4th 

International Conference on Computer Integrated Manufacturing CIP’2007  03-04 November 2007

Utilisation de la méthode FDI pour la localisation de

défauts de fonctionnement d’un processus non
linéaire
Ahmed Hafaifa (*), Ferhat Laaouad (*) et Kouider Laroussi (**)
(*) (**)
Laboratoire d’Automatique Appliquée, Département contrôle des systèmes et
Université de BOUMERDES. Département Electrification
Automatisation et Electrification des Université de DJELFA
Procédés Industriels E-mail : k_laro@[Link]
E-mail : hafaifa@[Link]
E-mail : ferhatlaaouad@[Link]

Résumé- Ce travail trait les problèmes liés à la localisation et l’on cherche à établir une réponse exhaustive : quelles sont les
l'identification des défauts dans les processus industriels explications possibles du comportement observé ? Quels
complexes en prenant comme exemple un système nonlinaire dysfonctionnements le système subit-il ou a-t-il subi ?
présenter par son modèle mathématique. On propose une
méthode originale de détection, de localisation et d'identification La méthode FDI intervient efficacement dans la localisation et
de défauts, en vue de son application au diagnostic de biais de ce l'identification des défauts dans les processus industriels
système et de déterminer la gravité d'un défaut détecté. L'idée complexes. La méthode proposée reproduit bien les principales
repose sur l'analyse quantitative des résidus en présence de caractéristiques du modèle complexe caractérisé par des non
défauts afin d'établir des signatures de pannes non binaires. linéarités assez prononcées, donnant lieu à une représentation
plus prisé et facilement manipulable .
Dans ce travail, on montre les possibilités d’application des
nouvelles approches de diagnostic à la conduite du système I. INTRODUCTION
complexes, et d’évaluer par voie de conséquences leur apport sur L'objectif de ce travail est d'introduire les méthodes de
les plans théoriques et pratique. Car les systèmes industriels sont
diagnostic pour les processus industriels. Nous présenterons en
devenus de plus en plus complexes avec l’automatisation de
boucles de contrôle, l’introduction des microprocesseurs à
détail les méthodes à base de modèle. Ce choix se justifie
différents niveaux et, plus récemment, l’informatisation essentiellement par son application à un système nonlinaire.
hiérarchisée et distribuée. De fait cette évolution a complexifié la Nous caractériserons ensuite la qualité de ces méthodes par des
tâche de diagnostic des installations industrielles. Les procédures critères de robustesse. Nous poserons les problèmes liés à la
de diagnostic de défauts dans les systèmes physiques s'avèrent détection et à la localisation de défauts. Enfin, nous étudierons
devenir très complexes dès que les systèmes considérés ne sont l'apport de la méthode FDI à ces différentes techniques. Cela
plus élémentaires. Il est alors légitime pour les entreprises nous permettra de développer une méthode de diagnostic à
d’acquérir un système efficace de surveillance afin d’améliorer la base de la stratégie FDI pour la détection de pannes. Le choix
sécurité des personnels et d’assurer une fiabilité et une
de cette stratégie de diagnostic dépend du cahier des charges
disponibilité accrues de leur outil de production. En effet, devant
cette complexité du processus industriel non linaire, nous avons
que l'on s'est fixé ainsi que de l'application considérée. Par
choisi de faire recours à la méthode FDI ( Fault Detection and exemple, le type d'information accessible sur le système ou le
Isolation ) par l’analyse et le traitement du problème de sa type de défauts à détecter conditionnent la mise en oeuvre
conduite du fait que l'utilisation de cette techniques permettra de d'une stratégie spécifique. Mais avant de développer une
caractériser plus précisément la corrélation symptômes - défauts. méthode de diagnostic, nous aborderons donc la conception de
la stratégie de diagnostic selon les trois principes de base
L’objectif de notre travail est de concevoir un système de suivants :
diagnostic fiable permettant d’appréhender les systèmes
dynamiques complexes spatialement distribués. En effet, un
1. Définition des objectifs : que veut-on surveiller ?
système supervisé peut être géographiquement distribué et de
grande taille. Nous nous appuierons sur les techniques de
Quels types de défauts doit-on détecter ?
diagnostic dites à base de modèle. Nous cherchons aussi par le 2. Définition des critères : quelles sont les performances
biais de ce travail de mettre en place des algorithmes pour le attendues ? Quels sont les critères pour juger de telles
diagnostic des systèmes complexes et dynamiques en étant le plus opérations ?
efficace possible. La complexité du problème vient en particulier 3. Définition des systèmes de surveillance : qu'est-ce que
du fait que les informations à traiter sont nombreuses (taille du la redondance d'informations ? Quel est le principe
système, nombre d’alarmes reçues, les algorithmes sur lesquels se d'un système de diagnostic ?
basent les tests de détections peuvent être hétérogènes,...) et que
4th International Conference on Computer Integrated Manufacturing CIP’2007  03-04 November 2007

