définir une classification unique de tous les moteurs électriques, les classifications
varient suivant des différents critères. La classification exposée selon l’arbre de la Figure I.1 est
souvent choisie. Dans cette classification, on distingue deux grandes familles des moteurs
électriques [46] :
 Les moteurs à courant continu, ou machines DC (Direct Current).
 Les moteurs à courant alternatif, ou machines AC (Alternative Current).

Moteurs
électriques

Contin Alternat

Aiman Séparé Série Composée Shunt

Synchron Asynchron
e e
Figure I.1: Arbre des différentes familles des moteurs électriques

20
 Chapitre I Les entrainements et leurs méthodes de diagnostic

Dans ce chapitre, nous allons nous concentrer sur le moteur asynchrone triphasé à cage, du fait qu’il
est répandu et qu’il y a plus de travaux scientifiques pour y comparer nos résultats ainsi que valider
notre travail.
Après avoir présenté les éléments de sa constitution, un balayage des différents défauts de ce moteur
y suit ainsi que les techniques à base de traitement du signal menées pour leur détection et
identification. Nous verrons aussi les procédures de diagnostic actuellement utilisées en cette
machine. Il faut souligner que nous considérons uniquement le côté physique de la machine ; et ce
que nous intéresse est ses tensions et ses courants des phases d’autant la signature spectrale. En
conséquence, nous n’allons pas aborder sa modélisation.

I.2 Structure de la machine asynchrone

Dans cette section, il est utile de notre avis de citer brièvement la structure de la machine
asynchrone. Cette description nous aidera utilement de situer les défauts de cette machine.
La machine asynchrone peut se dissocier, du point de vue mécanique, en trois parties distinctes
(Fig I.1) :
– Le stator (partie fixe) constitué de disques en tôles magnétiques portant les enroulements
chargés de magnétiser l’entrefer.
– Le rotor (partie tournante) constitué de disques en tôles magnétiques empilés sur l’arbre de
la machine portant un enroulement injecté.
– Les organes mécaniques permettant la rotation du rotor et le maintien des différents sous-
ensembles.

Figure I.2. Moteur asynchrone à cage (Leroy-Somer).

21
 Chapitre I Les entrainements et leurs méthodes de diagnostic

I.2.1 Stator

Il est constitué d’un enroulement bobiné distribué dans les encoches du circuit magnétique.
Ce circuit magnétique est constitué d’un empilage de tôles dans lesquelles sont découpées des
encoches parallèles à l’axe de la machine (Fig I.3). Le bobinage statorique peut se constiuter en
deux parties : les conducteurs d’encoches et les têtes de bobines. Les conducteurs d’encoches
permettent de générer dans l’entrefer le champ magnétique à l’origine de la conversion
électromagnétique. Les têtes de bobines servent, quant à elles, à la fermeture des courants en
organisant la circulation minutieuse des courants d’un conducteur d’encoche à l’autre. Le but est
d’obtenir à la surface de l’entrefer une distribution de courant la plus sinusoïdale possible, afin
de délimiter les ondulations du couple électromagnétique [1].

Figure I.3. Stator de la machine asynchrone triphasée.

I.2.2 Rotor

Dans le rotor à cage, les anneaux de court-circuit génèrent la circulation des courants d’un
conducteur d’encoche (barre rotorique) à l’autre. Ces barres conductrices sont régulièrement
réparties, et composent le circuit du rotor (Fig I.4.c) Cette cage est introduite à l’intérieur d’un
circuit magnétique doté de disques en tôles empilés sur l’arbre de la machine analogue à celui du
moteur à rotor bobiné (Fig I.4.a et b) Dans le cas de rotors à cage d’écureuil, les conducteurs sont
construits par coulage d’un alliage d’aluminium, ou par des barres massives de cuivre préformées
et loués dans les tôles du rotor. Il n’y a généralement pas, ou très peu, d’isolation entre les barres
rotoriques et les tôles magnétiques, mais leur résistance est tellement faible que les courants de
fuite dans les tôles soient négligeables, sauf lorsqu’il y a une rupture de barre [2], [3], [4].
Le moteur à cage d’écureuil est beaucoup plus simple à construire que le moteur à rotor bobiné
et, en conséquence, son prix de revient est inférieur. De plus, il a une plus grande robustesse. Il
représente la plus grande partie du parc de moteurs asynchrones actuellement en service.
22
 Chapitre I Les entrainements et leurs méthodes de diagnostic

a- Rotor bobiné b- Rotor à cage d’écureuil

Figure I.4. Rotors de la machine asynchrone.

I.2.3 Organes mécaniques

La carcasse joue le rôle de support, elle sert d’enveloppe et assure la protection. L’arbre est
un organe de transmission. Il contient une partie centrale qui sert de support au corps du rotor
et un bout d’arbre sur lequel est attaché un demi- accouplement. Il est généralement composé
d’acier moulé ou forgé.
Son dimensionnement est en fonction des efforts de flexion (force centrifuge qui s’exerce sur lui,
attraction magnétique radiale, etc…), des efforts radiaux et tangentiels dus aux forces centrifuges,
des efforts de torsion (couple électromagnétique transmis en régime permanent, transitoire). Il est
supporté par un ou plusieurs paliers. Ces paliers supportent le rotor et garantissent la libre rotation.
Le second palier est libre pour garantir les dilatations thermiques de l’arbre. Une séparation
électrique de l’un des paliers assure l’élimination des courants dans l’arbre dû aux dissymétries
des réluctances du circuit magnétique. Ils sont généralement à roulements pour les machines de
petite et moyenne puissance [5].
Pour garantir la variation de vitesse des moteurs électriques mais aussi la conversion de l’énergie,
de nombreuses machines s’aperçoivent s’approprier d’un convertisseur. Ainsi, de nos jours, on
trouve dans un grand nombre de procédés industriels, des associations entre des convertisseurs
statiques et des machines électriques (pompage, levage.). Cela tolère aux moteurs des tensions et
des courants de fréquence variable servant à commander la machine en couple ou en vitesse [5].

I.3. Différentes défaillances du moteur asynchrone à cage d’écureuil

Les machines électriques et les systèmes d'entraînement sont soumis à de nombreux types
de défauts. Ces derniers peuvent être classés selon leurs causes en deux grandes familles (Fig
I.5), les défauts à causes internes et les défauts à causes externes [6, 7].
23
Chapitre I Les entrainements et leurs méthodes de diagnostic

Les défauts externes sont provoqués par les tensions d'alimentation, la charge mécanique ainsi
que par l'environnement d'utilisation de la machine. Les défauts internes sont causés par les
composants de la machine (circuits magnétiques, bobinages du stator et du rotor, entrefer
mécanique, cage rotorique, . . .).
A titre d'exemple, nous pouvons citer d'une manière non exhaustive les défauts suivants :

– Les défauts électriques au niveau du stator, qui se manifestent par l'ouverture d'une phase
ou un court-circuit au sein d'une même phase, entre deux phases ou entre une phase et la
carcasse du stator,
– Les défauts électriques au niveau du rotor, qui comprennent une ouverture ou un court-
circuit des spires pour les machines à rotor bobiné et de rupture ou fissure des barres et/ou
des anneaux de court-circuit pour les machines à cage,
– Les défauts mécaniques au niveau de l'alésage du stator, au niveau du rotor tels que les
défauts de roulement, d'excentricité et d'alignement,
– Une défaillance au niveau des composants électroniques de puissance de la commande du
système d'entraînement.

Figure I.5. Classification des défauts selon leurs origines [8].

24
Chapitre I Les entrainements et leurs méthodes de diagnostic

Moteur
sain ( )
Harmonique due à la géométrie de la machine : 𝑓 = 𝑓 . [ ∓ 𝜐]
𝑓
Moteur avec défauts
Type du défaut Sa fréquence
Défaut de roulement 𝑓 = |𝑓 ∓ 𝑘𝑓 |

Défaut d’excentricité statique 𝑓 = 𝑓 . [ 1 ∓ 𝑘𝑁 (1 − 𝑔) /𝑝

Défaut d’excentricité dynamique 𝑓 = 𝑓 . [ 1 ∓ 2𝑘(1 − 𝑔)
Défaut d’excentricité mixte 𝑓 = |𝑓 ∓ 𝑘𝑓 |
Défaut statorique 𝑓 = 𝑓 . [ 𝑚 ∓ 𝑛(1 − 𝑔) /𝑝
Défaut rotorique (rupture de barre) 𝑓 = 𝑓 . (1 ∓ 2𝑘𝑔)
Tableau.I.1 Fréquences des défauts dans le spectre du courant statorique.

I .4. Fréquences des défauts de la machine asynchrone

Après une présentation des différents défauts qui peuvent apparaître dans la machine
asynchrone, nous reprenons dans le (Tableau I.1) les fréquences des signaux de la machine
asynchrone qui méritent d’être pris en compte pour détecter, identifier ou localiser les défauts
précédemment cités.

I.5 Répartition des défauts

Une étude statistique réalisée sur des machines asynchrones à cage d'écureuil [9], déployées
dans le domaine de l'industrie pétrochimique, nous a révélés que certains défauts sont plus
fréquents que d'autres comme illustré par le diagramme de la (Fig I.6) en présentant le pourcentage
de défauts capables d'affecter ces machines de grande puissance.

Figure I.6. Pourcentage des défauts (2008).

25
 Chapitre I Les entrainements et leurs méthodes de diagnostic

Cette répartition prouve que les défauts des machines de grande puissance émanent principalement
de roulements et du bobinage statoriques, ceci est dû aux contraintes mécaniques plus importantes
sur ces machines.

Figure I.7. Pourcentage des défauts (1995).

Une autre étude plus récente faite par Bhasme et all (2020) [89], les défauts dans un moteur
asynchrone peuvent être classifiés comme suit:

Autres défauts 12%

Défaut de Défaut de
rotor 10% roulement
40%

Défaut de stator
38%

Figure I.8. Pourcentage des défauts (2020).

En comparant ces résultats à ceux issus de publications plus anciennes, données par le
diagramme de la (Fig I.8), nous retenons que, ces dernières décennies la répartition du pourcentage
de ces défauts a changé, du fait des conditions meilleures de fabrication des moteurs. Les
défauts dans le stator et le rotor sont de moins en moins fréquents, la principale source de
défaillances est constituée actuellement par les roulements.
D’autres statistiques montrent que les défaillances de roulement sont le principal défaut dans les
moteurs électriques, représentant 40% des cas. Les enroulements défectueux sont également un
problème courant, représentant 25% des cas. Les problèmes de connexion électrique représentent
15% des défauts, suivis par le déséquilibre de phase à 10%. Enfin, les autres défauts, y compris les
pertes mécaniques, représentent également 10% des cas. Il est important pour les propriétaires de
26
Chapitre I Les entrainements et leurs méthodes de diagnostic

moteurs électriques de surveiller les signes de ces défauts et de les réparer rapidement pour
maintenir une performance optimale du moteur.
Outre les défauts mentionnés ci-dessus, il existe également d'autres types de défauts qui peuvent
affecter le fonctionnement des moteurs électriques. Ces défauts incluent la surchauffe, l'usure
excessive des pièces et les problèmes liés à l'alimentation électrique. Bien que ces défauts ne
représentent qu'un faible pourcentage des cas, ils peuvent causer des dommages importants au
moteur s'ils ne sont pas détectés et réparés rapidement.
Il est donc essentiel pour les propriétaires de moteurs électriques de mettre en place un plan régulier
d'inspection et d'entretien pour identifier tout signe de défaut potentiel. Cela peut aider à prévenir
les pannes coûteuses et à prolonger la durée de vie du moteur. En outre, il est recommandé d'utiliser
des équipements de surveillance en ligne pour surveiller en temps réel les performances du moteur
et détecter tout changement anormal dans son fonctionnement.
Enfin, ces statistiques ne sont pas pour autant valables pour toutes les circonstances, il est à noter
que ces défauts dépendent des conditions d'exploitation de ces machines et que leurs origines sont
très variées [11].

I.6 Méthodes de diagnostic des machines asynchrones [8]

Les méthodes de diagnostic pour un moteur électrique asynchrone comprennent l'analyse de

la tension et du courant du stator, la mesure de la résistance et de l'inductance du stator et du rotor,
ainsi que l'observation du bruit, des vibrations et de la température du moteur. D'autres méthodes
de diagnostic peuvent inclure l'analyse de l'isolation et des décharges partielles, ainsi que des tests
de court-circuit et de surcharge. Il est important de diagnostiquer rapidement les problèmes de
moteur pour éviter des pannes coûteuses et prolonger la durée de vie du moteur.
En plus des méthodes de diagnostic mentionnées précédemment, il est également possible
d'effectuer une analyse de la fréquence du courant et de la tension pour détecter les problèmes
électriques dans le moteur. Une autre méthode consiste à effectuer une analyse spectrale pour
identifier les harmoniques et les défauts dans le système électrique. Il est également important de
vérifier régulièrement les connexions électriques pour éviter les faux contacts qui peuvent causer
des problèmes au moteur. Enfin, il est recommandé de suivre un plan de maintenance préventive
pour prolonger la durée de vie du moteur et éviter les pannes coûteuses.
En ce qui suit, nous présenterons une panoplie des méthodes de diagnostic appliquées aux moteurs
électriques. Ces méthodes sont classées en deux grandes catégories, celles qui utilisent un modèle
analytique du moteur et celles qui se dispensent de ce modèle. L'approche analytique est plutôt
27
 Chapitre I Les entrainements et leurs méthodes de diagnostic

analytique du moteur et celles qui se dispensent de ce modèle. L'approche analytique est plutôt
inspirée par les automaticiens, alors que les communautés du génie électrique et du traitement du
signal préfèrent s'intéresser à des méthodes plus heuristiques.

I.6.1 Méthodes de diagnostic avec modèle analytique [8]

Ces méthodes de détection se basent sur des connaissances a priori du système. En fait, la
comparaison des signaux expérimentaux représentant le fonctionnement du système et des signaux
générés par les modèles (ou des paramètres estimés) permet la détection ainsi que l'identification
de la défaillance susceptible de se générer. Ces techniques requièrent le savoir de la plage de
changement de ces modèles et de ces paramètres selon les conditions de fonctionnement du
système. Ces techniques peuvent être classées en trois genres.

I.6.2 Techniques d'estimation d'état

Les modèles analytiques font introduire un nombre fini de variables internes, appelés aussi
variables d'état. Ces variables sont généralement non quantifiables à cause d'inconnaissance,
elles peuvent être démunies de sens physique ou le coût d'installation de capteurs est trop élevé.
Comme l'évolution temporelle du système est caractérisée par l'évolution de ces variables,
on a souvent recours à des techniques d'estimation (capteurs logiciels) pour suivre l'évolution
de leurs valeurs. La (Fig I.8) présente le schéma de principe de l'estimation d'état à partir des
grandeurs mesurées (les signaux d'entrée et les signaux de sortie du système).

e(t) s(t)
Moteur

Observateur Etat estimé

(Filtre)

Modèle du
Système

Figure I.9. Principe de l'estimation d'état.

Les travaux importants de [12] et de [13] exposent deux manières différentes pour la
reconstruction de l'état du système en connaissant son modèle mathématique. Les techniques qui

28
Chapitre I Les entrainements et leurs méthodes de diagnostic

résultent de ces deux concepts sont le filtre de Kalman et l'observateur de Luenberger. Des
techniques se fondant sur une représentation linéaire autour d'un point de fonctionnement du
système, ont permis d'approprier ces techniques aux modèles non linéaires. Nous pouvons indiquer
comme exemple le filtre de Kalman étendu et l'observateur de Luenberger étendu [14, 15, 16].
Nous pouvons évoquer aussi d'autres techniques applicables pour les systèmes qui ne peuvent
pas être linéarisés par un changement de coordonnées, comme les observateurs à grand gain [17,
18], les observateurs à gain adaptatif [19] ou la combinaison des observateurs de type grand gain
et du filtre de Kalman [18]. Comme exemple, dans le domaine de la surveillance et du diagnostic
de la machine asynchrone, nous pouvons évoquer l'estimation des courants rotoriques ou des flux,
sur la base du modèle de Park de la machine asynchrone, qui peut nous renseigner sur la présence
de certains types de défaut, ces estimations étant utilisées par ailleurs par les algorithmes de
commande.

I.6.3 Technique de génération de résidus

Les résidus sont des signaux qui expriment l'écart entre un modèle et le système à
surveiller, comme illustré par la (Fig I.9). Ces résidus dépendent de la technique avec laquelle ils
ont été générés. Ces techniques d'extraction des résidus projettent à fournir des signaux
significatifs et exploitables pour détecter la présence d'une défaillance spécifique. En mode sain,
ces résidus doivent être presque nuls et traduit la présence d'un défaut en prenant des valeurs
significatives.
Une autre technique de génération se base sur les relations de redondance analytique (ARR) [20]
afin de fournir des résidus robustes aux variations des résistances statoriques et rotoriques de la
machine, ce qui a permis de simuler un détecteur qui capte le dysfonctionnement au niveau du
stator ou du rotor.

e(t) s(t)
Processus expérimental
à base du moteur

Générateur de Résidus ε

résidus

Modèle

Figure I.10. Génération des résidus.

29
Chapitre I Les entrainements et leurs méthodes de diagnostic

Toutefois, plusieurs études ont démontré que ces techniques de générations de résidus sont mieux
appropriées à la détection de défauts d'actionneurs et surtout de capteurs [20]. En pratique, les
défauts internes sont mieux détectés par des techniques d'identification.

I.7. Techniques d’identification

Les techniques d'identification permettent de déterminer un modèle dynamique du système

à surveiller à partir de mesures expérimentales, d'entrée et de sortie. Le principe est que les
paramètres caractérisant ce modèle identifié vont être affectables aux défauts de la machine,
et d’où leurs variations permettent de caractériser ces défauts ; on trouvera dans [21] une
formalisation de ce principe. L'estimation des paramètres du modèle est procédée par un
algorithme de minimisation de l'erreur entre la sortie du modèle et celle de la machine, la (Fig
1.10) illustre cette procédure, appelée aussi méthode du modèle [22]

e(t) s(t)
Processus
expérimental à base
du moteur
+ Résidus ε
_
s(t)
Modèle

Identification

Figure I.11. Principe des techniques d'identification.