Bien d'autres critères doivent être pris en considération Défaut

avant de développer un système de surveillance, tels que la
rapidité des réponses, la sensibilité aux variations des mesures, Anomalies
la robustesse des algorithmes aux erreurs de modélisation, le Défaillance
taux de fausses alarmes ou de nondétection... mais aussi les

Normal
contraintes d'ordre économique, ergonomique et mécanique, le Panne
temps de développement. La première question que l'on doit se Signe
poser lorsque l'on conçoit un système de diagnostic, est de
savoir ce que l'on veut détecter. Cela revient à déterminer le Observations
type de dysfonctionnement que l'on veut diagnostiquer, i.e. Symptôme
définir le type de défauts susceptibles d'altérer le bon
fonctionnement d'un système. Celui-ci peut être divisé en trois

Fonctionneme
Comporteme
catégories distinctes : les biais, les dérives et les valeurs Criticité des Anomalies

Plus aucune
nt Normal
Limite du

nt Normal
Limite du

fonction
assurée
aberrantes.

Qu'il s'agisse de défauts inhérents aux organes de mesure

(capteurs), aux organes de commande (actionneurs) ou aux
Fig. 2. Anomalies et Observations classées par criticité croissante
composants du processus comme il est représenté sur la figure d’après Adrot, 2000, [1]
1, ils se traduisent par une modification du signal associé.
III. APPLICATION DE LA METHODE FDI AU SYSTEME DES DEUX
Défauts Défauts Défauts BACS
d’actionneu composants capteurs
rs Le système des deux bacs en cascade, présenter par la figure
3, est constitué d’un ensemble de composants élémentaires, à
savoir le bac du haut (BH), le bac du bas (BB), une vanne de
Actionneurs Processus Capteurs gain K du haut (VKH) et une vanne de gain K du Bac (VKB),
une restriction (R1) et (R2) au niveau du bac du haut et du bac
du bas respectivement, différents capteurs qui nous permettent
de mesurer la hauteur du produit dans le bac du haut (H1) et le
Entrées inconnues (perturbations, bruits de mesure…) bac du bas (H2) et le flux d’entrée du produit (qe1) et (qe2)
dans le bac du haut et le bac du bas respectivement. Les flux
Fig. 1. Défauts d’un Processus Industriel d’entrée sont commandés directement (boucle ouverte) par un
calculateur numérique. Le point intéressant pour le diagnostic
II. CRITERES DE PERFORMANCE D’UN SYSTEME DE DIAGNOSTIC des défauts est que l'information obtenue du procédé a un
temps d'échantillonnage de 10s (le contrôleur utilise toute
Comment s'assurer que le système de diagnostic développé l'information) dans la simulation proposée.
soit le plus performant possible ? Pour répondre à une telle u
question, il convient tout d'abord de définir en vertu de quels VKH
K
critères le système peut être évalué. D'une manière générale,
nous pouvons regrouper les différents critères de performance
du système de détection de la manière suivante : Détectabilité, qe1
S1
Isolabilité, Sensibilité, Robustesse, Coût économique et BH
Temps de développement.
50 cm
H1 h1