Plusieurs techniques d'identification basées sur la minimisation d'un critère quadratique sont
utilisables; on peut les classer selon :

– Techniques à erreur d'équation [23],

– Techniques à erreur de sortie [22, 24, 25],

– Filtre de Kalman étendu [23, 26]

Les techniques à erreur d'équation sont les plus simples à mettre en pratique; de plus, elles se
conviennent parfaitement au temps réel, donc au suivi des variations paramétriques. Leur principal

30
Chapitre I Les entrainements et leurs méthodes de diagnostic

défaut est de fournir des estimations biaisées par les bruits affectant le système. De plus, il est
nécessaire de les mettre au niveau en cas des systèmes à représentation continue [27, 28].
Les techniques à erreur de sortie sont plus lourdes à mettre en œuvre et limitées au fonctionnement
hors-ligne. Par contre, elles fournissent des estimations non biaisées, bien adaptées au diagnostic
par suivi paramétrique, éventuellement avec connaissance a priori [29].
Le Filtre de Kalman étendu [26] combine la fonction observation d'état et estimation paramétrique.
Ses estimations sont elles aussi non biaisées ; de plus, cet estimateur est parfaitement adapté au
fonctionnement temps réel. Cependant, son fonctionnement optimal nécessite une bonne
connaissance a priori des bruits affectant le système.
Les paramètres électriques caractérisant la machine asynchrone peuvent servir de très bons
indicateurs de défaut. L'une des défaillances la plus couramment étudiée dans la machine
asynchrone à cage d'écureuil est la rupture des barres rotoriques. Bien qu'elle soit identifiable à
partir de l'analyse spectrale des courants statoriques le suivi de la résistance rotorique peut être
un bon indicateur de défaillance.
En effet, plusieurs travaux ont prouvé que la résistance Rr est très sensible aux défauts
rotoriques, et que la variation de cette résistance est d'autant plus importante que le nombre de
barres cassées est lui aussi plus important. Plusieurs techniques permettent d'estimer la valeur de
cette résistance, nous pouvons citer par exemple l'estimation par erreur de sortie [29, 01],
l'estimation par filtre de Kalman étendu [14, 30] ou par observateur grand gain non linéaire [31].
Toutefois, du fait que la valeur de cette résistance est aussi liée à la variation de température du
rotor, il suffit d'une cause naturelle (par exemple fonctionnement à pleine charge) pour que cette
résistance varie. La seule estimation de Rr ne permet pas de détecter la présence d'une ou
plusieurs barres défectueuses. Cette ambiguïté peut être levée via la prise en compte de la
température interne de la machine par les algorithmes d'identification à l'aide de l'information a
priori [01].
Ces méthodes de diagnostic par identification sont généralement utilisées pour la surveillance et
la détection des défaillances, le plus souvent à l'aide de modèles spécifiques [32, 01] :
– De ruptures de barres ou de portions d'anneaux au rotor

– D'excentricité statique et dynamique

– De réduction de spires ou court-circuit entre spires d'une même phase au stator

La principale limitation des techniques par identification est la nécessité d'une excitation
31
Chapitre I Les entrainements et leurs méthodes de diagnostic

persistante, c'est à dire d'une entrée u(t) (Fig I.10) qui perturbe suffisamment le système pour
générer des signaux exploitables par l'algorithme d'identification. Cette excitation persistante
[23] est évidemment incompatible avec un fonctionnement en régulation (par exemple à vitesse
constante).
La première famille de méthodes de diagnostic nécessite la connaissance du comportement
dynamique de la machine à l'aide d'un modèle de connaissance. Toutefois, ces méthodes ne
permettent pas d'étudier tous les défauts de la machine (défauts de roulements par exemple).
Dans la section suivante, nous nous intéressons aux méthodes de diagnostic sans modèle, basées
sur le suivi et l'analyse des grandeurs telles que les courants, les vibrations, les flux et le couple.

I.7.1 Méthodes de diagnostic sans modèle analytique [8]

Ces méthodes ne nécessitent pas forcément de modèle précis du système mais reposent plutôt
sur une reconnaissance de signatures. Les signatures de défauts, obtenues par modélisation ou par
mesure sur maquette, sont généralement classées dans une base de données. L'analyse est
réalisée par une interprétation du type signal ou par système expert . . .
Les défauts étudiés par ces méthodes de diagnostic sont :

– La rupture de barres ou de portions d'anneaux au rotor.

– L'excentricité statique et dynamique.

– La défaillance des paliers.

– Le court-circuit entre spires au stator.

– Les défauts de roulements.

I.7.2 Méthode par traitement de signal

Pour des raisons de simplicité et d'efficacité, la méthode de traitement du signal est très utilisée
actuellement en diagnostic. Cette approche se base sur la connaissance de l’état du système sain,
elle est ensuite comparée avec les signaux mesurés. Les méthodes usuelles d'analyse des signaux
de diagnostic en régime transitoire et en régime permanent sont l'analyse spectrale, le
spectrogramme, l'analyse temporelle et la distribution de Wigner-Ville [33].

32
Chapitre I Les entrainements et leurs méthodes de diagnostic

I.7.2.1 Analyse spectrale

Les approches fondées sur l'analyse de la signature spectrale sont les plus largement
rencontrées pour détecter la présence d'une anomalie. Le principal défaut de l'analyse spectrale est
qu'elle est très sensible à la qualité de la mesure, ainsi qu'à la fréquence d'échantillonnage et au
nombre d'échantillons. Les procédures de surveillance de fonctionnement sont généralement
dirigées vers des pannes spécifiques intervenant sur l'une des trois parties de la machine : le stator,
le rotor ou les paliers.
Pour déterminer de manière précise les informations relatives aux défauts, les recherches ont été
particulièrement orientées vers le spectre des courants statoriques pour deux raisons. Les courants
sont faciles à mesurer et ils livrent des informations sur de nombreux défauts. Mais la mesure des
signaux puis leurs traitements dans le domaine spectral « FFT » ne peuvent être utiles, en terme
d'identification, que si les composantes fréquentielles définies pour chaque défaut [34, 06, 35] sont
connues. Outre cette entrave, cette méthode exige un nombre suffisant de points d'acquisition pour
assurer une précision fréquentielle minimale. Cette technique est généralement utilisée
durant le régime permanent de la machine [36].

I.7.2.2 Spectrogramme

La technique de spectrogramme offre des analyses fréquentielles des signaux en régime dynamique
de fonctionnement du système. Cette technique basée sur un calcul répétitif de la FFT sur une
fenêtre temporelle glissante, ce qui emmène cette technique sensible à la longueur de la fenêtre,
au type de fenêtrage, à la durée totale de supervision et au pas de glissement de la fenêtre [37].
Bien que cette technique permette d'analyser des signaux en régime dynamique, la rapidité du
régime dynamique des machines asynchrones de l'ordre de 150 ms réduit significativement la
précision de cette technique.

I.7.2.3 Analyse temporelle

Il ne faut pas également omettre l'analyse temporelle, qui consiste à comparer les signaux
temporels issus d'un fonctionnement sain du système aux signaux temporels du fonctionnement
courant [38, 39,05]. Le déphasage introduit par les instruments de mesure retourne la comparaison
directe de ces signaux non significative, ainsi il est courant d'effectuer des transformations sur
les signaux avant de les comparer. Malgré cette transformation, cette méthode ne permet pas
d'identifier sûrement les défaillances pouvant affecter les machines électriques.

33
Chapitre I Les entrainements et leurs méthodes de diagnostic

I.7.2.4 Analyse temps-fréquence

Les méthodes temps-fréquence, basées sur l'analyse de Wigner-Ville, marient l'analyse

temporelle et l'analyse fréquentielle. [33] a démontré que cette technique permet de prélever des
informations du régime dynamique d'un système, et que ce régime est plus ample que le régime
stationnaire du processus en étude.

I.8. Méthode par intelligence artificielle (IA)

L'intelligence artificielle est de plus en plus utilisée dans le domaine de la supervision et du

diagnostic, elle a permis d'augmenter l'efficacité et la fiabilité du diagnostic. Dans le domaine de
la supervision des machines électriques, les industriels et les chercheurs ont de plus en plus recours
à ce genre de technique pour augmenter l'efficacité du système [41].
En pratique, le terme « Intelligence Artificielle » comprend diverses techniques telles que
les systèmes experts, les réseaux de neurones, la logique floue, SVM (Support Vector Machine)
qui peuvent être utilisés de manière indépendante ou mariés pour améliorer leur efficacité. Ces
méthodes sont intéressantes même si elles demandent une phase d'apprentissage initial qui est
critique pour un fonctionnement optimal. La phase d'apprentissage requiert un ensemble important
d'exemples comme elle peut être illusoire ou peut donner des résultats valables uniquement à un
ensemble de systèmes.
Une fois la phase d'apprentissage réalisée, ces techniques s’apparaissent efficaces et simples, et
elles peuvent être optées avec succès pour le diagnostic des défaillances des systèmes électriques.
Les techniques d'intelligence artificielle peuvent améliorer le processus de décision avec une
intervention humaine réduite. Mais elles ne peuvent pas être une solution apte à résoudre tout
problème de diagnostic.
Ces techniques d'intelligence artificielle essaient à simuler et à recueillir le raisonnement humain
de manières différentes :

I.8.1 Réseaux de Neurones Artificiels (RNA)

Les RNA miment la structure neuronale d'un cerveau humain ; ils sont constitués par un réseau
complexe de blocs arithmétiques simples. Ils peuvent aisément représenter les systèmes non
linéaires multi-entrées/multi-sorties. Cette technique a largement été répandue dans le domaine du
diagnostic des machines électriques [42, 41] selon plusieurs démarches et techniques :

34
Chapitre I Les entrainements et leurs méthodes de diagnostic

– Apprentissage à partir de signaux temporels ou fréquentiels issus de simulation ou

d'expérimentation.
– Diagnostic en temps réel et autonome.

– Mise à jour dynamique de la structure du réseau.

– Filtrage des transitoires, des perturbations et du bruit.

– Détection des défauts dès leur naissance.

I.8.2 Logique floue

Elle s i m u l e la perception humaine des valeurs et elle ne se limite pas à des valeurs «
vrai, faux » comme la logique traditionnelle. Elle offre une large fourchette de valeurs
intermédiaires. Les systèmes flous sont capables de traiter des variables naturelles via des
conditions floues « si- alors ». Les systèmes flous adaptatifs déploient les facultés d'apprentissage
des réseaux de neurones ou la robustesse des algorithmes génétiques dans le domaine de
l'optimisation des paramètres du système à étudier, afin de prendre en considération les
connaissances a priori et l'expertise humaine dans le domaine. Nous pouvons déceler dans la
littérature [40, 43, 44] plusieurs articles utilisant cette technique dans le domaine du diagnostic
et de la surveillance des moteurs électriques, avec des objectifs variés :
– Détection d'un fonctionnement anormal et localisation de la défaillance.

– Évaluation des indices de performance.

– Construction de bases de données issues de l'expertise humaine, et formulation sous forme

de règles conditionnelles « si-alors ».
– Conception de systèmes adaptatifs pour le diagnostic.

1.8.3 Technique Neuro-Floue

C’est la combinaison des deux techniques précédentes. [40] et [43] ont démontré que cette
combinaison est très fleurissante pour le diagnostic et la surveillance de moteurs asynchrones. En
fait, les réseaux de neurones adaptatifs peuvent générer le système flou correspondant d'une
manière autonome. Cette génération des règles est faite à partir des exemples d'apprentissage, en
réduisant ainsi l'intervention de l'expert lors de la formulation des règles conditionnelles.

35
 Chapitre I Les entrainements et leurs méthodes de diagnostic

L'application de l'IA est d'une grande assistance dans l'automatisation de la procédure du

diagnostic, elle permet de profiter de l'expertise humaine dans le domaine en question.

I.8.4 Technique de Séparateurs à Vaste Marge (SVM)

Les SVM (Support Vector Machines) sont de nouvelles techniques d'apprentissage statistique
proposées par V. Vapnik en 1995. Elles permettent d'examiner des problèmes très divers comme le
classement ou identification, la régression, la fusion, etc... Depuis leur mise en œuvre dans le
domaine de la Reconnaissance de Formes, plusieurs travaux ont pu prouver l'efficacité de ces
techniques principalement en traitement d'image et diagnostic des moteurs électriques.
L'idée principale des SVM consiste à projeter les données de l'espace d'entrée (appartenant à deux
classes différentes) non-linéairement séparables dans un espace de plus grande dimension appelé
espace de caractéristiques de façon à ce que les données deviennent linéairement séparables. Dans
cet espace, la technique de construction de l'hyperplan optimal est utilisée pour calculer la fonction
de classement séparant les deux classes [45].

I.9 Conclusion
Dans ce chapitre, nous avons évoqué que les éléments principaux, composant la machine
asynchrone, peuvent présenter des défaillances qui induisent, pour la plupart d’entre elles, un arrêt
intempestif de la machine. C’est pourquoi le diagnostic du défaut a pris une importance de plus en
plus grandissante en milieu industriel. Cette envergure a incité d’apparaitre des méthodes de
diagnostic afin d’éviter cet arrêt. Nous avons vu que la détection de défaut s’effectue éventuellement
en rapport avec la méthode d’extraction de paramètres utilisés.
Dans la continuité de cette thèse, nous allons aborder les méthodes d’analyse spectrales dites à hautes
résolution pour extraire les signatures des défauts de la machine asynchrone.

36
Chapitre II

Méthodes de haute résolution

&
Extraction des signatures des
défauts
 Chapitre II Méthodes de haute résolution et extraction des signatures des défauts

II. Méthodes de haute résolution et extraction des signatures des défauts

II.1 Introduction
L'estimation de fréquences d'un signal composé d'une somme de sinusoïdes noyées dans un
bruit additif (blanc ou coloré) est un problème rencontré dans de nombreux domaines.
Le périodogramme, adéquat dans ce type de problème, devient inefficace lorsque le nombre
d'échantillons est trop réduit et que la différence entre les fréquences est inférieure à la résolution
de Fourier. Dans ces conditions excessives, l'estimation paramétrique et notamment les méthodes
dites « Haute Résolution », fournissent des performances intéressantes. Mais devant la diversité de
méthodes, le choix d'une technique n'est pas manifeste même si les conditions de mise en pratique,
les caractéristiques des signaux et les performances souhaitées permettent de limiter les solutions.
Les méthodes dites à Haute Résolution (HR), qui existent leurs applications en traitement d’antenne
comme en analyse spectrale [50], manifestent l’avantage de s’acquitter des limitations naturelles
de l’analyse de Fourier. De fait, en l’absence de bruit, leur précision et leur résolution fréquentielles
sont fabuleusement infinies (bien qu’en réalité limitées par la précision finie des calculateurs). Ceci
est rendu possible en se basant considérablement sur un modèle paramétrique de signal. Ainsi, à
l’opposé de l’analyse de Fourier qui se réduit à composer le signal dans un domaine transformé
(Fig. II.1), les méthodes HR sont des méthodes d’estimation paramétrique. En effet, elles sont bien
adaptées pour estimer les paramètres d’une somme de sinusoïdes dont l’amplitude varie
exponentiellement.

38
 Chapitre II Méthodes de haute résolution et extraction des signatures des défauts

100
Pseudospectre Estimé via MUSIC Spectre via FFT
160

140
80

120
puissance (dB)

60

Puissance (dB)
100

40 80

60
20

40
0
20

-20 0

-20
-40
0 100 200 300 400 500 600 700
-40
Fréquence (Hz) 0 0.5 1 1.5
Fréquence (KHz)

Figure II.1 : Spectres via HR et FFT

L’origine des méthodes HR revient aux travaux de Prony publiés en 1795, qui projettent à évaluer
une somme d’exponentielles par des techniques de prédiction linéaire [56]. Plus récemment, elles
apparaissent dans les années 1970 dans les domaines de l'acoustique sous-marine (WS Ligget ...),
de sismique (VF Pisarenko ...) et de radioastronomie (à El-Behery ...) [57]. La popularité de ces
méthodes en traitement du signal a commencé, en 1980, après les publications simultanées et
indépendantes de deux algorithmes basés sur un principe identique. Il s'agit de l'algorithme MUSIC
de Schmidt, et la méthode de Bienvenu et Kopp. A partir des caractéristiques de la matrice d'auto-
corrélation des observations, ces deux méthodes décomposent l'espace des observations en deux
sous-espaces vectoriels orthogonaux. Par la suite, d'autres algorithmes avec des sous-espaces sont
nés, ESPRIT (Estimation of Signal Parameters via Rotational Invariance Techniques) et MIN-
NORM (MINimal NORM) [55].

Ce chapitre n’a pas d’objectif à présenter les méthodes HR de façon intégrale. Mais seules certaines
d’entre elles sont présentées ici : les méthodes anciennes de Prony et de Pisarenko, et
récentes de Root- MUSIC et ESPRIT.

39
 Chapitre II Méthodes de haute résolution et extraction des signatures des défauts

II.2 Méthode Prony

La méthode Prony est une méthode paramétrique qui a été développée par l'ingénieur
Français Gaspard PRONY (1755 - 1839) et qui est fondée sur la technique de prédiction linéaire.
La méthode originale permet d’exprimer l’allure sinusoïdale ou exponentielle d’un signal discret
par résoudre un ensemble d'équations linéaires résultantes d’un modèle mathématique du signal
observé [55]. Par conséquent, la méthode de Prony transforme un signal discret en une somme
linéaire d’exponentielles complexes. Récemment et avec le développement de la technologie de
calcul, cette méthode est généralisée à la conception et l’implémentation en temps réel des filtres
récursifs [87].
Si la méthode de PRONY est simple dans son principe, son implémentation est par contre beaucoup
plus épineuse. La difficulté demeure dans le choix du nombre de données, dans le choix de
l'intervalle global à considérer pour extraire l'information cherchée et finalement du nombre
d’exponentielles représentatives de l'information contenue dans le signal et tout l'art de la mise en
pratique de la méthode se situe dans le "bon" choix de ces paramètres [88].
Supposons un signal x[n] de N échantillons, la méthode de Prony classique rapproche l’ensemble
des échantillons à une combinaison linéaire des fonctions exponentielles complexes. Cette
combinaison représente l’expression du signal estimé x̂[n] :
L

x̂[n] = ∑ ℎ𝑘 𝑧𝑘𝑛 (II. 1)

k=1

Où :

 hk ∈ C est un nombre complexe représentant l'amplitude et la phase de la kième composante

hk = Ak . ej.φk
α𝑘
+j.ωk
 zk = e Fs

2πFk
ωk = est la pulsation et α𝑘 le coefficient d’amortissement caractérisant de la kième
Fs

composante.
Avec :
 Fk est la fréquence de la kième composante,
 Fs est la fréquence d'échantillonnage,
 n est un nombre entier égale à 0, 1, 2 ..... N-1,

40
 Chapitre II Méthodes de haute résolution et extraction des signatures des défauts

 L est l’ordre du modèle.

Les paramètres 𝐴 , 𝑓 , 𝜑 𝑒𝑡 𝛼 sont des inconnus à estimer. Pour cela, on va considérer deux cas,
selon que N=2L ou N > 2L.

 Cas de N=2L

En premier lieu, on va développer l’équation qui nous permet de trouver les coefficients
d’amortissement α [49,59]. Considérons :

𝛼 . 𝑥 [n − k] = (𝛼 ℎ 𝑧 ), 𝐿 + 1 ≤ 𝑛 ≤ 2𝐿

= (ℎ 𝑧 α 𝑧 )

= (ℎ 𝑧 α 𝑧 )

Sachant que : ∑ α 𝑧 représente le polynôme caractéristique P( z )=0 si les racines z sont

connues. D’où

α x[ 𝑛 − 𝑘] = 0 (II. 2)

Par conséquent, le problème non linéaire se transforme en solution d’un système d’équations
linéaires. Dans cet optique, on doit construire un ensemble des équations de différence linéaires
homogènes avec des coefficients 𝛼 constants (où : α =1) :
L’équation de différence linéaire (II.2) peut être compactée sous la forme matricielle suivante :

X. A = −Y (II. 3)

x [L] … x [1] α x [L + 1]
⋱ ⋮
Avec : 𝑋 = ⋮ ⋮ ,𝐴= ,𝑌= ⋮
⋮ α
x[2L − 1] … x[L] x[2L]

41
 Chapitre II Méthodes de haute résolution et extraction des signatures des défauts

En utilisant l’équation (II.3), on peut déterminer les α𝑘 . Par la suite un polynôme caractéristique
est constitué de ces coefficients pour chercher les racines z𝑘 comme suit :
L

P( z ) = ∑ αk . z L−k (II. 4)
k=0

Une fois trouvées, les coefficients d’amortissements α𝑘 et les fréquences Fk en sont déduits par les
relations suivantes :
Fs 𝐼𝑚(z𝑘 )
α𝑘 = Fs ln|z𝑘 | 𝑒𝑡 Fk = 𝑎𝑟𝑐𝑡𝑔( )
2𝜋 𝑅𝑒(z𝑘 )

Par suite et finalement, on reconstruit les L équations (II.1) avec les racines z𝑘 sous la forme
matricielle suivante :
1 1 … 1 h x [1]
𝑧1 𝑧2 ⋱ 𝑧𝐿 1
[ ⋮ ⋮ ⋮ ] [ ⋮ ] = [ ⋮ ] (II. 5)
𝑧1 𝐿−1 𝑧2 𝐿−1
𝑧𝐿 𝐿−1 h𝐿 x[L]

Afin de déterminer les paramètres complexes ℎ𝑘 on résout l’équation (II.5) et d’où, l'amplitude
(𝐴𝑘 ) et l’angle de phase (φk ) sont tirés en passant par les relations suivantes:

𝐼𝑚(h𝑘 )
A𝑘 = |h𝑘 | 𝑒𝑡 φk = 𝑎𝑟𝑐𝑡𝑔( )
𝑅𝑒(h𝑘 )
 N > 2L
La méthode initiale de Prony fournit des résultats précis dans le cas où les données sont non
bruitées. Malheureusement, en réalité, les mesures sont toujours bruitées et la méthode donne des
résultats erronés même en présence d’un bruit faible. Ceci est dû à l’intense sensibilité des racines
z𝑘 . Une extension de la méthode de Prony proposée par Hildebrand consiste à utiliser plus de
données (N > 2L). En conséquence, l’équation (II.1) devient :

𝑥[𝑛] = x̂[n] + e[n] = ∑Lk=1 ℎ𝑘 𝑧𝑘𝑛 + e[n] (II.6)

Où Le bruit e[n] est un bruit blanc complexe, gaussien, de moyenne nulle et de variance 𝜎𝑒2 , et qui
représente l'erreur d'approximation entre le signal réel x[n] et son approximation linéaire x̂[n]. Pour

42
 Chapitre II Méthodes de haute résolution et extraction des signatures des défauts

estimer les paramètres 𝐴𝑘 , 𝑓𝑘 , 𝜑𝑘 𝑒𝑡 𝛼𝑘 cette fois-ci, il faut minimiser l'erreur quadratique de e[n]
sur les N échantillons disponibles :

L 𝑛 2
𝐸 = ∑𝑁 2 𝑁
𝑛=1|𝑒[𝑛]| = ∑𝑛=1|𝑥[𝑛] − ∑k=1 ℎ𝑘 𝑧𝑘 + e[n]| (II.7)

D’où l'équation aux différences linéaire (II.2) deviendra comme suit :

𝐿

∑ α𝑘 x[ 𝑛 − 𝑘] = 𝑒[𝑛] (II. 8)
𝑘=0

Sur N échantillons, l’équation peut être réécrite sous forme matricielle suivante :

x [L] … x [1] α1 x [L + 1]
⋱
[ ⋮ ⋮ ].[ ⋮ ] = [ ⋮ ] (II.9)
⋮ α𝐿
x[N − 1] … x[N − L] x[N]

Le vecteur des paramètres à estimer α𝑘 est sélectionné pour minimiser l'erreur quadratique totale
de prédiction linéaire. La minimisation peut être mise en œuvre via la méthode des moindres carrés.
De surcroit, l'estimation des paramètres complexes ℎ𝑘 est faite aussi par la méthode des moindres
carrés. Par conséquent, le groupe des équations linéaires (II.5) devrait être compacté sous la forme
suivante :
Z. H = −B (II. 10)

1 1 … 1 x [1]
z1 z2 ⋱ zL h1
Où Z=[ ⋮ ⋮ ⋮ ] , H = [ ⋮ ] , B = [ ⋮ ]
z1 N−1 z2 N−1 zL N−1 hL x[N]

En ce cas, la méthode de prony étendue pourrait suivre les trois étapes suivantes :
Etape 1 :
La détermination des paramètres de prédiction linéaire 𝛼𝑘 . Cette étape est réalisée par la résolution
de l'équation (II.9).
Etape 2 :

43
 Chapitre II Méthodes de haute résolution et extraction des signatures des défauts

Trouver les racines 𝑧𝑘 du polynôme caractéristique à partir de l’équation (II.4). Les racines 𝑧𝑘
permettent la détermination de paramètres αk et Fk .
Etape 3 :
Résoudre l’équation (II.10) par la méthode des moindres carrées ce qui permet la détermination
des Ak et φ𝑘 .

Il faut souligner que l’efficacité et la précision de la méthode de Prony dépendent de plusieurs

éléments. En effet, l'ordre du modèle L, le rapport du signal sur bruit, la fréquence
d'échantillonnage, le nombre d'échantillons N utilisés et la nature du signal (stationnaire ou pas).
Tous influencent la qualité et la précision des résultats. Afin de diminuer l’influence de ces facteurs,
une étape de prétraitement du signal acquis est fortement indispensable. Cette étape se compose
de :
- l’acquisition du signal où, on définit la fréquence d’échantillonnage en respectant le théorème de
Shannon ;
- le filtrage pour la réduction du bruit et l’annulation des harmoniques indésirables.

Figure II.2 : Signal mono-fréquence bruité et son spectre par Prony

44
 Chapitre II Méthodes de haute résolution et extraction des signatures des défauts

Figure II.3 : Signal tri-fréquence bruité et son spectre par Prony

Figure II.4: Courant statorique avec défaut et son spectre par Prony

Les figures II.2-4 montrent quelques exemples de signaux et leurs spectres déterminés par la
méthode Prony. On voit que la méthode est très efficace pour les deux premiers exemples bien que

45
 Chapitre II Méthodes de haute résolution et extraction des signatures des défauts

les signaux soient bruités. Par contre pour le troisième, la méthode est anodine pour extraire la
fréquence de la signature du défaut comme s’il n’existe pas.

II.3 Méthode Pirasenko

Cette méthode a été établie en 1911 par Constantin Carathéodory mathématicien allemand
d’origine grecque puis développée en 1973 par Vladilen Fedorovich Pirasenko sismologue russe.
C’est une décomposition harmonique d’un signal constitué des exponentielles complexes en
présence du bruit et elle permet l’estimation de la fréquence. En fait, c’est une variante de la
méthode Prony où au lieu de minimiser l’erreur de modélisation 𝐞[𝐧] directement ; on minimise sa
‖𝐞[𝐧]‖𝟐
puissance .
𝐋
Nous supposons que le signal est x[n] tel que :

𝐱[𝐧] = ∑ 𝐀 𝐤 𝐞𝐱𝐩(𝐣𝛚𝐤 𝐧) + 𝐞[𝐧] (𝐈𝐈. 𝟏𝟏)

𝐤=𝟏

Où :

 Ak ∈ C est un nombre complexe représentant l'amplitude et la phase de la kième composante.

𝟐𝛑𝐅𝐤
 𝛚𝐤 est la pulsation de la kième composante, 𝛚𝐤 = .
𝐅𝐬

Avec :

 𝐅𝐤 est la fréquence de la kième composante,

 Fs est la fréquence d'échantillonnage,
 n = est un nombre entier égale à 0, 1, 2 ..... N-1,
 N est le nombre des échantillons,
 e[n] représente l’erreur de modélisation qui est bruit blanc gaussien centré.

La minimisation de la puissance de l’erreur revient à minimiser la matrice de covariance de x[n]

qui est exprimée par :

46
 Chapitre II Méthodes de haute résolution et extraction des signatures des défauts

𝐜𝐱 [𝟎] 𝐜𝐱 [−𝟏]⋱ … 𝐜𝐱 [𝐍 − 𝟏]
𝐂𝐱 = [ 𝐜𝐱 [𝟏] 𝐜𝐱 [𝟎]⋱ 𝐜𝐱 [−𝟏] ] (𝐈𝐈. 𝟏𝟐)
⋮ ⋮ ⋮
𝐜𝐱 [𝐍 − 𝟏] 𝐜𝐱 [𝟏] 𝐜𝐱 [𝟎]
où

𝐜𝐱 [𝐤] = 𝐄(𝐱[𝐧]. 𝒙∗ [𝐧 − 𝐤]) (𝐈𝐈. 𝟏𝟑)

Il peut être démontré que cette dernière est reformulée comme suite :

𝐜𝐱 [𝐤] = |𝐀 𝐤 |𝟐 𝛂𝐤 𝛂∗ 𝐤 𝐇 + 𝛔𝟐𝟎 𝛅[𝐤] (𝐈𝐈. 𝟏𝟒)

D’où la matrice de covariance (𝐈𝐈. 𝟏𝟐) devient:

𝑪𝐱 = ∑|𝐀 𝐤 |𝟐 𝛂𝐤 𝛂∗ 𝐤 𝐓 + 𝛔𝟐𝟎 𝐈 = 𝐂𝐱 + 𝐂𝐞 (𝐈𝐈. 𝟏𝟓)

𝐤=𝟏

Où 𝛂𝐤 = [𝟏 𝐞𝐣𝐰𝐤 𝐞𝐣𝐰𝐤𝟐 … 𝐞𝐣𝐰𝐤(𝐌−𝟏) ] est un vecteur propre de la matrice Cx avec la valeur

propre 𝛌𝐤 = 𝐌|𝐀 𝐤 |𝟐 . Equation (𝐈𝐈. 𝟏𝟓) peut s’écrire :

𝐂𝒙 = 𝐄 𝚲 𝐄𝐇 + 𝛔𝟐𝟎 𝐈 (𝐈𝐈. 𝟏𝟔)

Où 𝑬 = [𝛂𝟏 𝛂𝟐 … 𝛂𝒌 ] est la matrice M x L, 𝚲 = 𝐝𝐢𝐚𝐠(|𝐀 𝟏 |𝟐 |𝐀 𝟐 |𝟐 … |𝐀 𝐋 |𝟐 ) (𝐈𝐈. 𝟏𝟕) est la

matrice MxM de puissance des harmoniques, H est la transposition hermitienne, et 𝛔𝟐𝟎 et I sont
respectivement la variance de l’erreur et la matrice identité de dimension (M x M).
On peut donc constater que la matrice de covariance se décompose en sous-espaces signal et erreur.
La décomposition spectrale de la matrice M x M 𝐄 𝚲 𝐄𝐇 (appelée matrice de covariance propre)
∗𝑻
est: 𝐄 𝚲 𝐄𝐇 = ∑𝐋𝐤=𝟏 𝛌𝐤 𝐞𝐤 𝐞𝐤 ∗𝑻 + ∑𝐌
𝐤=𝐋+𝟏 𝛌𝐤 𝐮𝐤 𝐮𝐤 (𝐈𝐈. 𝟏𝟖)
Où les valeurs propres 𝝀𝒌 sont réelles et vérifient :

𝛌𝟏 ≥ 𝛌𝟐 ≥ … ≥ 𝛌𝐋 > 𝛌𝐋+𝟏 = 𝛌𝐋+𝟐 = … = 𝛌𝐌 = 𝛔𝟐𝟎

47
 Chapitre II Méthodes de haute résolution et extraction des signatures des défauts

Par la suite un polynôme caractéristique est constitué de L coefficients pour chercher les racines
𝐳𝒌 comme suit :
𝐋

𝐏( 𝐳 ) = ∑ 𝛌𝐤 . 𝐳 𝐋−𝐤 (𝐈𝐈. 𝟏𝟗)

𝐤=𝟎

Les L racines correspondent aux harmoniques possibles selon :

𝐅𝐬
𝐅𝐤 = . 𝐚𝐫𝐠(𝐳𝐤 ) 𝐚𝐯𝐞𝐜 𝐤 = 𝟏, … , 𝐋 (𝐈𝐈. 𝟐𝟎)
𝟐𝛑

Figure II.5: Pseudospectre du courant statorique via la méthode Pirasenko

II.4 Méthode Root-MUSIC

II.4.1 Estimation des fréquences des harmoniques
La Root-MUSIC est une variante de la méthode bien connue MUSIC (MUltiple SIgnal
Classification) qui est une procédure à haute résolution qui approche les données échantillonnées
avec une combinaison linéaire d'exponentielles dans le bruit. Il est basé sur le concept algébrique
linéaire des sous-espaces.

Algorithme MUSIC exploite les propriétés de la décomposition en vecteurs propres de la matrice

d'autocorrélation liée au vecteur des observations. Cette décomposition permet de séparer l'espace
des observations en deux espaces vectoriels orthogonaux : le sous-espace signal et son complément
orthogonal, le sous-espace bruit. Root-MUSIC désigne la version polynomiale de l'algorithme
MUSIC [55].

Nous supposons que le signal est x[n] tel que :

48
 Chapitre II Méthodes de haute résolution et extraction des signatures des défauts

𝐱[𝐧] = ∑ 𝐀 𝐤 𝐞𝐱𝐩(𝐣𝛚𝐤 𝐧) + 𝐍𝐆 [𝐧] (𝐈𝐈. 𝟐𝟏)

𝐤=𝟏

Où :

 Ak ∈ C est un nombre complexe représentant l'amplitude et la phase de la kième composante.

𝟐𝛑𝐅𝐤
 𝛚𝐤 est la pulsation de la kième composante, 𝛚𝐤 = .
𝐅𝐬

Avec :

 𝐅𝐤 est la fréquence de la kième composante,

 Fs est la fréquence d'échantillonnage,
 n = est un nombre entier égale à 0, 1, 2 ..... N-1,
 N est le nombre des échantillons,
 NG représente le bruit blanc de moyenne nulle (bruit blanc gaussien).

La séquence d’autocorrelation de x[n] est exprimée par :

𝐫𝐱 [𝐤] = 𝐄(𝐱[𝐧]. 𝒙∗ [𝐧 − 𝐤]) (𝐈𝐈. 𝟐𝟐)

et la matrice d’autocorrélation de x[n] est définie comme suit :

𝒓𝒙 [𝟎] 𝒓𝒙 [−𝟏]⋱ … 𝒓𝒙 [𝐍 − 𝟏]
𝐑 𝐱 = [ 𝐫𝒙 [𝟏] 𝒓𝒙 [𝟎]⋱ 𝒓𝒙 [−𝟏] ] (𝐈𝐈. 𝟐𝟑)
⋮ ⋮ ⋮
𝒓𝒙 [𝐍 − 𝟏] 𝒓𝒙 [𝟏] 𝒓𝒙 [𝟎]

Il peut être démontré que l'autocorrélation de (𝐈𝐈. 𝟐𝟐) devient :

𝐓
𝒓𝒙 [𝐤] = |𝐀 𝐤 |𝟐 𝐞𝐤 𝐞∗𝐤 + 𝛔𝟐𝟎 𝛅[𝐤] (𝐈𝐈. 𝟐𝟒)

qui peut être représentée, en utilisant la matrice d'autocorrélation (𝐈𝐈. 𝟐𝟑) en:

𝐋
𝐓
𝐑 𝒙 = ∑|𝐀 𝐤 |𝟐 𝐞𝐤 𝐞∗𝐤 + 𝛔𝟐𝟎 𝐈 = 𝐑 𝐬𝐢𝐠𝐧𝐚𝐥 + 𝐑 𝐛𝐫𝐮𝐢𝐭 (𝐈𝐈. 𝟐𝟓)
𝐤=𝟏

49
 Chapitre II Méthodes de haute résolution et extraction des signatures des défauts

Où 𝐞𝐤 = [𝟏 𝐞𝐣𝐰𝐤 𝐞𝐣𝐰𝐤𝟐 … 𝐞𝐣𝐰𝐤(𝐌−𝟏) ] est un vecteur propre de la matrice Rsignal avec la valeur
propre 𝛌𝐤 = 𝐌|𝐀 𝐤 |𝟐 . Equation (𝐈𝐈. 𝟐𝟓) peut s’écrire :

𝐑 𝒙 = 𝐄 𝚲 𝐄𝐇 + 𝛔𝟐𝟎 𝐈 (𝐈𝐈. 𝟐𝟔)

Où 𝑬 = [𝒆𝟏 𝒆𝟐 … 𝒆𝒌 ] est la matrice M x L, 𝚲 = 𝐝𝐢𝐚𝐠(|𝐀 𝟏 |𝟐 |𝐀 𝟐 |𝟐 … |𝐀 𝐋 |𝟐 ) (𝐈𝐈. 𝟐𝟕) est la

matrice MxM de puissance des harmoniques, H est la transposition hermitienne, et 𝛔𝟐𝟎 et I sont
respectivement la variance du bruit blanc et la matrice identité de dimension (M x M).
On peut donc constater que la matrice d'autocorrélation se décompose en sous-espaces signal et de
bruit. La décomposition spectrale de la matrice M x M 𝐄 𝚲 𝐄𝐇 (appelée matrice d'autocorrélation
propre) est: 𝐄 𝚲 𝐄𝐇 = ∑𝐋𝐤=𝟏 𝛌𝐤 𝐞𝐤 𝐞𝐤 ∗𝐓 + ∑𝐌
𝐤=𝐋+𝟏 𝛌𝐤 𝐮𝐤 𝐮𝐤
∗𝐓
(𝐈𝐈. 𝟐𝟖)

Où les valeurs propres 𝝀𝒌 sont réelles et vérifient :

𝛌𝟏 ≥ 𝛌𝟐 ≥ … ≥ 𝛌𝐋 > 𝛌𝐋+𝟏 = 𝛌𝐋+𝟐 = … = 𝛌𝐌 = 𝛔𝟐𝟎

Les sous-espaces signal et bruit sont orthogonaux, d’où nous avons 𝐄𝐇 . 𝐮𝐤 = 𝟎 (𝐈𝐈. 𝟐𝟗)

Cela conduit à l'état appelé « filtre annihilant » qui peut être décrit par :

𝐌−𝟏

𝐔𝐢 (𝐳) = ∑ 𝐮𝐢 [𝐤] 𝐳 −𝐤 ; 𝐢 = 𝐋 + 𝟏, … , 𝐌 𝐞𝐭 𝐳 = 𝐞𝐣𝛚 (𝐈𝐈. 𝟑𝟎)

𝐤=𝟎

Chaque filtre propre a (M-1) racines ; L racines sont communes à tous les filtres propres. Les L
racines communes peuvent être trouvées par une moyenne.
En MUSIC spectrale les fréquences des composants peuvent être obtenues, en trouvant la position
des maxima, à partir du pseudo-spectre estimé du signal [42] :
𝟏
𝑿(𝒆𝒋𝝎 ) = (𝐈𝐈. 𝟑𝟏)
∑𝑴
𝒌=𝑳+𝟏|𝒆𝒌 (𝝎)
𝑯 𝒖𝒌 |

50
 Chapitre II Méthodes de haute résolution et extraction des signatures des défauts

En revanche, la procédure Root-MUSIC utilise la méthode la plus simple de trouver les racines du
polynôme: 𝐏(𝐳) = ∑𝐌 ∗ ∗
𝐢=𝐋+𝟏[𝐔𝐢 (𝐳)][𝐔𝐢 (𝟏⁄𝐳 )] (𝐈𝐈. 𝟑𝟐)

Et déterminer les fréquences des composantes de signal sachant que toutes ces racines sont sur le
cercle unité et E est une matrice de Vandermonde.
Les L racines les plus proches du cercle unité correspondent aux harmoniques possibles selon :
𝐅𝐬
𝐅𝐤 = . 𝐚𝐫𝐠(𝐳𝐤 ) 𝐚𝐯𝐞𝐜 𝐤 = 𝟏, … , 𝐋 (𝐈𝐈. 𝟑𝟑)
𝟐𝛑
Après le calcul des fréquences, les puissances de chaque composante peuvent être estimées à
partir des valeurs et vecteurs propres de la matrice de corrélation, en utilisant la relation:
𝐞∗𝐓
𝐢 𝐑 𝐬 𝐞𝐢 = 𝛌𝐢 (𝐈𝐈. 𝟑𝟒)
Par substitution :
𝐋 𝐍

𝐑𝒙 = ∑ 𝐄{𝐀 𝐢 𝐀∗𝐢 } ∗
𝐱𝐢𝐱𝐢 + 𝛔𝟐𝟎 𝐈 = ∑ 𝐏𝐢 𝐱 𝐢 𝐱 𝐢 𝑻 + 𝛔𝟐𝟎 𝐈 (𝐈𝐈. 𝟑𝟓)
𝐢=𝟏 𝐢=𝟏

Pi –puissance de la composante.
Les équations résultantes peuvent être résolues pour Pi [8].