II.1. DIAGNOSTIC PAR REDONDANCE ANALYTIQUE

Un diagnostic est un état expliqué d’un système physique qs1 = k x h1
VKB
K
compatible avec les informations disponibles sur le
comportement réel du système et avec le modèle de
comportement de référence disponible. Habituellement, le qe2
diagnostic est exprimé par les états des composants [1, 12] ou S2
BB
les états des relations de description du comportement [2]. La 50 cm
figure 2 représente les anomalies suivant leur criticité. Il existe H2 h2
également une criticité croissante entre défaillance et panne.
De la non conformité (ou anomalie) dans le cas d’une
qs2 = k x h2
défaillance, on passe à une inaptitude à accomplir une fonction
dans le cas d’une panne.
Fig. 3. Système des deux Bacs en Cascade
4th International Conference on Computer Integrated Manufacturing CIP’2007  03-04 November 2007

La connaissance physique du système a permis d’écrire les qui, par filtrage et seuillage, permettront de décider si le
relations non linéaires présentées ci-dessous dans les équations fonctionnement s’apparente ou non à un fonctionnement
(1). Chaque relation décrit le comportement d’un composant. normal.
Le modèle de chaque composant exprime les contraintes qu’il
impose entre les variables qui lui sont liées sur la base des
équations du modèle du procédé (MP), c’est-à-dire l’ensemble
des relations définissant le comportement du système, et le f1 f2 f3 f1 f2 f3
modèle des informations (MI), c’est-à-dire l’ensemble des r1 1 1 1 r1 1 1 1
variables du système qui sont renseignées (observées). Ces
dernières sont aussi des contraintes analytiques ; elles décrivent r2 1 1 1 r2 1 0 1
de surcroît le comportement des capteurs et actionneurs. On r3 1 0 0 r3 1 1 0
obtient le modèle du système, décrit par les relations suivantes:
⎧ dh1 Non localisante Faiblement localisante
⎪ M ( BH ) : S 1 = q e1 − q s1
⎪ dt
⎪M ( RH ) : q s1 = k 1 h1 f1 f2 f3
⎨ (1)
1 1 0
⎪ M ( BB) : S 2 dh2 = q e 2 + q s1 − q s 2 r1
⎪ dt r2 1 0 1
⎪⎩ M ( RB ) : q s 2 = k 2 h2
r3 0 1 1
On propose le modèle d’information sur ce système comme Fortement localisante
suite :
⎧ M (VKH ) : q~e1 = [q e1 ] IV. ANALYSE PAR TABLE DE SIGNATURES
⎪M (VKB ) : q e 2 = [q e 2 ]
⎪ ~
⎨ Un autre concept défini dans l’approche FDI est celui des
⎪ M ( H 1 ) : h~1 = [h1 ]
~ (2)
signatures des défauts. La signature théorique d'un défaut peut
⎪⎩ M ( H 2 ) : h2 = [h2 ] être envisagée comme la trace attendue du défaut sur les
différents RRA qui modélisent le système [3, 4, 3 et 2].
Le diagnostic par redondance analytique suit une démarche Autrement dit la signature théorique d'un défaut peut être
qui peut se résumer comme suit : on dispose d’un modèle envisagée comme les résultats de détection lorsque tous les
décrivant le fonctionnement normal du système et on surveille tests sensibles au défaut réagissent. Les tests de cohérence, en
le fonctionnement réel en testant la cohérence entre ce modèle utilisant des techniques de détection pour les systèmes
et les observations disponibles. Si celles-ci ne vérifient pas les dynamiques (par exemple les observateurs d’état, les relations
équations du modèle, on en déduit que le fonctionnement réel de parités, ou estimation paramétrique) effectués sur
n’est pas normal. On produit alors un symptôme (appelé aussi l’ensemble des relations de redondance analytique, fournissent
résidu). Cette phase est appelée la phase de génération de un vecteur binaire. En effet, la plupart du temps, les valeurs des
symptôme ou phase de détection. Dans une deuxième phase, résidus sont, à chaque instant, comparées à des seuils. Les tests
l’analyse diagnostique se fait alors en comparant le résultat de peuvent être réalisés en parallèle et chaque décision issue de
génération des résidus aux vecteurs binaires des différents ces tests conduit à une valeur booléenne (0 : la valeur du résidu
défauts dont on possède le modèle de mauvais fonctionnement. est en dessous du seuil ; 1: la valeur du résidu a dépassé le seuil
L’isolation du défaut sur le système se produit lorsque la fixé). L’ensemble de ces valeurs booléennes forme un vecteur
signature des symptômes est la même que l’une des signatures binaire appelé signature de défaut.
de défaut. Cette phase est appelée phase de localisation des Le vecteur binaire est comparé aux différentes signatures de
défauts. panne ainsi qu’à la signature de fonctionnement normal
(vecteur de composantes nulles). Cette comparaison conduit
Pour arriver à la phase de localisation, le diagnostic par alors à une conclusion sur l’état du système : fonctionnement
redondance analytique a besoin de construire des tests de normal, défaillance identifiée ou finalement défaillance non
détection qui reposent sur des modèles testables, appelés identifiée. La localisation qui suit la détection peut être
relations de redondance analytique (RRA). Ces derniers sont effectuée à l’aide de la table de signature. Les colonnes de cette
des modèles ne faisant intervenir que des variables mesurées table (figure 2.5) sont représentatives des différents défauts et
ou connues à l’avance. Ces modèles doivent permettre de les lignes des différents résidus. Les ensembles de diagnostics
calculer des résidus. Une RRA est constituée d’un ensemble de dans l’approche FDI sont donnés en termes de défauts présents
modèles de composants en éliminant les variables inconnues et dans la table de signature. La génération des ensembles de
son évaluation se fait à partir des observations (OBS). Une diagnostic est basée sur une interprétation des colonnes de la
relation de redondance peut être utilisée pour tester les table de signature et consiste à comparer la signature des
composants physiques qui constituent son support. Le but des observations avec celle des défauts. Cette comparaison est
relations de redondance analytique est de permettre de considérée à nouveau comme un problème de décision.
construire des tests de cohérence afin de générer des résidus
4th International Conference on Computer Integrated Manufacturing CIP’2007  03-04 November 2007