II.4.2 Estimation des puissances des harmoniques

𝐑 𝐱 = 𝐱. 𝚲. 𝐱 𝐇 = ∑𝐋𝐤=𝟏(𝛌𝐤 + 𝛔𝟐𝟎 )𝐮𝐤 . 𝐮𝐓𝐤 (II.36)

Nous notons qu’il est plus facile à inverser 𝑹𝒙 qu’à inverser x. Par conséquent les puissances
d’harmoniques peuvent être estimées par la méthode suivante [8] :

𝟏
𝐏 = 𝚲−𝟏 = (II.37)
𝐱 𝐇 .𝐑−𝟏
𝐱 .𝐱

Avec :

𝐋 𝟏𝐓
𝐑−𝟏
𝐱 = ∑𝐤=𝟏 𝛌 +𝛔𝟐 𝐮𝐤 . 𝐮𝐤
𝐤 𝟎
{ 𝟏
(II.38)
𝟐 𝐍
𝛔𝟎 = ∑𝐤=𝐋+𝟏 𝛌𝐤
𝐍−𝐋

51
 Chapitre II Méthodes de haute résolution et extraction des signatures des défauts

Il convient de noter que nous calculons la puissance pour trier les fréquences et donc d'éviter les
fausses identifications, ce qui est effectué tout en se basant sur le principe expérimental lequel les
puissances des défauts sont au-dessus de -80 dB (voir figure II.6) [52].

Figure II.6: Spectre du courant statorique via méthode Root-MUSIC

II.5 Méthode ESPRIT

La méthode ESPRIT (Estimation of Signal Parameters via Rotational Invariance

Techniques) a été développée par Roy pour les applications de traitement d’antenne puis étendue
au domaine de l’analyse spectrale. Elle exploite notamment une propriété dite de « rotation » du
sous-espace signal pour sa décomposition harmonique en vue d’estimer ses pôles. En fait, elle
permet de contourner le problème de la recherche numériquement lourde des maxima d’une
puissance d’un signal (MUSIC), a priori, c’est pour ce gain et la simplicité d’implémentation qui
en résulte que cet algorithme ait tellement d’intérêt.
Le modèle complexe d’un signal de L exponentielles complexes s’écrit :

52
 Chapitre II Méthodes de haute résolution et extraction des signatures des défauts

𝐱[𝐧] = ∑ 𝐚𝐤 𝒛𝒏𝒌 + 𝐞[𝐧] (𝐈𝐈. 𝟑𝟔)

𝐤=𝟏

Où :

 ak ∈ C est un nombre complexe représentant l'amplitude et la phase de la kième composante.

𝟐𝛑𝐅𝐤
 𝛚𝐤 est la pulsation de la kième composante, 𝛚𝐤 = .
𝐅𝐬

Avec :
 𝐅𝐤 est la fréquence de la kième composante,
 Fs est la fréquence d'échantillonnage,
 n = est un nombre entier égale à 0, 1, 2 ..... N-1,
 N est le nombre des échantillons,
 e[n] représente l’erreur de modélisation qui est bruit blanc gaussien centré.

pour estimer les pôles 𝐳𝐤 avec k = 1 . . . L, Le modèle peut être écrit sous la forme matricielle
suivante :
𝐗 = 𝐙 . 𝐀 (𝐈𝐈. 𝟑𝟕)

𝟏 𝟏 … 𝟏
𝐳𝟏 𝐳𝟐 ⋱ 𝐳𝐋 𝑻
Où 𝐙 = [ ⋮ ⋮ ⋮ ], 𝑨 = [𝒂𝟏 , 𝒂𝟐, … , 𝒂𝑳 ] est le vecteur d’amplitudes et 𝒛𝒌 = 𝐞𝐱𝐩(𝐣𝛚𝐤 )
𝐳𝟏 𝐍−𝟏 𝐳𝟐 𝐍−𝟏 𝐳𝐋 𝐍−𝟏

avec T l’opérateur de transposé, et on considère 𝐘 = 𝐙 . 𝐄. 𝐀 où E est une matrice diagonale qui

contient sur sa diagonale les éléments 𝐳 = [𝐳𝟏 , . . . , 𝐳𝐋 ]𝐓 .

Lorsque l’on calcule la SVD (décomposition en valeurs singulières) de 𝐗 = 𝐔. 𝐒. 𝐕 𝐇 , on définit

la matrice 𝐔𝐋 ∈ 𝐂 (𝐍−𝐌+𝟏)×𝐋 qui contient les L vecteurs singuliers gauches associés aux plus
grandes valeurs singulières. Or l’espace engendré par les colonnes de la matrice 𝒁(𝑴−𝑳+𝟏) est
identique à l’espace engendré par 𝐔𝐋 . Alors, il existe une matrice inversible T de dimension
L × L, définie comme la matrice de passage entre les deux bases, telle que :
𝐙 (𝐍−𝐌+𝟏) = 𝐔𝐋 . 𝐓 (𝐈𝐈. 𝟑𝟖)
avec M le rang de X.

53
 Chapitre II Méthodes de haute résolution et extraction des signatures des défauts

Réalisons deux partitions différentes de la matrice 𝐙 (N−M+1)

Z (N−M) (z T )0
Z (N−M+1) = [ − − − ] = [− − −] (II. 39)
(z T )(N−M+1) Z̅ (N−M)

où 𝑧 = [𝑧1 , . . . , 𝑧𝐿 ]𝑇 et la matrice 𝑍̅ (N−M) de dimension (N − M) × L est formée par les (N − M)

dernières lignes de A. Alors on vérifie que :

Z̅ (N−M) = Z (N−M) . E (II. 40)

En appliquant ce résultat à la relation (II. 38), nous obtenons alors :

Z (N−M) = UL . T
{ (II. 41)
Z (N−M) . 𝐸 = UL . T

où UL est la matrice qui contient les (M – L) premières lignes et ̅̅

U̅̅L contient les (M – L)

dernières lignes de UL . En conséquence on a :

UL = UL . D (II. 42)

où la matrice D = T. E. T −1 (II. 43) et ses valeurs propres sont les pôles {zi }Li=1. On trouve
F
ensuite les fréquences par la formule suivante: Fk = 2 sπ . arg(zk ) avec k = 1, … , L .

Cette méthode est assez proche de MUSIC excepté qu’au lieu de calculer la SVD d'une matrice
d'autocorrélation puis parcourir un spectre on fait deux SVD des matrices X et Y puis on cherche
la matrice permettant de passer de l'une à l'autre.

II.6 Détermination de l’ordre du modèle (L)

Le choix de l’ordre du modèle exponentiel est un problème primordial lorsque l’on applique
les méthodes HR. En conséquence, celle-ci influe directement sur la qualité de l’estimation lors de
54
 Chapitre II Méthodes de haute résolution et extraction des signatures des défauts

l’approximation dans les méthodes de prédiction linéaire ou la détermination des sous-espaces

signal et bruit dans les méthodes de sous-espaces. Plusieurs méthodes ont été suggérées dans la
littérature pour estimer le nombre de sinusoïdes L d’un signal dont les plus réputées sont le critère
AIC (Akaike Information Criterion) et le critère MDL (Minimum Description Length). Wax et
Kailath [58] ont reformulés ces deux critères en fonction des valeurs propres de la matrice
d’autocorrélation :
1
(∏Li=k+1 λi )L−k
AIC(k) = −N(L − k) ln ( ) + 2k. (2L − k) (II. 43)
1 L
∑ λ
L − k i=k+1 i

1
(∏Li=k+1 λi )L−k 1
MDL(k) = −N(L − k) ln ( ) + k. (2L − k). ln(N) (II. 44)
1 2
∑L λ
L − k i=k+1 i

Pour k = 0, . . ., L − 1, où L est l’ordre du modèle, N est le nombre des échantillons et λi sont les
valeurs propres de la matrice d’autocorrélation, rangées par ordre décroissant (𝜆𝑖 ≥ 𝜆𝑖+1 ). Il est
également possible de définir ces critères en fonction des valeurs singulières σi, au lieu des valeurs
propres λi , lorsque la matrice d’autocorrélation est surestimée (de dimension L’×L, L’≥ L). Il est
indiqué que le critère AIC a tendance à surévaluer l’ordre du modèle alors que MDL tend à le sous-
1
évaluer [59]. Cela provient du terme de correction du critère MDL (2 k. (2L − k). ln(N)) qui est

plus important que celui du critère AIC (2k. (2L − k)).

Ainsi, le choix d’un ordre inférieur au nombre réel des harmonies entraîne des estimations
biaisées, et le choix d’un ordre supérieur recrudescent la variance des paramètres calculés. C’est
pourquoi, la mise en œuvre des méthodes de sous-espaces dans des applications pratiques, où
l’ordre du modèle n’est pas connu, peut provoquer de mauvais résultats.

II.7 Evaluation des méthodes HR

Les performances d’une technique d’estimation sont globalement évaluées en terme de
biais et de variance. Il est aussi faisable de quantifier son efficacité, définie comme le rapport de
sa variance sur la borne de Cramèr-Rao [60]. Notamment, un estimateur est dit efficace si son
efficacité est égale à 1.
Dans le cas des méthodes HR, il se figure malheureusement impossible d’évaluer analytiquement
biais et variance, car la détermination des racines d’un polynôme, ou des valeurs propres d’une

55
 Chapitre II Méthodes de haute résolution et extraction des signatures des défauts

matrice, génère une relation complexe entre les statistiques du signal et celles des estimateurs. En
revanche, des résultats asymptotiques ont pu être acquis grâce à la théorie des perturbations. Ces
résultats s’appuient soit sur l’hypothèse 𝑁 → ∞ (dans le cas où tous les pôles sont sur le cercle
unité), soit sur l’hypothèse d’un fort Rapport Signal à Bruit (𝑅𝑆𝐵 → ∞ ). Sous chacune de ces deux
hypothèses, il a été prouvé que toutes les méthodes HR exposées dans ce chapitre sont non biaisées.
En outre, sous l’hypothèse 𝑁 → ∞, les variances des méthodes de Prony et Pisarenko ont été
estimées dans [47], et celles de MUSIC et ESPRIT dans [48]. Sous l’hypothèse 𝑅𝑆𝐵 → ∞, la
variance de la méthode de Prony a été estimée dans [49], celle de Root-MUSIC dans [50], et celle
de ESPRIT dans [50, 51].
Les détails mathématiques développés dans tous ces articles sont assez complexes, et sont
largement liés à la méthode d’estimation considérée, c’est pourquoi ils ne sont pas reconduits dans
le contenu de ce document. Seuls les résultats essentiels sont énumérés ici. Tout d’abord, il a été
établi dans [47, 49] que les méthodes de Prony et de Pisarenko sont anodines, au sens statistique
du terme : leurs variances sont fortement supérieures aux bornes de Cramer-Rao. De plus, elles
évoluent plus vite que les bornes de Cramer-Rao quand le RSB baisse.
Par contre, les méthodes MUSIC et ESPRIT ont une efficacité asymptotique proche de 1. Plus
exactement, il a été prouvé dans [48, 50] (dans le cadre de sinusoïdes non modulées) que ces deux
méthodes atteignent des performances presque égales, mais qu’ESPRIT est un peu meilleur que
MUSIC. L’étude faite dans [51] (dans le cas plus général de sinusoïdes modulées
exponentiellement) se dirige dans le même sens : ESPRIT s’apparait moins sensible au bruit que
MUSIC.

II.8 Conclusion
Dans ce chapitre nous avons exposé et adapté les méthodes spectrales de haute résolution (HR).
Les originales méthodes de cette famille, des pionniers Prony et Pisarenko, reposent sur les
équations de récurrence linéaire qui caractérisent le modèle de signal. En revanche les techniques
plus récentes, parmi lesquelles les méthodes MUSIC et ESPRIT, s’appuient sur la décomposition
de l’espace des données en deux sous-espaces propres de la matrice de covariance, appelés espace
signal et espace bruit. L’étude statistique de ces diverses techniques d’estimation a montré que la
méthode ESPRIT est la plus performante. Les amplitudes et les phases des exponentielles
complexes peuvent ensuite être estimées par la méthode des moindres carrés.

56
 Chapitre II Méthodes de haute résolution et extraction des signatures des défauts

En outre, notre étude va supposer que le défaut dans l’entrainement est un bruit d’où nous allons
choisir la méthode Root-MUSIC en vue d’extraction des paramètres de sa signature.

57
Chapitre III
Reconnaissance
&
Identification des défauts

58
Chapitre III Reconnaissance et identification des défauts

III. Reconnaissance et identification des défauts

III.1 Introduction
L’imitation et simulation du comportement cérébrale humain a été toujours la préoccupation
des chercheurs scientifiques depuis l’éternité. En effet, une discipline à part entière a été créée
appelée intelligence artificielle. Cette science qui à l’origine cherche une meilleure compréhension
de l’univers intellectuel de l’homme, constitue une approche qui tout compte fait, n’est pas
nouvelle. Son développement se fait à travers les méthodes par lesquelles l’homme essaie de copier
la nature et de reproduire des modes de raisonnement et de comportement qui lui sont propres [61].
Cette approche qui s’est imposée dans les domaines allant du traitement de l’image à la gestion
financière, commence à être utilisée dans les domaines de l’électronique et de l’industrie afin de
résoudre les problèmes d’identification, de régulation de processus, de détection et classification
des défauts, et de prise de décision, avec comme application : les réseaux de neurones, la logique
floue, les réseaux Neuro-floues et Séparateurs à Vaste Marge (SVM).
L'apprentissage automatique est considéré comme un sous-domaine de l'intelligence artificielle et
concerne le développement de techniques et de méthodes qui permettent à l'ordinateur d'apprendre.
En termes simples, il s'agit de développer des algorithmes qui permettent à la machine d'apprendre
et d'effectuer des tâches et des activités. L'apprentissage automatique recoupe les statistiques à
bien des égards. Au fil du temps, de nombreuses techniques et méthodologies ont été développées
pour les tâches d'apprentissage automatique [72].

III.2 Réseaux de neurones

L’origine des réseaux de neurones remonte à l’essai de modélisation mathématique du

cerveau humain. Les premiers œuvres datent de 1943 et sont le travail de MM. Mac Culloch et
Pitts. Ils présument que l’impulsion nerveuse est le produit d’un calcul simple exécuté par chaque
neurone et que la pensée née grâce à la réaction collective d’un réseau de neurone interconnecté.
Ils ont eu de belle envergure vers la fin des années 50, mais le manque de développement de la
théorie a mis en stand-by ces travaux jusqu’aux années 80 [76].
Les réseaux de neurones constituent une famille de fonctions non linéaire, incitant à construire,
par apprentissage, une très large classe de modèles et de contrôleurs. Un réseau de neurones est un
système d’opérateurs non linéaires interconnectés, reçoit des signaux de l’extérieur par ses entrées,
et fournit des signaux de sortie, qui sont en fait les activités de certains neurones.

59
Chapitre III Reconnaissance et identification des défauts

système d’opérateurs non linéaires interconnectés, reçoit des signaux de l’extérieur par ses entrées,
et fournit des signaux de sortie, qui sont en fait les activités de certains neurones.

Neurones biologiques

Nez
Décision Effet conscient
Langue
Récepteur
Capteurs biologiques Peau
Œil

Réflexe Effet inconscient

Oreill
e

Figure III.1 : Structure d’un réseau de neurones biologique.

III.2.1 Architecture des réseaux de neurones [76]

III.2.1.1 Réseaux de neurones non bouclés
Ce sont des réseaux unidirectionnels sans retour arrière (feed-forward). Le signal de sortie
est directement issu après l’application du signal d’entrée. Si tous les neurones ne sont pas des
organes de sortie, on dit des neurones cachés.

Couche d’entrée Couche cachée Couche de sortie

X1
Y1
X2
Y2

X3

Figure III.2 : Réseau de neurones non bouclé.

III.2.1.2 Réseaux de neurones bouclés

Il s’agit des réseaux de neurones avec retour en arrière (feedback network ou recurrent
network).

60
Chapitre III Reconnaissance et identification des défauts

X1
Y1

X2
Y2

X3

Figure III.3 : Réseau de neurones bouclé.

III.3 Logique floue [71]

Les systèmes flous peuvent être considérés comme des systèmes logiques qui usent des règles
linguistiques pour établir des relations entre leurs variables d’entrée et de sortie.
Ils sont découverts dans les années 70 avec des applications dans le domaine du contrôle des
processus. Aujourd’hui les applications des systèmes flous sont très variantes hors la commande,
ils sont amplement utilisés pour la modélisation, le diagnostic et la reconnaissance de formes. Pour
une meilleure compréhension de leur fonctionnement, nous présentons brièvement quelques
notions de base de ces systèmes, notamment les variables linguistiques [82].

III.3.1 Ensembles flous

La notion d’ensemble flou a été proposée par Zadeh en proposant un caractère graduel de
l’appartenance d’un élément à un ensemble donné. Cela tolère une meilleure représentation des
termes et des connaissances vagues que nous, les humains, manions au quotidien.
Mathématiquement, un ensemble flou A d’un univers de discours U, est caractérisé par une
fonction d’appartenance, notée µ𝐴 , valeur dans l’intervalle [0,1] et qui joint à chaque élément x
de U un degré d’appartenance µ𝐴 (𝑥) indiquant le niveau d’appartenance de x à A.
µ𝐴 (𝑥) = 1 𝑒𝑡 µ𝐴 (𝑥) = 0 correspondent respectivement à l’appartenance et la non-appartenance.
Exemple : Évaluation de la température d’un corps
a) En logique booléenne le degré d’appartenance µ ne peut prendre que deux valeurs (0 ou 1).
Dans ce cas le corps peut être :
- Froid : µfroid =1, µTiède = 0, µchaud = 0
- Tiède : µfroid =0, µTiède = 1, µchaud = 0
- Chaud : µfroid =0, µTiède = 0, µchaud = 1
La température du corps ne peut pas prendre deux qualifications à la fois.
61
Chapitre III Reconnaissance et identification des défauts

Figure III.4. Représentation de la température d’un corps par les ensembles classiques et
flous.

b) En logique floue, le degré d’appartenance devient une fonction qui peut prendre une valeur
réelle intermédiaire comprise entre 0 et 1 inclus. Dans ce cas, pour le qualificatif tiède, le corps
peut être considéré à la fois, comme froid avec un degré d’appartenance de 0,3 et comme tiède
avec un degré d’appartenance de 0,75.
Pour T = 35°C : µfroid(T) = 0,3, µTiède(T) = 0,75, µChaud(T) = 0.