Pour que tous les défauts puissent être détectés, aucune ⎧ &ˆ k2 ˆ ⎡ 1 k 2 ⎤ ⎡q~e1 ⎤
colonne de la matrice des signatures théoriques de défauts ne ⎪h = − h+⎢ ⎥⎢ ~ ⎥
M2 = ⎨ S2 ⎣S2 S 2 ⎦ ⎣ h1 ⎦ (6)
doit être nulle, et pour que tous les défauts puissent être
⎪ ~
h2 = hˆ2
localisés, toutes les signatures théoriques doivent être distinctes ⎩
sans l’hypothèse d’exonération [7]. Gertler et al. distinguent
⎧ ˆ& k1 ˆ 1
trois types de matrices d’incidence [5] : ⎪h1 = − h1 + q~e1
M3 = ⎨ S1 S1 (7)
• Non localisante (une colonne est nulle ou au moins ⎪ ~
⎩ h1 = ˆ
h1
deux colonnes sont identiques).
• Faiblement localisante (les colonnes sont non nulles et
distinctes deux à deux), On en déduit les relations de redondance analytique suivantes
• Fortement localisante (en plus d’être faiblement à partir des observateurs de ces représentations d’état :
localisante, aucune colonne ne peut être obtenue à ⎧ ⎡ q~e1 ⎤
⎪&
⎪ xˆ = ( A − K 1 C1 )xˆ +[B K 1 ] ⎢q e 2 ⎥
partir d’une autre en remplaçant un ‘1’ par un ‘0’). ⎢~ ⎥
RRA1 = ⎨ ~ (8)
⎢ h2 ⎥
Une table non localisante ne permet pas de distinguer ⎪ ⎣ ⎦
certains défauts entre eux. Une table faiblement localisante ⎪ r = h~ − [0 1] xˆ
permet de localiser les défauts uniques sous hypothèse ⎩ 1 2