III.3.2 Structure interne d’un système flou

De manière classique, le fonctionnement interne d’un système flou repose sur la structure
présentée par la (Fig III.5) qui inclut quatre blocs.
- La base de connaissances : elle contient les définitions des fonctions d’appartenance
associées aux variables d’entrée/sortie ainsi que l’ensemble des règles floues.
- La fuzzification: consiste à calculer, pour chaque valeur d’entrée numérique, les degrés
d’appartenance aux ensembles flous associés et prédéfinis dans la base de données du
système flou, ce bloc réalise la transformation des entrées numériques en information
symboliques floues utilisables par le mécanisme d’inférence.

62
Chapitre III Reconnaissance et identification des défauts

Figure III.5 : Structure interne d’un système flou.

- Le mécanisme d’inférence: consiste d’une part à calculer le degré de vérité des différentes
règles du système et d’autre part à associer à chacune de ces règles une valeur de sortie.
Cette valeur de sortie dépend de la partie conclusion des règles qui peut prendre plusieurs
formes. Il peut s’agir d’une proposition floue, et l’on parlera dans ce cas de règle de type
Mamdani :
Si (….) Alors Y est B, B ensemble flou.
Il peut également s’agir d’une fonction réelle des entrées, et l’on parlera dans ce cas de
règle de type Sugeno :
Si (….) Alors y=f(x1, x2,……xn)
Où x1, …,xn sont les valeurs réelles des variables d’entrées.
Dans le cas d’une règle de type Mamdani, la sortie est un sous-ensemble flou obtenu à
partir de celui présent dans la conclusion de la règle, soit en lui appliquant un facteur
d’échelle égale au degré de vérité de la permisse, on parle alors dans ce cas de la méthode
d’inférence PRODUIT, soit en le tronquant à la valeur de ce degré de vérité et on parle
dans ce cas de la méthode d’inférence MINIMUM [46].

- La défuzzification: consiste à remplacer l’ensemble des valeurs de sorties des différentes

règles résultant de l’inférence par une valeur numérique unique représentative de cet
ensemble. Dans le cas des règles de type Sugeno, le calcul se fait simplement par une
somme normalisée des valeurs associées aux règles floues.

63
Chapitre III Reconnaissance et identification des défauts

Figure III.6 : Inférence MINIMUM et PRODUIT.

III.4 Neuro-floue [14]

III.4.1 Structure d’un système Neuro-flou

Les principaux avantages d’un système flou sont l’approche naturelle de la modélisation et
la bonne interprétablité de la description, en employant des règles linguistiques. Cependant, il n’y
a aucune méthode formelle pour déterminer ses paramètres (fonctions d’appartenance et règles
floues). Dans ce sens, il serait intéressant de disposer d’algorithmes permettant l’apprentissage
automatique de ces paramètres. L’une des approches qui permette de répondre à ce besoin est les
réseaux de neurones connus pour leur algorithme d’apprentissages et leur précision dans
l’ajustement numérique en employant des échantillons entrée/sortie. De nombreux auteurs ont
donc tout naturellement cherché à combiner ces deux approches depuis le début des années 90 et
ceci de plusieurs manières : Coopératives, concurrente et hybride. Nous nous portons ici notre
attention sur la dernière approche (Hybride) qui permet de représenter sous forme d’un réseau de
neurones, les différentes composantes d’un système flou. La structure du réseau ainsi obtenue
dépend du type de règles floues et de méthodes d’inférence et de défuzzification employées par le
système flou. Les paramètres du système flou (fonction d’appartenance et règles floues) peuvent
ensuite être modifiés par un algorithme d’apprentissage conçu initialement pour l’ajustement des
paramètres d’un réseau de neurones.

64
Chapitre III Reconnaissance et identification des défauts

III.4.2. Définition d’un système Neuro-flou hybride

Un système Neuro-flou hybride est un réseau de neurones avec un signal flou, des poids
flous, une fonction de transfert floue et d’un module d’adaptation de la structure de RNF par un
apprentissage d’un ensemble de données.

Données linguistiques Expressions linguistiques

Données numériques Apprentissage

Figure III.7 : Principe de système Neuro-flou.

Plusieurs architectures, mettant en œuvre cette approche hybride. Ces architectures peuvent être
classées en trois groupes selon le type de règles floues qu‘elles intègrent :
Si (X1 est A1) ET (X2 est A2) ET … ET (XN est AN) Alors (Y est C)
Où :
B Type I
C= f (x1, x2, …, xn) Type II
Ѳ Type III

Où :
- Xi = (1, 2, ……, n), Y représentent respectivement les variables d’entrées et de sorties.
𝑗
- 𝐴𝑖 = les ensembles flous d’entrés.
- B, f(x1, x2, ….., xn) et Ѳ représentent respectivement, l’ensemble flou de sortie, une fonction
linéaire des variables d’entrées et un composant singleton.

Le schéma général d’une structure Neuro-floue est illustré par la figure suivante :

65
Chapitre III Reconnaissance et identification des défauts

Figure III.8 : Structure générale d’un réseau Neuro-flou.

III.4.3 Types d’implémentation des réseaux Neuro-flous

Dans la littérature il y a une panoplie de système Neuro-flou comme : les systèmes Neuro-
flou coopératives, concurrents, les systèmes dit hybrides ou Neuro-flou adaptatif, le modèle
NEFCLASS, ANFIS, FALCON, GARIC, etc.
Selon l’interaction entre la logique floue et les réseaux de neurones, et compte tenu de non objectif,
nous avons retenu deux types de systèmes Neuro-flou à savoir : systèmes d’inférence Neuro-flou
adaptatifs (ANFIS) et inférence Neuro-flou (INF).

Figure III.9 : Différentes architectures des systèmes Neuro-flou.

(a): FALCON (b) : GARIC (c) : ANFISS (d) :NEFCLASS

66
Chapitre III Reconnaissance et identification des défauts

III.4.3.1 FALCON et GARIC

Il s’agit de modèle à 5 couches, utilisant la fuzzification en entrée et la défuzzification en
sortie. Ceci correspond à l’interprétation juste de la technique de Mamdani. La précision accrue
des résultats provoque une lenteur dans l’exécution du système. Ce modèle est rarement utilisé
en pratique mais il reste le meilleur pour la commande [82].

III.4.3.2 ANFIS (Adaptative-Network-based Fuzzy Inference System)

C’est un système d'inférence adaptatif neuro-flou qui consiste à utiliser un réseau de
neurones à 5 couches pour lequel chaque couche correspond à la réalisation d’une étape d’un
système d’inférence floue de type Takagi-Sugeno. Pour la simplicité, nous supposons que le
système d'inférence flou à deux entrées x et y, et à comme une sortie f. Supposer que la base de
règle contient deux règles floues de type Takagi-Sugeno.

Règle1 : SI x est A1 et y est B1 ALORS f1= p1 x+ q1 y+ r1 [III.1]

Règle2 : SI x est A2 et y est B2 ALORS f2 = p2 x+ q2 y+ r2 [III.2]

L’ANFIS a une architecture posée par cinq couches comme représenté sur la figure III.10.

Figure III.10 : Architecture ANFIS.

a. Première couche (Couche d’entrée)

Comporte autant de neurones qu’il y’a de sous-ensembles flous dans le système d’inférence
représenté. Chaque neurone calcule le degré de vérité d’un sous ensemble flou particulier par sa
fonction de transfert. La seule restriction sur le choix de cette fonction concerne sa dérivabilité.

67
Chapitre III Reconnaissance et identification des défauts

En retrouve dans la littérature, l’utilisation, de fonctions gaussiennes et les paramètres modifiables

sont le centre et la pente de la gaussienne (variance).
La fonction d’activation des neurones i de la première couche :

𝑓𝑖1 = µ𝐴𝑖 (𝑥) [III.3]

Tel que x est l'entrée au neurone i, et Ai est un sous ensemble floue correspondant au variable x.
En d'autres termes, 𝑓𝑖1 est la fonction d’appartenance du Ai et il indique le degré auquel donné x
satisfait le quantifier Ai. Nous choisissons µAi (x) pour être en forme de (Gaussien, triangle,
trapézoïdal) avec le maximum égal à 1 et le minimum égal à 0, tel que les fonctions généralisées
de ces formes est :

𝑥−𝑎 𝑐−𝑥
- Triangle : µ(𝑥) = 𝑚𝑎𝑥(𝑚𝑖𝑛 (𝑏−𝑎 , 𝑐−𝑏) , 0) [III.4]
𝑥−𝑎 𝑑−𝑥
- Trapézoïdale : µ(𝑥) = 𝑚𝑎𝑥(𝑚𝑖𝑛 ( , 1, ) , 0) [III.5]
𝑏−𝑎 𝑑−𝑐
(𝑥−𝑐)2
(− )
- Gaussienne : µ(𝑥) = 𝑒 2𝜎2 [III.6]

Où {a, b, c, σ} est l'ensemble des paramètres. Pendant que les valeurs de ces paramètres changent,
les fonctions en forme précédente changent en conséquence, de ce fait présenter de diverses formes
de fonction d’appartenance sur la variable linguistique Ai. Les paramètres dans cette couche
désignés sous le nom des paramètres de fonction d’appartenance [82].

b. Deuxième couche (Couche des fonctions d’appartenance)

Sert à calculer le degré d'activation des prémisses. Les neurones de cette couche représentent
chacun la prémisse d'une règle [82. Ils reçoivent en entrée le degré de vérité des différents sous-
ensembles flous composant cette prémisse et ont en charge le calcul de son propre degré de vérité.
Les fonctions d’activation utilisées pour ces neurones dépendant des opérateurs présents dans les
règles (ET ou OU).

La fonction d’activation des neurones i de la première couche :

𝑊𝑘 = µ𝐴𝑖 (𝑥) ∗ µ𝐵𝑗 (𝑦) [III.7]

Ou k : représente le nombre de règle, i : représente le nombre de partition de x, et j: le nombre de

partition de y.

c. Troisième couche (Couche des prémisses) Normalise de degré d’activation des règles.

68
Chapitre III Reconnaissance et identification des défauts

Chaque neurone dans cette couche est un neurone de cercle noté N. le iemme neurone calcule le
rapport entre iemme poids de règles et la somme de toutes les poids des règles. Cette opération est
appelée la normalisation des poids.

𝑊𝑘
𝑊𝑘 = ∑ 𝑊𝑖
[III.8]

L’ensemble des sorties de cette couche seront appelées les poids normalisés.

d. Quatrième couche (Couche des conclusions)

Sert à déterminer les paramètres la partie conséquence des règles (p, q, r). La fonction de chaque
neurone dans cette couche est la suivante

𝑓𝑘4 = 𝑊𝑘 ∗ 𝑓𝑘 = 𝑊𝑘 ∗ (𝑝𝑘 𝑥 + 𝑞𝑘 𝑦 + 𝑟𝑘 ) [III.9]

Où Wk est la sortie de la troisième couche, et {pi, qi, ri} sont l'ensemble des paramètres. Ces
paramètres désignés sous le nom les paramètres conséquents. [82]

e. Cinquième couche (Couche de sortie)

La couche de sortie contient un seul neurone dans cette couche, est un neurone de cercle noté S
qui calcule la sortie globale comme addition de tous les signaux entrants, c’est-à-dire :

𝑓 5 = ∑𝑘 𝑊𝑘 ∗ 𝑓𝑘4 [III.10]

III.4.3.3 NEFCLASS
Modèle utilisé généralement en classification, il est constitué de 3 couches : une couche
d’entrée avec les fonctions d’appartenance, une couche caché représentée par des règles et une
couche de sortie définissant les classes. Ce modèle est facile à mettre en application, il évite l’étape
de défuzzification, tout en étant précis dans le résultat final, avec une rapidité bien supérieure aux
autres architectures [82].

III.4.3.4 NEFCON
Modèle formé de 3 couches, une couche cachée formée par des règles, une couche
d’entrée incluant les nœuds d’entrés avec les sous-ensembles flous d’antécédentes et une couche
de sortie avec un nœud de sortie et les sous-ensembles des conséquents. L’élaboration des règles
est similaire à l’architecture NEFCLASS, avec une différence en sortie. Cette architecture est
généralement utilisée en approximation de fonctions et en contrôle flou.
Le processus d’apprentissage du NEFCON peut être divisé en deux phases. La première phase
consiste à trouver les règles de bases initiales. Si les connaissances antérieures ne sont pas

69
Chapitre III Reconnaissance et identification des défauts

disponibles, les règles de bases seront apprises avec difficulté. Et si cette règle est définie par un
expert l’algorithme, les complète. Dans la seconde phase, les règles de base sont optimisées par
modification des sous-ensembles flous des règles. Les deux phases utilisent l’erreur floue, cette
erreur peut être trouvée avec la différence entre la sortie désirée et celle obtenue.

Figure III.11 : Architecture de NEFCON.

III.4.3.5 NEFPROX
Modèle obtenu par l’association des deux architectures NEFCLASS et NEFCON, il est
utilisé dans différentes applications comme la classification et l’approximation de fonctions.
NEFCLASS utilise un algorithme supervisé pour définir les règles floues, le NEFCON utilise un
algorithme d’apprentissage non supervisé avec le calcul de l’erreur de sortie. Les deux modèles
emploient la rétro-propagation afin de définir les sous-ensembles flous. Comparé au modèle
ANFIS, NEFPROX est beaucoup plus rapide, mais ANFIS donne de meilleurs résultats en
approximation.
Le NEFPROX est le premier système interprétable et lisible, dédié à l’approximation de fonction.
Néanmoins, ses résultats en classification restent moins bons que ceux donnés par le NEFCLASS.

III.5 Séparateurs à Vaste Marge (SVM)

Figure III.12 : Architecture de NEFPROX.

70
Chapitre III Reconnaissance et identification des défauts

III.5.1 Introduction
La machine à vecteurs de support (SVM) a été présentée pour la première fois en 1992 par
Boser, Guyon et Vapnik lors de la conférence COLT-92. Les Séparateurs à Vaste Marge (SVM)
sont un ensemble de méthodes d'apprentissage supervisé utilisées pour la classification et la
régression [76]. Elles appartiennent à une famille de classificateurs linéaires généralisés. En
d'autres termes, les Séparateurs à Vaste Marge (SVM) sont un outil de prédiction de classification
et de régression qui utilise la théorie de l'apprentissage automatique pour maximiser la précision
de la prédiction tout en évitant automatiquement un sur-ajustement aux données. Séparateurs à
vaste marge peuvent être définies comme des systèmes qui utilisent l'espace d'hypothèse d'une
fonction linéaire dans un espace de caractéristiques à haute dimension, formés avec un algorithme
d'apprentissage issu de la théorie de l'optimisation qui met en œuvre un biais d'apprentissage dérivé
de la théorie de l'apprentissage statistique. Le séparateur à vaste marge a d'abord été populaire au
sein de la communauté NIPS et fait désormais partie intégrante de la recherche sur l'apprentissage
automatique dans le monde entier. Le SVM est devenu célèbre lorsque, en utilisant des cartes de
pixels en entrée, il a donné une précision comparable à celle de réseaux neuronaux sophistiqués
avec des caractéristiques élaborées dans une tâche de reconnaissance de l'écriture manuscrite [62].
Il est également utilisé pour de nombreuses applications, telles que l'analyse de l'écriture
manuscrite, l'analyse des visages, etc., en particulier pour la classification des formes et les
applications basées sur la régression. Les fondements des machines à vecteurs de support (SVM)
ont été développés par Vapnik [63] et ont gagné en popularité grâce à de nombreuses
caractéristiques prometteuses telles que de meilleures performances empiriques. La formulation
utilise le principe de minimisation structurelle du risque (SRM), qui s'est avéré supérieur [63] [81]
au principe traditionnel de minimisation empirique du risque (ERM), utilisé par les réseaux
neuronaux conventionnels. Le SRM minimise une limite supérieure du risque attendu, alors que
l'ERM minimise l'erreur sur les données d'apprentissage. C'est cette différence qui confère aux
SVM une plus grande capacité de généralisation, ce qui est l'objectif de l'apprentissage statistique.
Les SVM ont été développés pour résoudre les problèmes de classification, mais ils ont récemment
été étendus aux problèmes de régression [76].

D'après l'illustration ci-dessus (III.13), il existe de nombreux classificateurs linéaires (hyperplans)

qui séparent les données. Cependant, un seul d'entre eux permet d'obtenir une séparation
maximale. La raison pour laquelle nous en avons besoin est que si nous utilisons un hyperplan
pour classifier, il peut se retrouver plus proche d'un ensemble de données que d'autres, ce que nous
ne souhaitons pas, et le concept de classificateur à marge maximale ou d'hyperplan apparaît donc
comme une solution évidente.
71
Chapitre III Reconnaissance et identification des défauts

Théorie de Vapnik-Chervonenkis (VC) est une théorie de l'apprentissage de calcul liée à la théorie de
l'apprentissage statistique à partir des données de distribution libre [63]. Ce fut la base et le point de départ
des SVM, une technique d'apprentissage supervisé pour la classification binaire. Cela peut être fait en
mappant linéairement ou non-linéairement d'abord les vecteurs d'entrée dans un ou plusieurs espaces de
fonctions, ce qui est pertinent pour la fonction noyau. Puis, dans l'espace caractéristique de la première
étape, une répartition linéaire optimisée est recherchée par la construction d'un hyperplan qui sépare les
deux classes. Étant donné que l'entraînement SVM cherche toujours une solution optimisée globale et évite
de sur-apprentissage, il a la capacité de s'occuper avec un grand nombre de caractéristiques. Les lecteurs
intéressés peuvent se référer à la description complète de SVM disponible dans [67] [79].

Hyperplan
optimal

wx+b=1
Classe 1
wx+b=0
Classe 2
wx'+b=-1

Figure III.13 : Représentation des hyperplans.

III.5.2 Classificateur linéaire

Nous allons maintenant exprimer le SVM mathématiquement et pour cela nous essayons de
présenter un SVM linéaire. Les objectifs des SVM sont de séparer les données avec un hyperplan
et d'étendre cette séparation à des frontières non linéaires en utilisant l'astuce du noyau. Pour
calculer le SVM, nous voyons que l'objectif est de classer correctement toutes les données. Dans
le cas linéaire séparable, il existe un hyperplan de séparation dont la fonction est :

w. x + b = 0 (III. 11)
72
Chapitre III Reconnaissance et identification des défauts

Ce qui implique yi (w . x + b ≥ 1; i = 1, . . . , N (III. 12)

Dans cette équation, x est un point vectoriel et w est le poids et est également un vecteur. Ainsi,
pour séparer les données, [a] doit toujours être supérieur à zéro. Parmi tous les hyperplans
possibles, le SVM sélectionne celui dont la distance est la plus grande possible. Si les données
d'apprentissage sont bonnes et que chaque vecteur de test est situé dans un rayon r par rapport au
vecteur d'apprentissage. Si l'hyperplan choisi est situé le plus loin possible des données. Cet
hyperplan souhaité, qui maximise la marge, passe également par les lignes entre les points les plus
proches de la coque convexe des deux ensembles de données. Nous avons donc [a], [b] et [c].

En contraignant la norme euclidienne de w, ‖w‖, pour être minimum, la procédure SVM tente de
trouver un hyperplan séparateur unique. Ici, la distance entre l'hyperplan et les points de données
les plus proches de chaque classe est de 2/‖w‖.
En introduisant des multiplicateurs de Lagrange ∝𝑖 , l'approche SVM d’entrainement se réduit à
la résolution d'un problème quadratique convexe. Résolvons (III.12) maintenant , nous obtenons
w = Σαi ∗ xi ; b = yk − w ∗ xk pour tout xk tel que αk ¹ 0.

Le résultat est une solution unique globalement optimisée à un problème dual, qui a les propriétés
suivantes:

w = ∑ ∝i yi xi (III. 13)
i

Si multiplicateurs de Lagrange correspondent à ∝i > 0, ces xi sont appelés vecteurs de support.

Quand ils sont entraînés, la fonction de décision peut être écrite comme :
n

f(x) = sign (∑ ∝i yi (x. xi ) + b) (III. 14)

i=1

Pour un cas non linéaire séparable, SVM réalise un mappage non linéaire du vecteur d'entrée x de
l'espace entrée Rd dans un espace de Hilbert de dimension supérieure, où le mappage est déterminé
par la fonction du noyau. Selon les différents problèmes de classification, de différente fonction
noyau peut être sélectionnée pour obtenir des résultats optimaux de classification [78].

Classificateur non-linéaire
Si les données sont linéaires, un hyperplan séparateur peut être utilisé pour diviser les données.
Cependant, il arrive souvent que les données soient loin d'être linéaires et que les ensembles de
données soient inséparables. Dans ce cas, des noyaux sont utilisés pour cartographier de manière
non linéaire les données d'entrée dans un espace à haute dimension. La nouvelle cartographie est

73
Chapitre III Reconnaissance et identification des défauts

alors linéairement séparable [61]. Une illustration très simple de ce principe est présentée ci-
dessous dans la figure (III.14) [69] [71] [80]. Cette correspondance est définie par le noyau :

𝐾(𝑥, 𝑦) = 𝛷(𝑥). 𝛷(𝑦) (III. 15)

Linéairement inséparable Linéairement séparable

Figure III.14 : Principe du séparateur non-linéaire

La transformation des données en un espace de caractéristiques permet de définir une mesure de
similarité sur la base du produit de points. Si l'espace caractéristique est choisi de manière
appropriée, la reconnaissance des formes peut être facile [69].

< 𝑥1 . 𝑥2 >← 𝐾(𝑥1 , 𝑥2 ) =< 𝛷(𝑥1 ). 𝛷(𝑥2 ) > (III. 16)

Figure III.15 : Représentation de l’espace des caractéristiques

Remarque : Notez que la légende dans la figure (III.15) n'est pas décrite car il s'agit d'un exemple
de tracé pour faire comprendre les concepts impliqués.
Nous avons vu que lorsque w, b sont obtenus, le problème est résolu pour un scénario linéaire
simple dans lequel les données sont séparées par un hyperplan. L'astuce du noyau permet aux SVM
de former des frontières non linéaires.

Les étapes de l'astuce du noyau sont indiquées ci-dessous [77] [78].

74
Chapitre III Reconnaissance et identification des défauts

 L'algorithme est exprimé en utilisant uniquement les produits scalaires des ensembles de
données. C'est ce qu'on appelle le problème dual.
 Les données originales sont passées par des cartes non linéaires pour former de nouvelles
données par rapport à de nouvelles dimensions en ajoutant à chaque vecteur de données un
produit par paire de certaines des dimensions des données originales.
 Plutôt que d'effectuer un produit scalaire sur ces nouveaux vecteurs plus grands, de les
stocker dans des tableaux et de les consulter ultérieurement, nous pouvons représenter un
produit de points des données après avoir effectué un mappage non linéaire sur celles-ci.
Cette fonction est la fonction noyau.
Les SVM peuvent séparer et classer différentes classes de manière linéaire. Cependant, il n'est pas
toujours garanti qu'une frontière linéaire soit capable de classer les deux classes différentes. C'est
pourquoi, afin de classer les deux classes avec une meilleure marge, les SVM peuvent
cartographier les données d'apprentissage non linéaires dans un niveau de dimension supérieur,
qui est le niveau de dimension le plus élevé connu sous le nom de l'espace de caractéristiques S à
l'aide d'une transformation 𝛷(𝑥) et S est donné par [15] : 𝑆 = 𝛷(𝑥) (III. 17)
En substituant (III.17) en (III. 14) la fonction de décision peut être définie par :
n

f(x) = sign (∑ ∝i yi (𝛷(𝑥). 𝛷(xi )) + b) (III. 18)

i=1

En outre, pour assurer cette transformation en classification non linéaire, on utilise la fonction
noyau (III.15). En substituant cette dernière en équation (III.18) la fonction de décision pour une
classification non-linéaire devient :

f(x) = sign (∑ ∝i yi K(𝑥. xi ) + b) (III. 19)

i=1

Il existe différentes fonctions de noyau qui peuvent être utilisées avec les SVM à des fins de
classification non linéaire, et ces fonctions de noyau sont telles que :

 Polynôme : Une cartographie polynomiale est une méthode populaire pour la modélisation
non linéaire. Le deuxième noyau est généralement préférable car il évite les problèmes
liés au fait que la valeur hessienne (valeur de la dérivée seconde partielle) devient nulle.
𝐾(𝑥, 𝑥′) =< 𝑥. 𝑥′ >𝑑
𝐾(𝑥, 𝑥′) = (< 𝑥. 𝑥 ′ > +1)𝑑
Où d indique la dimension.

75
Chapitre III Reconnaissance et identification des défauts

 Fonction de base radiale gaussienne : Les fonctions de base radiales ont le plus souvent
2
‖𝑥−𝑥 ′ ‖
une forme gaussienne. 𝐾(𝑥, 𝑥′) = exp(− )
2𝜎2

Où 𝜎 indique la largeur de la gaussienne.

 Fonction de base radiale exponentielle : Une fonction de base radiale produit une solution
linéaire par morceaux qui peut être intéressante lorsque les discontinuités sont acceptables.
‖𝑥 − 𝑥 ′ ‖
𝐾(𝑥, 𝑥′) = exp(− )
2𝜎 2

 Perceptron multicouche (Sigmoïd) : le MLP, établi de longue date, avec une seule couche
cachée, dispose également d'une représentation valide du noyau.
𝐾(𝑥, 𝑥′) = tan(𝜌 < 𝑥. 𝑥 ′ > +𝛿)
Où 𝜌 est le paramètre gain et 𝛿 est l’offset de la sigmoïd.

III.6 Comparaison entre les SVM et réseaux de neurones (NN) [76]

1- Similitudes entre les SVM et les NN

- Les SVM et les NN apprennent tous deux à partir de données expérimentales pour lesquelles, le
plus souvent dans la pratique, la distribution de probabilité sous-jacente n'est pas connue.

- Sur le plan structurel, les SVM et les NN sont identiques.

- Les SVM et les NN sont tous deux des approximateurs universels, en ce sens qu'ils peuvent
approximer n'importe quelle fonction avec le degré de précision souhaité.

- Après l'apprentissage, ils sont dotés du même modèle mathématique.

2- Différences entre les SVM et les NN

- Les NN sont basés sur le principe ERM (Empirical Risk Minimization), en commençant par une
structure appropriée pour minimiser l'erreur. Les SVM sont basés sur le principe SRM (Structural
Risk Minimization), qui part de l'erreur pour atteindre une structure optimale.

- Les SVM et les NN suivent des méthodes d'apprentissage différentes. Les NN utilisent
généralement l'algorithme de rétro-propagation ou d'autres algorithmes tels que la descente de
gradient ou d'autres approches basées sur l'algèbre linéaire. Les SVM apprennent en résolvant des
problèmes de programmation linéaire et quadratique.

3- Avantages des SVM par rapport aux NN

76
Chapitre III Reconnaissance et identification des défauts

- Les SVM peuvent réaliser un compromis entre les faux positifs et les faux négatifs en utilisant
des marges douces asymétriques.

- Les SVM convergent toujours vers la même solution pour un ensemble de données donné, quelles
que soient les conditions initiales.

- Les SVM ne se bloquent pas dans les minimas locaux, ce qui garantit la convergence de
l'opération.

- Les SVM éliminent le risque de sur-ajustement.

III.7 Conclusion

Dans ce chapitre nous avons présenté d’une façon non exhaustive les méthodes d’intelligence
artificielle ; pour dire celles que nous avons exploitées pour la reconnaissance et identification des
défauts dans un moteur asynchrone. Les réseaux de neurones flous sont nés du mariage des réseaux
de neurone avec la logique floue, de sorte à exploiter les avantages de chacune de ces deux
techniques. La principale particularité des réseaux de neurones flous est leur capacité à traiter dans
un même objet des connaissances numériques et symboliques d’un système. Ils permettent donc
de tirer profit des capacités d’apprentissage des réseaux de neurones d’une part et des capacités de
raisonnement de la logique floue d’autre part.

Malgré cela et d’après la comparaison qu’on a faite, les SVM présentent des avantages mieux que
NN et ses variantes. C’est pourquoi nous allons opter pour les SVM afin de mettre en œuvre la
méthode haute résolution Root-MUSIC et faire valoir ainsi son efficacité.

77
Chapitre IV
Résultats Expérimentaux
&
Discussion
Chapitre IV Résultats Expérimentaux et Discussion

IV Résultat Expérimentaux et Discussion

IV.1 Principe du système de surveillance basé sur les SVM

La surveillance est une fonction qui vise à détecter le mode de fonctionnement d'un moteur à
induction à partir de l'ensemble des vecteurs d'observation prise du moteur considéré (courants des phases
ia, ib et ic), il s'agit donc de rechercher l'appartenance à une observation qui survient sur la ligne, et de le
classer selon une fonction de décision prédéfinie. De là, l'intention est d'utiliser la technique de
classification par SVM dans le domaine de la surveillance car elle répond bien à la formalité et les
exigences requises par la fonction de diagnostic. Cette technique utilise les capteurs de données comme
un vecteur d'entrée et utilisant une base de formation, nous pouvons classer chaque nouveau vecteur et
déterminer ensuite le mode de fonctionnement du système à surveiller à chaque instant (figure IV.1).

svm
Ia
Traitement du signal

Banc
Root-MUSIC

Base des
d’essai du Ib Système de
données
moteur à Fréquences surveillance Classe
induction Latérales (Algorithme de
Ic
Classification)
Etat du moteur
à induction

Figure IV.1 : Principe du système de surveillance

Cette méthode est réalisée en quatre étapes, représentée dans l’organigramme ci-dessous (figure
IV.2), à savoir:
• La construction du vecteur d'entrée,
• Préparation de la base de données,
• La phase de formation,
• La classification ou la prise de décision.
L'entrée du processus de classification est un vecteur caractérisant un mode de fonctionnement.
Il contient les données estimatives (puissances latérales autour de celle du fondamentale). La
phase de classification, appliquée en temps réel, est précédée d'une phase d'apprentissage hors

79
Chapitre IV Résultats Expérimentaux et Discussion

ligne pour la détermination des fonctions de séparation. Le système contient ainsi une base ; il
s'agit d'un échantillon de vecteurs dont les décisions (classes) sont connues d'avance.

Ensemble des puissances estimées

Sélection du vecteur d’entrée

Préparation de la base des données

Apprentissage
(Supervisé par SVM)
Hors -ligne

En-ligne
Données en ligne
(puissances latérales) Classification en ligne

Prise de décision

Figure IV.2 : Etapes du Système de surveillance par SVM

IV.2 Principe de l’extraction des paramètres

Nous avons développé un système de détection des défauts basé sur l’historique du système.
Notre étude consiste à simuler le système en fonctionnement normal et en mode défaillant. La
construction du vecteur d’entrée se fait par l’algorithme d’extraction des paramètres basé sur la
méthode ROOT-MUSIC. Cette méthode suit les étapes de l’organigramme suivant :

80
 Chapitre IV Résultats Expérimentaux et Discussion

Début

ia(t) ib(t) ic(t)

Figure IV.3 : Organigramme de

Échantillonnage
l’extraction de la paire des fréquences
ia(n) ib(n) Ic(n)

Calcul de la composant directe Id

Id(n)

Calcul de la matrice d’autocorrélation

Rx

Calcul des valeurs et des vecteurs propres

Classification des vecteurs propres selon le classement

décroissant des valeurs propres

Séparation de Ex du Eb

Calcul des racines du polynôme P(z)

Choix des racines sur au proche du cercle unité

Détermination des fréquences des harmoniques et

leurs puissances correspondantes

Tri de la paire des fréquences [Fg Fd] du défaut pour

l’apprendre ou le classer

81
Chapitre IV Résultats Expérimentaux et Discussion

IV.3 Description du banc d’essai

Pour valider notre système, nous avons choisi des défauts de barres cassées. Plusieurs
expériences sont menées dans le LDEE laboratoire de l'USTO-MB. Tous les tests ont été
effectués sur un moteur à 4 pôles type ENEL avec réseau triphasé, 50 Hz, sa puissance est de 3
kW (Annexe). Ce moteur est à cage d'écureuil, il possède 28 barres obliques non isolées. Le
courant statorique est I(Δ) = 7 A. La charge utilisée ici est un générateur de courant continu. Les
instruments de mesure comprennent un capteur de courant à effet Hall (Figure IV.4).

2
1

Figure IV.4 : Description du banc d’essai

1 : Moteur asynchrone 3 KW
2 : Génératrice à c-c 3 KW
3 : Analyseur de spectre
4 : Oscilloscope
5 : Tachymètre
6 : Capteur de courant à effet Hall

Afin de créer des défauts dans les barres, de minuscules trous sont percés. Pour le chargement, un
couple de 20 Nm est appliqué pendant 2 secondes. La résolution de la fréquence est de 0,5 Hz (ce
qui équivaut à une fréquence d'échantillonnage de 3 kHz).

Pour pouvoir comparer tous les résultats, deux modes de fonctionnement distincts sont utilisés :

82
Chapitre IV Résultats Expérimentaux et Discussion

 Moteur sain
 Moteur présentant des défauts d'une, deux et trois barres séparément (Figure IV.5).

Figure IV. 5 : Cages à rotor avec barres cassées

À la fin, nous avons pris deux fichiers pour les premiers modes à des fins de comparaison
(vérification de l'existence de la défaillance) et nous avons collecté 66 fichiers correspondant au
deuxième mode. Nous avons utilisé 48 fichiers pour l'entraînement et le reste pour le test. Pour
mettre en évidence l'effet du défaut dans le domaine temporel (Figure IV.6), nous avons opté
pour l'exploitation de la combinaison des trois courants et nous avons choisi la composante
directe id dont la formule est représentée par :

𝟐
𝒊𝒅 = ∗ (𝒊𝒂 + 𝜶. 𝒊𝒃 + 𝜶𝟐 . 𝒊𝒄 ) (IV.1)
𝟑
𝟐.𝝅
Où : 𝛼 = 𝒆𝒋 𝟑 et 𝑖𝑎 , 𝑖𝑏 𝑒𝑡 𝑖𝑐 sont les trois courants de phases.

IV.4 Extraction des fréquences et puissances

Lors des différents défauts, des harmoniques d'espace apparaissent, ce qui est dû à la
distribution non sinusoïdale des enroulements du stator. Ces harmoniques apparaissent par paires à
des intervalles réguliers. Les fréquences harmoniques des encoches du rotor sont données par
l'équation :

𝒌. 𝒏𝒃
𝒇𝒔𝒉 = 𝒇𝟎 ( (𝟏 − 𝒔) ∓ 𝝂) (𝑰𝑽. 𝟐)
𝒑
Où f0 est la fréquence de l'alimentation, s est le glissement, p est le nombre de paires de pôles, ν
est l'harmonique d'ordre temporel (harmonique généré par l'alimentation), nb est le nombre de
barres du rotor et k = 1,2 ... nombres entiers positifs.

83
Chapitre IV Résultats Expérimentaux et Discussion

La procédure, suivie dans notre thèse pour extraire les caractéristiques permettant de
diagnostiquer les défauts de barres cassées, est exposée ci-dessous :

 Vérifier s'il s'agit bien d'un défaut en appliquant Lissajous au courant direct du stator (ids)

(Figure IV.6).
 Application de la méthode Root-MUSIC à la composante directe du courant statorique en
prenant le nombre des coefficients L entre 40 et 70.
 Estimation du glissement en déterminant la première harmonique de l'encoche du rotor.
 Prédiction des fréquences harmoniques latérales autour du fondamentale caractérisant les
défauts de barres cassées déduites de la formule théorique : (𝒇𝒃 = (𝟏 ∓ 𝟐𝐬)𝒇𝟎 ).

Figure IV.6: Lissajous de la

composante directe id du courant
statorique

 Identification des fréquences harmoniques latérales prédites autour du fondamentale avec

celles existant réellement dans le spectre du courant du stator.
 Recherche de la puissance correspondant à chacune des fréquences précédemment
identifiées (figure IV.7).

Au vu de la figure IV.7, il est difficile de distinguer entre les trois défauts, d'où la nécessité
d'utiliser un moyen de reconnaissance du type de défaut tel que le SVM.

84
Chapitre IV Résultats Expérimentaux et Discussion

(a) Une barre cassée (b) Deux barres cassées

(c) Trois barres cassées

Figure IV.7: Lissajous et spectres du courant statorique au défaut de barre

85
Chapitre IV Résultats Expérimentaux et Discussion

IV.5 Reconnaissance du type de défaut des barres et discussion

Nous disposons d'un petit nombre d'échantillons, la méthode SVM d'apprentissage est
automatiquement appliquée. En fait, nous avons d'abord construit les caractéristiques du spectre
(paires de fréquences) à partir des fréquences bilatérales autour du fondamentale et nous les
mettons comme vecteurs d’entrée d'apprentissage pour le SVM. Après l'apprentissage du SVM,
chaque type de défaut de barre cassée du rotor peut être reconnu. En effet, nous avons pris 16
paires de chaque type de défaut pour l'apprentissage (Le tableau IV.1) et le reste des fichiers sont
utilisés pour le test.

Tableau IV.1: Paire des fréquences bilatérales pour l'apprentissage

Une barre cassée Deux barres cassées Trois barres cassées

45.24 57.97 44.78 54.04 47.30 53.95

47.49 56.67 43.83 51.52 47.44 52.66
45.70 52.84 44.76 52.33 47.66 53.41
47.95 55.60 45.92 53.24 47.86 53.90

Fréquences (Hz)
47.28 56.79 44.06 53.51 47.22 52.57
46.55 55.60 46.12 53.56 47.76 53.49
46.46 54.73 43.92 53.33 48.05 53.00
46.07 55.24 45.96 51.30 48.28 54.41
45.82 52.11 45.13 55.75 47.67 53.14
44.28 53.18 44.78 52.39 45.74 52.24
47.23 53.52 44.75 52.25 43.52 54.41
43.55 52.79 45.71 54.87 46.08 51.56
46.95 53.21 45.99 52.28 43.94 54.91
47.12 53.40 43.51 52.30 45.19 55.91
47.37 53.70 44.10 53.18 45.14 51.54
45.21 57.55 45.44 52.98 46.74 53.43

Lors de l'entraînement, nous avons choisi le noyau gaussien avec l'optimisation de ses paramètres
(la moyenne μ, l'écart-type σ) étant réalisée automatiquement par MATLAB (version R2022b).
Une fois l'apprentissage du SVM est terminé, nous avons procédé au test en prenant chacun des
fichiers de test au hasard et nous l'avons présenté à notre système pour d'identification. La
procédure de reconnaissance utilisée ici est l'estimation maximale a posteriori (MAP) qui peut être
utilisée pour estimer un certain nombre de paramètres inconnus liés à un échantillon donné sur la
base de données empiriques [85]. Par conséquent, en figures 9-11, le défaut d'une barre cassée est
reconnu avec une probabilité a posteriori de 0 ,55 à 0,75, le défaut à deux barres est reconnu avec

86
Chapitre IV Résultats Expérimentaux et Discussion

0, 60 à 0,75 et le défaut à trois barres est reconnu avec 0, 40 à 0,80, ce qui est excellent dans le
contexte des données empiriques.

Dans [81], un système multi-agents intelligent (MAS) est utilisé pour prendre des décisions sur
le conditionnement des défauts d'un moteur à induction triphasé à cage d'écureuil. Pour une barre
cassée, les performances du système se situe entre 80,3 % et 84,9 %, celle des de deux barres
cassées se situe entre 86,3 % et 87,9 % et celle de trois barres cassées est comprise entre 84,1 %
et 87,9 %.

Dans [82], ils appliquent un algorithme basé sur la combinaison de l'approche vectorielle de Park
(PVA) et de l'approche vectorielle de Park étendue (EPVA) pour la détection et l'identification
des défauts des barres cassées du rotor (BRB). Ils obtiennent une vue graphique simple de la
présence de conditions anormales. Cependant, la structure ne donne pas une conception
quantitative précise de l'ampleur du problème. Le principal inconvénient de cette méthode est le
manque d'informations sur la sévérité de la défaillance lorsque le moteur à induction est à vide
ou faiblement chargé, bien que le défaut soit détecté.

Dans [83], ils utilisent les coefficients d'ondelettes par l'analyse de la signature du courant du
moteur pour extraire les caractéristiques et le SVM pour identifier les conditions saines et
défectueuses parmi lesquelles la rupture de la barre du rotor. La précision est proche de 93,33%.
Notre système est capable de reconnaître avec succès tous les types de défauts de barre. En effet,
le taux de reconnaissance est inattendu et heureusement de 100%.

IV.6. Conclusion
Le principe de diagnostique décortiqué dans ce chapitre se déroule en deux étapes :
 L’extraction des signatures des défauts de la machine asynchrone par la méthode
Root-MUSIC.
 La détection et la classification des défauts à l’aide d’un système SVM.
Les résultats obtenus nous permettent de conclure l’efficience du mariage de l’approche SVM avec
Root-MUSIC pour le diagnostic des défauts de barres dans les machines asynchrones ; pourvue
que le nombre des coefficients de Root-MUSIC soit bien sélectionné et bien sûr le choix de la
fonction noyau soit d’autant convenable.

87
Chapitre IV Résultats Expérimentaux et Discussion

Figure IV.8: Reconnaissance du défaut d'une barre cassée avec différentes probabilités

88
Chapitre IV Résultats Expérimentaux et Discussion

Figure IV.9: Reconnaissance du défaut de deux barres cassées avec différentes probabilités

89
Chapitre IV Résultats Expérimentaux et Discussion

Figure IV.10: Reconnaissance du défaut de trois barres cassées avec différentes probabilités

90
 Conclusion Générale

L’entrainement électrique comme la machine asynchrone peut présenter des défaillances

qui induisent, pour la plupart d’entre elles un arrêt intempestif. C’est pourquoi le diagnostic du
défaut a pris une importance de plus en plus grandissante en milieu industriel. Cette envergure a
incité d’apparaitre des méthodes de diagnostic afin d’éviter cet arrêt. Nous avons vu que la
détection de défaut s’effectue éventuellement en rapport avec la méthode d’extraction de
paramètres utilisés. Nous avons supposé que le défaut dans l’entrainement est un bruit d’où nous
avons pris la méthode Root-MUSIC en vue d’extraction des paramètres de sa signature ; et afin de
la mettre en œuvre et faire valoir ainsi son efficacité, nous avons opté pour les SVM car elles
présentent des avantages mieux que NN et ses variantes.

En fait, l'objectif de ce modeste travail a été finalement de réaliser un système capable d'imiter un
expert humain en instrumentation ; ce dernier à partir des spectres du courant statorique
déterminera l'état du moteur asynchrone puis d'identifier le type de défaut s'il est défaillant. En
effet, cet objectif a été mis en évidence grâce au jumelage de l'approche spectrale Root-MUSIC
avec la procédure d'intelligence artificielle SVM. En effet, nous avons également obtenu par ce
mariage la précision spectrale, la réduction de l'ensemble des données nécessaires à l'entraînement
ainsi que la minimisation du temps de réponse ainsi que la minimisation de l'ambiguïté dans la
prise de décision concernant le type et la catégorie du défaut. Enfin, nous espérons l'implémentation
de ce système dans une puce de type ASIC ou FPGA.

91
Annexes

92
Annexe A

Les caractéristiques du moteur à induction utilisées sont:

Description Valeur
Puissance 3KW
Fréquence d’alimentation 50 Hz
Alimentation d’excitation 380
Courant de charge complète 7A
Vitesse du rotor 1440 rpm
Nombre des barres du rotor 28
Nombre d’encoches statoriques 36
Nombre de paires de pôles 2
Facteur de puissance 0,83

93
 Annexe B

Borne de Cramèr-Rao

1- Introduction
La borne de Cramèr-Rao est un outil fondamental en théorie des probabilités, car elle permet
d’étudier les performances d’un estimateur, en convergeant la variance de celui-ci à une valeur
optimale, qui représente en quelque sens un niveau de repère de qualité. Le théorème général de
la borne de Cramèr-Rao est rappelé ci-dessous. Il repose sur l’hypothèse d’un modèle statistique.
Avant de revoir l’établissement de cette borne, on va définir quelques notions qui nous assistera
à l’appréhender.

2- Maximum de vraisemblance

2.1 Introduction
Le maximum de vraisemblance est une procédure générale pour estimer les paramètres d’un
modèle statistique. Par exemple, supposons que nous avons une série d’observations d’une variable
aléatoire X et un modèle statistique potentiel pour cette variable. Ce modèle peut impliquer la
dépendance de X sur d’autres variables prédicatives, ainsi qu’une distribution statistique pour la
portion non-expliquée de la variation de X. En général, un tel modèle comporte différents
paramètres inconnus qui doivent être ajustés aux données observées.
Selon le maximum de vraisemblance, les meilleurs estimés des paramètres d’un modèle sont ceux
qui maximisent la probabilité des valeurs observées de la variable. Cette méthode peut être
appliquée peu importe la forme mathématique du modèle, ce qui permet de trier les modèles les
plus compatibles avec notre compréhension des processus naturels, sans être limités par les
modèles déjà déployés dans des logiciels statistiques.

2.2 Principe du maximum de vraisemblance

En science de probabilité, On sait que la loi des grands nombres fournit “machinalement” un
estimateur de l’espérance d’une loi, mais si l’on recherche une méthode un peu générale pour
concevoir un estimateur, la méthode du maximum de vraisemblance est une astuce souvent
efficace. En voici le principe :

94
 Annexe B

Si un échantillonnage a produit la suite finie x1 , . . . , x𝑛 de nombres et qu’on a choisi de modéliser

cette situation par un n-échantillon X1 , . . . , X𝑛 de v. a. indépendantes de loi L(θ), et si le choix de la
valeur du paramètre θ est le problème auquel on est confronté, on peut considérer l´évènement
E ∗ = {𝑋1 = x1∗ , . . . , X𝑛 = x𝑛∗ }, et plus généralement

𝐸(𝑥1 , … . . , 𝑥𝑛 ) = {𝑋1 = 𝑥1 , . . . , X𝑛 = 𝑥𝑛 } = {𝑋1 = 𝑥1 } ∩ . .. ∩ {X𝑛 = 𝑥𝑛 } (B.1)

Et sa probabilité
𝐿((𝑥1 , … . . , 𝑥𝑛 ; θ ) = 𝕡θ (𝐸(𝑥1 , … . . , 𝑥𝑛 )) = 𝕡θ ({𝑋1 = 𝑥1 } ∩ . .. ∩ {X𝑛 = 𝑥𝑛 }) =

𝕡θ ({𝑋1 = 𝑥1 }). … . 𝕡θ ({X𝑛 = 𝑥𝑛 }) (B.2)

cette dernière égalité résultant de l’hypothèse d’indépendance des v.a. Xi. L’idée très euristique est
alors que le choix θ* qu’il convient d’effecteur pour θ, est celui pour lequel cette probabilité est
maximale pour les valeurs x1∗ , . . . , xn∗ obtenues, et donc de poser
θ∗ = 𝐴𝑟𝑔𝑚𝑎𝑥θ (𝐿(𝑥1 ∗ , … . . , 𝑥𝑛 ∗ ; θ )) c’est-à-dire la valeur (si elle existe et est unique) de θ pour
laquelle la fonction θ → 𝐿(𝑥1 ∗ , … . . , 𝑥𝑛 ∗ ; θ ) est maximale. Souvent, ceci peut se ramener à
𝜕𝐿
résoudre en θ l’équation (𝑥1 , … . . , 𝑥𝑛 ; θ ) = 0.
𝜕θ
La fonction 𝐿𝑛 : (𝑥1 , … . . , 𝑥𝑛 ; θ ) → 𝐿(𝑥1 , … . . , 𝑥𝑛 ; θ ) = ∏𝑛𝑖=1 𝕡θ ( X𝑖 = 𝑥𝑖 ) pour des
Xi → L (θ) s’appelle la vraisemblance de la loi ℒ. La v. a. obtenue en appliquant la fonction
(𝑥1 , … . . , 𝑥𝑛 ) → 𝐴𝑟𝑔𝑚𝑎𝑥θ (𝐿(𝑥1 , … . . , 𝑥𝑛 ; θ )) appliqué aux n-échantillon (X1, . . . , Xn )
s’appelle l’estimateur au maximum de vraisemblance du paramètre θ de la loi discrète L (θ) .
Exemple- Distribution normale
On suppose que l’échantillon 𝑥1 , … . . , 𝑥𝑛 est tiré de manière normale avec une espérance μ et
un écart-type σ, mais μ et σ sont inconnus. On modélise donc le problème par une loi normale
(𝑥−𝜇)2
1 −
N(μ, σ) dont la densité est : f(μ, σ)(x) = e 2𝜎2 (B.3) et on va chercher un
σ √2𝜋

estimateur de θ= (μ, σ) par la méthode du maximum de vraisemblance. La vraisemblance de

l’échantillon 𝑥1 , … . . , 𝑥𝑛 est donc
2
(𝑥𝑖 −𝜇) (𝑥𝑖 −𝜇)2
1 − 1 𝑛 −
𝐿𝑛 (𝑥1 , … . . , 𝑥𝑛 ; θ ) = ∏𝑛𝑖=1 𝑓θ ( 𝑥𝑖 ) = ∏𝑛𝑖=1 e 2𝜎2 = ( ) e 2𝜎2 (B.4)
σ 2𝜋
√ σ√2𝜋

Ici, il est plus préférable de considérer la log-vraisemblance

(𝑥𝑖 −𝜇)2 n
𝑙𝑛 (𝑥1 , … . . , 𝑥𝑛 ; θ ) = ln(𝐿𝑛 (𝑥1 , … . . , 𝑥𝑛 ; θ )) = − − 𝑛𝑙𝑛(σ) − 2 ln(2𝜋) (B.5)
2𝜎2

95
 Annexe B

Pour que θ*= (μ*, σ*) soit un extremum sur 𝑅𝑥𝑅∗+ , il faut que les deux dérivées
𝜕𝑙𝑛 1 1
(𝑥1 , … . . , 𝑥𝑛 ; θ ) = ∑𝑛𝑖=1(𝑥𝑖 − 𝜇) = (𝑠 − 𝑛𝜇) 𝑜ù 𝑠 = ∑𝑛𝑖=1 𝑥𝑖 et
𝜕𝜇 𝜎2 𝜎2
𝜕𝑙𝑛 𝑛 1
(𝑥1 , … . . , 𝑥𝑛 ; θ ) = − + ∑𝑛𝑖=1(𝑥𝑖 − 𝜇)2 s’annulent pour θ = θ∗ ce qui implique
𝜕σ σ 𝜎3

𝑠 ∑𝑛
𝑖=1 𝑥𝑖 2 ∑𝑛
𝑖=1(𝑥𝑖 −𝜇)
2
𝜇= = et 𝜎 = . Ceci nous conduit donc à envisager
𝑛 𝑛 𝑛
𝑛 𝑛 2
̂ = (μ̂, ̂σ) = (∑𝑖=1 𝑋𝑖 , √∑𝑖=1(𝑥𝑖−𝜇) ) (B.6)
l’estimateur : θ
𝑛 𝑛
En ce qui concerne la première composante μ̂, nous retrouvons une nouvelle fois la moyenne
comme estimateur de l’espérance μ = E(Xi), quant à la seconde composante, nous trouvons
𝑛 2
̂2 = ∑𝑖=1(𝑥𝑖 −𝜇) (B. 7), il s’agit bien, pour toute loi, d’un estimateur de la variance σ2.
σ
𝑛
3- Score
Lorsque nous utilisons l’espérance de maximum de vraisemblance, nous traitons la
vraisemblance comme une fonction du paramètre de population et nous considérons que les
données sont fixes. Cependant, nous pouvons également traiter la vraisemblance comme une
fonction des points des données. Ces points des données sont des quantités aléatoires, et les
fonctions de quantités aléatoires sont d’autres quantités aléatoires.
Vue sous cet angle, la vraisemblance est une variable aléatoire, c’est-à-dire une quantité qui
dépend de l’expérience - les quantités aléatoires particulièrement sélectionnées. Pour déduire
certaines des propriétés de la vraisemblance, nous devons la considérer à la fois comme une
fonction des paramètres de la population et comme une fonction de l’échantillon, c’est-à-dire
comme une variable aléatoire. De même, le Log-vraisemblance peut être considéré comme une
fonction du ou des paramètres de la population et comme une fonction de l’échantillon.
Lorsque nous considérons la Log-vraisemblance comme une fonction du paramètre de la
population, nous pouvons la différencier par rapport au paramètre. Cette dérivée s’appelle le
score. Etant donné qu’elle est également fonction des valeurs particulières des données, nous
écrivons cette dérivée comme une dérivée partielle :
𝜕𝑙(𝑥|𝜃) 𝜕𝐿𝑛𝑓(𝑥|𝜃)
= (B.8)
𝜕𝜃 𝜕𝜃

96
 Annexe B

Exemple- Distribution normale

Pour l’estimateur de la moyenne de la distribution normale, le paramètre θ est la moyenne μ. La
vraisemblance (qui est la même que la densité de probabilité normale est :
1 1
𝐿(μ|𝑥1 , 𝑥2 , … , 𝑥𝑛 , 𝜎) = (√2𝜋 𝜎)𝑛 exp(− 2𝜎2 ∑𝑛𝑖=1(𝑥𝑖 − μ)2 ) (B.9)

𝑛 1
La log-vraisemblance est : 𝑙(μ|𝑥1 , 𝑥2 , … , 𝑥𝑛 , 𝜎) = −𝑛𝑙𝑛𝜎 − 2 𝑙𝑛(2𝜋) − 2𝜎2 ∑𝑛𝑖=1(𝑥𝑖 − μ)2 )

Le score est la dérivée. Nous utiliserons la lettre s pour le score.

𝜕𝑙 1 𝑛
𝑠(μ) = 𝜕μ = 𝜎2 ∑𝑛𝑖=1(𝑥𝑖 − μ) = 𝜎2 (𝑥̅ − μ) (B.10)
Remarquons que le score est une fonction linéaire de la moyenne de l’échantillon et qu’il est
directement proportionnel à la différence entre la moyenne de l’échantillon et la moyenne de la
population. Que signifie le score pour un ensemble de données ?
Si les points de données sont en moyenne inférieurs à la moyenne réelle de la population, le score
est négatif. Le score est une dérivée par rapport à la moyenne, de sorte que le score négatif
implique que la log-vraisemblance diminue à mesure que la moyenne augmente. Cela est
logique : nous éloignons la moyenne des données, ce qui rend la probabilité plus faible.
En revanche, si les points de données sont en moyenne supérieurs à la moyenne réelle de la
population, le score est positif. la log-vraisemblance augmente à mesure que la moyenne
augmente, ce qui la rapproche des données.

4- Borne de Cramér-Rao

La borne de Cramér-Rao stipule que tout estimateur sans biais d’un paramètre de population, la
1
variance la plus faible possible est où I est l’information de Fisher. Il existe quelques conditions
I
techniques de régularité, mais elles sont valables pour les distributions de probabilité et les
estimateur habituels que nous utilisons en statistiques.
Définition (Modèle statistique régulier)
Soit un modèle statistique dominé par une mesure μ et paramétré par 𝜃 ∈ Θ , où Θ est une partie
ouverte de Rq. Notons x la variable vectorielle de dimension N.
La paramétrisation est dite régulière si les conditions suivantes sont vérifiées :

97
 Annexe B

1. La densité de probabilité 𝑝(𝑥; 𝜃) est continûment dérivable, μ -presque partout, par rapport à
𝜃.

2. La matrice d’information de Fisher 𝐹(𝜃) ≜ ∫𝐻 𝑙(𝑥; 𝜃). 𝑙(𝑥; 𝜃)𝑇 . 𝑝(𝑥; 𝜃)𝑑𝑥 (B.11)

définie à partir de la fonction de score 𝑙(𝑥; 𝜃) ≜ ∇𝜃 ln(𝑝(𝑥; 𝜃) est définie positive pour toute valeur
du paramètre 𝜃 et continue par rapport à 𝜃 .

Theorème (Borne de Cramér-Rao) : Soit un modèle statistique régulier paramétré par 𝜃 ∈ Θ.

Soit 𝜃̂ un estimateur non biaisé de 𝜃 (∀ 𝜃 ∈ Θ, E𝜃 [𝜃̂] = 𝜃). Alors la matrice de dispersion
𝐷(𝜃, 𝜃̂) ≜ E𝜃 [(𝜃̂ − 𝜃)(𝜃̂ − 𝜃)𝑇 ] (B.12) est telle que la matrice 𝐷(𝜃, 𝜃̂) − (𝐹(𝜃))−1 est
positive. En particulier, les éléments diagonaux de la matrice 𝐷(𝜃, 𝜃̂) − (𝐹(𝜃))−1 sont positifs.
Par conséquent, les variances des coefficients de 𝜃̂ sont supérieures aux éléments diagonaux de
la matrice [𝐹(𝜃)]−1 . Ainsi les bornes d’estimation de Cramér-Rao pour l’ensemble des
paramètres scalaires s’obtiennent en trois étapes :
 calcul de la matrice d’information de Fisher ;
 inversion de cette matrice;
 extraction des éléments diagonaux.

Le vecteur x(n) contenant les N échantillons du signal observé est un vecteur de matrice de
covariance Rxx.. Il est connu que la matrice d’information de Fisher d’un vecteur aléatoire
gaussien s’exprime simplement en fonction des paramètres du modèle.
Exemple-Distribution normale
D’après ci-dessus :
n 1 σ2
I= 2
, = (B.13)
σ I n

98
Références Bibliographiques

[01] : Bachir S., ”Contribution au diagnostic de la machine asynchrone par

estimation paramétrique”, Thèse de doctorat, Université de Poitiers, France,
Décembre 2002.
[02] : Kerszenbaum I., Landy C.F., ”The existence of large inter-bar currents in
three phase squirrel cage motors with rotor-bar and/or end ring faults”.
Power Apparatus and System, Vol 103, n°7, pp 1854-1862, July 1984.
[03] : Muller G. H. et landy C. F., ”A novel method to detect rotor bars in squirrel
cage induction motors when interbar currents are present”, IEEE Power
Engineering Society Meeting, Vol. 3, number of pages: 4, July 2003.
[04] : Walliser R. F., Landy C. F., ”Determination of interbar current effect in the
detection of broken bars in squirrel cage induction motors”, IEEE
Transactions on Energy conversion, Vol. 9, Issue 1, pp.152-158, March 1994.
[05] : Ondel O., Diagnostic par reconnaissance des formes : ”Application a un
ensemble convertisseur-machine asynchrone”, Thèse de doctorat, Ecole
Centrale de Lyon, 2006.
[06] : Kazzaz S. A. S. A., Singh G. K., ” Experimental investigations on induction
machine condition monitoring and fault diagnosis using digital signal
processing techniques ”, ELSEVIER, Electric Power Systems Research, vol. 65,
p. 197-221, 2003.
[07] : Casimir R., Bouteleux E., Yahoui H., Clerc G., Henao H., Del-motte C.,
Capolino G., [Link], Barakat G., Dakyo B., Didier G., Razik H., Foulon E.,
Loron L., Bachir S., Tnani S., Champenois G., Tri-geassou J., Devanneaux V.,
[Link], Faucher J., Rostaing G., Rognon J., ” Synthese de plusieurs
méthodes de modélisation et de diagnostic de la machine asynchrone a cage
en présence de défauts ”, Revue Internationale de Génie Electrique, vol. 8,
n°2, p. 287-330, 2005.
[08] : Trigeassou J.-C., ” Diagnostic des machines electriques ”, Chapitre Les
défauts des machines électriques et leur diagnostic, Editions Hermes, 2011.
[09] : Bonnett A. H., Yung C., ” Increased eciency versus increased reliability ”, IEEE
Industry Applications Magazine, p. 1077-2618, Jan./Feb. 2008.
[10] : Thorsen O. V., Dalva M., ”A survey of fault on induction motors in oshore oil
industry, petrochemical industry, gas terminals, and oil reneries ”,IEEE
Industry Applications Magazine, vol. 31, n°5, Septembre 1995.
[11] : Thorsen O. V., Dalva M., ” Failure identification and analysis for high voltage
motors in petrochemical industry ”, Conference Publication, IEE 1997, n° 444
Condition monitoring methods, 1-3 Septembre 1997.
[12] : Kalman R., ” A new approch to linear ltering and prediction problems ”,
Transactions of the ASME - Journal of Basic Engineering, vol. 82, p. 35-45,
1960.

99
[13] : Luenberger D.G., ” An introduction to observers ”, IEEE Transactions on
Automatic Control, vol. 16, n°6, p. 596-602, 1971.
[14] : Saïd M., Benbouzid M., Benchaib A, ” Detection of broken bares in induction
motors using an extended Kalman lter for rotor resistance sensorless
estimation ”, IEEE Transaction on Energy Conversion, vol. 15, n°1, Mars 2000.
[15] : Cherrier E., ” Estimation de l'état et des entrées inconnues pour une classe
de systèmes non linéaires”, Thèse de doctorat, Institut National
Polytechnique de Lorraine, France, 2006.
[16] : Besançon G., ” Nonlinear Observers and Applications ”, Springer Berlin,
2007.
[17] : Rajamani R.,” Observer for lipschitz nonlinear systems”, IEEE Transactions
on Automatic Control, vol. 43, n°3, p. 397-401, 1998.
[18] : Gauthier J., Hammouri H., Othman S.,” A simple observer for non-linear
systems applications to bioreactors”, IEEE Transactions on Automatic
Control, vol. 37, n°6, p. 875-880, 1992.
[19] : Raghavan S., Hedrick J.,” Observer design for a class of nonlinear systems”,
International Journal of Control, vol. 59, n°2, p. 515-528, 1994.
[20] : Christophe C., Cocquempot V., Staroswiecki M., ”Robust residual generation
for induction motor using elimination theory ”, SDEMPED-99, 1-3 Septembre
1999.
[21] : Iserman R., ” Fault Diagnosis of Machines via Parameter Estimation and
Knowledge Processing - Tutorial Paper ”, Automatica, vol. 29, n°4, p. 815-
835, 1993.
[22] : Richalet J., Rault A., Pouliquen R., ”Identification des processus par la
méthode du modèle”, Gordon and Breach, 1971
[23] : Ljung L., ”System identification : Theory for the user”, Prentice Hall, 1987.

[24] : Trigeassou J.-C., ”Estimation paramétrique des systèmes continus, Ecole

d'été : Surveillance des systèmes continus”, Grenoble France, 1996.
[25] : Trigeassou J.-C., Poinot T., ” Identification des systèmes ”, Chapitre
Identification des systèmes à représentation continue - Application à
l'estimation de paramètres physiques, p. 177-211, Sous la direction de I.D.
Landau et [Link]çon-Voda. Traité Information, Commande,
Communication - Section Systèmes Automatisés, Editions Hermes, 2001.
[26] : Loron L., ”Identification et commande des machines électriques”,
Habilitation à diriger des recherches, UTC Compiègne, 1998.
[27] : Young P.,” Parameter estimation for continuous time models - A survey”,
Automatica, vol. 17, n°1, p. 23-39, 1981.
[28] : Mensler M., ”Analyse et étude comparative de méthodes d'identification
des systèmes à représentation continue. Développement d'une boite à outil
logicielle”, Thèse de doctorat, Université de Nancy I, 1999.
[29] : Moreau S., ”Contribution à la modélisation et à l'estimation paramétrique
des machines électriques à courant alternatif : Application au diagnostic”,
Thèse de doctorat, Université de Poitiers, 1999.

100
[30] : Bazine I. B. A., Bazine S., Tnani S., Champenois G., ” On-line broken bars
detection diagnosis by parameters estimation ”, 13th European Conference
on Power Electronics and Applications EPE, SPAIN, Barcelona, September 8-
10 2009.
[32] : Schaeffer E., ”Diagnostic des machines asynchrones : modèles et outils
paramétriques dédiés à la simulation et à la détection de défauts”, Thèse de
doctorat, Université de Nantes, 1999.
[33] : Andria G., Savino M., Trotta A., ” Application of Wigner-Vill distribution to
measurement on transient signal ”, IEEE Transaction on Instrumentation and
measurement, vol. 43, n°2, April 1994.
[34] : Bonnett A. H.,” Root cause ac motor failure analysis with a focus on shaft
failures”, IEEE Transactions on Industry Applications, vol. 36, p. 1435-1448,
2000.
[35] : Sahraoui M., Ghoggal A., Zouzou S., Benbouzid M., ” Dynamic eccentricity in
squirrel cage induction motor - Simulation and analytical study of its spectral
signature on stator currents ”, ELSEVIER Simulation Modelling Practice and
Theory, vol. 16, p. 1503-1513, 2008.
[36] : Didier G., ”Modélisation et diagnostic de la machine asynchrone en présence
de défaillances”, Thèse de doctorat, Université Nancy 1, France, 2004.
[37] : Flandrin P., Temps - Fréquence, Traité des nouvelles technologies, Hermès,
1993.
[38] : Casimir R., ”Diagnostic des défauts des machines asynchrones par
reconnaissance des formes”, Thèse de doctorat, Ecole Centrale de Lyon,
2003.
[39] : Kral C., Habetler T. G., Harley R. G., ” Detection of mechanical unbalances of
induction machines without spectral analysis of time-domain signals ”, IEEE
Transactions on Industrial Applications, vol. 40, n°4, p. 1101-1106, Aug 2004.
[40] : Altug S., Chen M.-Y., Trussell H. J., ” Fuzzy inference systems implemented
on neural architectures for motor fault detection and diagnosis ”, IEEE
Transaction on Industry Electronics, vol. 46, n°6, p. 1069-1079, 1999.
[41] : Awadallah M. A., Morcos M., ” Application of AI tools in fault diagnosis of
electrical machines and drives-an overview ”, IEEE Transaction on Energy
Conversion, vol. 18, n°2, p. 245-251, 2003.
[42] : Salles G., Filippetti F., [Link], Crellet G., [Link], ” Monitoring of
induction motor load by neural network techniques ”, IEEE Transaction on
Power Electronics, vol. 15, n°4, p. 762-768, 2000.
[43] : Ballal M. S., Khan Z. J., Suryawanshi H. M., Sonolikar R. L., ” Adaptive neural
: fuzzy inference system for the detection of inter-turn insulation and bearing
wear faults in induction motor ”, IEEE Transaction on Industry Electronics,
vol. 54, n°1, p. 250-258, 2007.
[44] : Zidani F., Diallo D., Benbouzid M. E. H., Nait-Said R., ” A fuzzy-based approach
for the diagnosis of fault modes in a voltage-fed PWM inverter induction
motor drive ”, IEEE Transaction on Industry Electronics, vol. 55, n°2,p. 586-
593, Feb. 2008.

101
[45] : Vladimir N. Vapnik , ”The Nature of Statistical Learning Theory. ”, New York:
Springer- Verlag, 1995 .
[46] : M. Koteich, ” Modélisation et Observabilité des Machines Électriques ”, Thèse de
doctorat, Université Paris-Saclay, 2016.

[47] : P. Stoica and A. Nehorai, “Study of the statistical performance of the

Pisarenko harmonic decomposition method,” IEE Proceedings Radar and
Signal Processing, vol. 135, no. 2, pp. 161–168, Apr. 1988.
[48] : P. Stoica and T. Söderström, “Statistical Analysis of MUSIC and Subspace
Rotation Estimates of Sinusoidal Frequencies”, IEEE Trans. Signal
Processing, vol. 39, pp. 1836–1847, Aug. 1991
[49] : A. Kot, S. Parthasarathy, D. Tufts, and R. Vaccaro, “The statistical
performance of state-variable balancing and Prony’s method in parameter
estimation”, in Proc. of ICASSP’87, Apr. 1987, vol. 12, pp. 1549–1552.
[50] : A. Eriksson, P. Stoica, and T. Soderstrom, “Second-order properties of
MUSIC and ESPRIT estimates of sinusoidal frequencies in high SNR
scenarios”, IEE Proceedings on Radar, Sonar and Navigation, vol. 140, no. 4,
pp. 266–272, Aug. 1993.
[51] : Y. Hua and T. K. Sarkar, “On SVD for estimating generalized eigenvalues of
singular matrix pencil in noise”, IEEE Trans. Signal Processing, vol. 39, no.
4, pp. 892–900, Apr. 1991.
[52] : M.E.H. Benbouzid, et al., ” Induction motors’ faults detection and localization using
stator current advanced signal processing techniques”, IEEE Trans. on Power
Electronics, Vol. 14, No.1 pp. 14 – 22, January 1999.
[53] : Bachir S., Tnani S., Trigeassou J.C., Champenois G., ” Diagnosis by parameter
estimation of stator and rotor faults occurring in induction machines.” , EPE'01, Graz,
Autriche, August 2001.
[54] : Silvie Marcos, “ Les Méthodes à Haute résolution“, Vol. Traitement d’antenne et
Analyse Spectrale, Traitement du signal, Hermès Ed., 1998.
[55] : Cédric Le Bastard, “ Apport de Techniques de Traitement du Signal Super et Haute
Résolution à L’amélioration des Performances du Radar Chaussée“, Thèse de
Doctorat de l’université de Nantes (Protege) en France, soutenue le 20 novembre
2007.
[56] : G. de Prony. Essai expérimental et analytique : “ Sur les lois de la dilatabilité
de fluides élastiques et sur celles de la force expansive de la vapeur de l’eau
et de la vapeur de l’alcool, à différentes températures“, Journal de l’Ecole
Polytechnique, 1(2) :24–76, 1795.
[57] : V. F. Pisarenko, “The retrieval of harmonics from a covariance function”,
Geophysical J. Royal Astron. Soc., vol. 33, pp. 347–366, 1973.
[58] : M. Wax et T. Kailath , ” Detection of signals by information theoretic
criteria.”, IEEE Transactions on Acoustics, Speech and Signal Processing,
33(2):387–392, 1985.
[59] : A. Ducasse, C. Mailhes et F. Castanié , ”Estimation de fréquences : panorama
des méthodes paramétriques. ” , TS. Traitement du signal, 15(2) :149–162,
1998.
[60] : Steven M. Kay,” Modern Spectral Estimation: Theory and Application”,
Prentice Hall, Englewood Cliffs, New Jersey, pp. 413-415, 1988.

102
[61] : Filippetti F, Franceschini G, Tassoni C and Vas P. (1998), “AI techniques in
induction machines diagnosis including the speed ripple effect”, IEEE Trans.
Industry Applications, Vol. 34, No. 1, 98-108.
[62] : F. Filippetti, G. Franceschini, and C. Tassoni, ”Neural networks aided on-line
diagnostics of induction motor rotor faults”, IEEE Trans. on Industrial
Applications, Vol. 31, No. 4, pp. 892-899, July/August 1995.
[63] : Varpnik, V. N., ”The nature of statistical learning theory”, New York. Springer,
1999.
[64] : Achmad Widodo, Bo-Suk Yang and Tian Han, “Combination of independent
component analysis and support vector machines for intelligent faults diagnosis
on induction motors”, Expert Systems with applications, In press, corrected
proof, Available online 4, jan, 2006.
[65] : Zhang, Y., et al., “Fault classifier of rotating machinery based on weighted
support vector data description”, Expert systems with Applications (2008),
doi:10.1016/[Link].2008.10.062
[66] : Jaroslaw, K., Stanislaw, O., “Support Vector Machine for faults diagnosis of
the broken rotor bars of squirrel-cage induction motor”, Neural computer and
Applications (2009), doi:10.1007/s00521.009.0316.5
[67] : Ben-Hur A., Horn D., T. Siegelmann H and Vapnik V.:”Support Vector
Clustering”, Journal of Machine Learning Research 2 (2001) 125-137.
[68] : Pöyhönen, S., Negrea, M., Arkkio, A., Hyötyniemi, H., Koivo, H.:”Support
Vector Classification for Fault Diagnostics of an Electrical Machine”, Proc. Of
6th Int. Conf. on Signal Processing (ICSP’02), Vol.2, pp. 1719-1722, Beijing-
China, August, 2002
[69] : Richard O. Duda, Peter E. Hart, David G. Stork: ”Pattern Classification”,
Wiley-interscience, 2001(ISBN 0-471-05669-3).
[70] : Casimir R., ”Diagnostic des défauts des machines asynchrones par
reconnaissance des formes”, Thèse de doctorat, Ecole Centrale de Lyon, 2003.
[71] : Altug S., Chen M.-Y., Trussell H. J., “Fuzzy inference systems implemented
on neural architectures for motor fault detection and diagnosis “, IEEE
Transaction on Industry Electronics, vol. 46, n°6, p. 1069-1079, 1999.
[72] : Awadallah M. A., Morcos M., ”Application of AI tools in fault diagnosis of
electrical machines and drives-an overview “, IEEE Transaction on Energy
Conversion, vol. 18, n°2, p. 245-251, 2003.
[73] : Salles G., Filippetti F., [Link], Crellet G., [Link], “ Monitoring of
induction motor load by neural network techniques “, IEEE Transaction on
Power Electronics, vol. 15, n°4, p. 762-768, 2000.
[74] : Ballal M. S., Khan Z. J., Suryawanshi H. M., Sonolikar R. L., “ Adaptive neural
fuzzy inference system for the detection of inter-turn insulation and bearing
wear faults in induction motor “, IEEE Transaction on Industry Electronics,
vol. 54, n°1, p. 250-258, 2007.
[75] : Zidani F., Diallo D., Benbouzid M. E. H., Nait-Said R., “ A fuzzy-based
approach for the diagnosis of fault modes in a voltage-fed PWM inverter
induction motor frive “, IEEE Transaction on Industry Electronics, vol. 55,
n°2,p. 586-593, Feb. 2008.

103
[76] : Vojislav Kecman, “Learning and Soft Computing Support Vector Machines,
Neural Networks, and Fuzzy Logic Models”, The MIT Press (2001)
[77] : [Link], “Tutorial on SVM ”, CGIT Lab, USC, 2004.

[78] : Burges B. Schölkopf, "Advances in Kernel Methods--Support Vector

Learning". MIT press, 1998.
[79] : Burges C., "A tutorial on support vector machines for pattern recognition", In
"Data Mining and Knowledge Discovery". Kluwer Academic Publishers,
Boston, 1998, (Volume 2).
[80] : Vapnik, V.,” Estimation of Dependencies Based on Empirical Data”, Empirical
Inference Science : Afterword of 2006, Springer, 2006
[81] : M. Drakaki, Y.L. Karnavas, A.D. Karlis, I.D. Chasiotis, P. Tzionas, “Study on
Fault Diagnosis of Broken Rotor Bars in Squirrel Cage Induction Motors: A
Multiagent System Approach Using Intelligent Classifiers”, IET Electric.
Power Appl., Vol. 14, Issue 2, pp. 245-255, 2020.
[82] : Ouahib GUENOUNOU, ” Méthodologie de conception de contrôleurs
intelligents par l’approche génétique-application à un bioprocédé ”, pour
obtention le grade de docteur à l’université de Toulouse III-Paul Sabatier,
spécialité : Systèmes Automatiques, avril 2009.
[83] : M. Messaoudi, A. Flah, A.A. Alotaibi, A. Althobaiti, L. Sbita, C. Ziad El
Bayeh,” Diagnosis and Fault Detection of Rotor Bars in Squirrel Cage
Induction Motors Using Combined Park’s Vector and Extended Park’s Vector
Approaches”, Electronics, Vol. 11, Issue 3, pp. 115, January 2022.
[84] : H. Guo, M.K. Liu, “Induction Motor Faults Diagnosis Using Support Vector
Machine to the Motor Current Signature”, The 2018 IEEE Industrial Cyber-
Physical Systems (ICPS), pp. 417-421, Saint Petersburg, Russia, 2018.
[85] : N.S. Soleimani Zakeri, S. Pashazadeh, “Classification Of Databases And Methods For
Seismic Data Analysis And Earthquake Prediction” 3-IJTPE-Issue18-Vol6, No1, Mar
2014, pp18-26.
[86] : N.S. Soleimani Zakeri, S. Pashazadeh, ” Classification Of Databases And Methods
For Seismic Data Analysis And Earthquake Prediction” 3-IJTPE- Issue18- Vol6-
No1- Mar2014- pp18-26.
[87] : MOUFFAK Adnane, ”Conception et Implémentation en Temps Réel des Filtres à
Phase Linéaire à l’aide des Filtres Récursifs Non Causaux à Phase Nulle ”, Thèse en
Sciences, USTOMB, Faculté de Génie Electrique, Département d’Electronique,
2015.
[88] : ROUX J. ”Etude d'une méthode en vue de la détection de défaut par ultrasons :
méthode de prony, théorie et pratique”, Mai 1993, Direction des Etudes et
Recherches EDF.
[89] : Bhasme, D.A., Chavhan, V.S. (2020). ”Induction motor condition monitoring system
based on machine learning.”, International Research Journal of Engineering and
Technology (IRJET), 7(5): 6590-6593.

104