d’exonération. Une table fortement localisante garantit que les ⎧ ⎡q~e 2 ⎤

différentes sensibilités des résidus par rapport aux défauts ne ⎪ ˆ& ⎛ k 2 ⎞ ˆ ⎡ 1 k2 ⎤ ⎢~ ⎥
⎪ h =⎜ − − k 2 ⎟⎟ h 2 + ⎢ K 2 ⎥ ⎢ h1 ⎥
RRA2 = ⎨ 2 ⎜⎝ S 2
conduisent pas à un diagnostic erroné. L’utilisation des tables
de signatures établies pour des défauts simples pose des ⎠ ⎣ S2 S2 ⎦ ⎢ h~ ⎥ (9)
problèmes pour les situations de défauts multiples. Il faudrait ⎪ ⎣ 2 ⎦
⎪ r = h~ − hˆ
en effet analyser toutes les combinaisons possibles des ⎩ 2 2 2
colonnes de la table.
⎧& ⎛ k ⎞ ⎡ 1 ⎤ ⎡q~ ⎤
Le modèle dynamique du système de bacs est non linéaire. Il ⎪hˆ1 = ⎜⎜ − 1 − K 3 ⎟⎟ hˆ1 + ⎢ K 3 ⎥ ⎢ ~e1 ⎥
RRA3 = ⎨ ⎝ S1 ⎠ ⎣ S1 ⎦ ⎣ h1 ⎦ (10)
peut être présenté sous forme d’équations d’état non linéaires ⎪
x& = f ( x, u ) données par le système d’équations suivant : ⎩
Où K1, K2 et K3 sont les gains des observateurs d’états. Tous
les gains sont réglés de telle sorte que les pôles des matrices
⎧ ⎡ − k1 ⎤ ⎡1 ⎤
⎪ ⎡ ⎤ ⎢ 0 ⎥ ⎡h1 ⎤ ⎢ 0 ⎥ ⎡ qe1 ⎤ d’état des observateurs soient nuls.
⎪ d ⎢h1 ⎥ = ⎢ S1 ⎥.⎢ ⎥ + ⎢ S1 ⎢ ⎥
⎥.⎢ ⎥ Des tests de détection sont effectués sur ces RRAs en
⎪⎪ dt ⎣h2 ⎦ ⎢ k 2 − k2 ⎥ ⎢ ⎥ ⎢ 1⎥ utilisant des observateurs d’état [8]. Nous essayons, en général,
⎥ ⎢⎣h2 ⎥⎦ ⎢ ⎢q ⎥ (3)
⎨ 0 de rendre l’observateur indépendant des perturbations non
⎢ S S 2 ⎥⎦ ⎣ e 2 ⎦
⎪ ~ ⎣ 2 S 2 ⎦ ⎣ mesurées (entrées inconnues) et dépendant de certains défauts
[9]. C’est d’ailleurs le cas ici puisque certaines entrées ont été
⎪ ⎡h1 ⎤ ⎡1 0⎤ ⎡h1 ⎤ considérées comme inconnues.
⎪ ⎢~ ⎥ = ⎢ ⎥.⎢ ⎥
⎪⎩ ⎣h2 ⎦ ⎣0 1⎦ ⎣h2 ⎦
La figure 4 représente les trois résidus générés par les trois
observateurs d’état. Le résidu r1 donne la liaison entre les
On peut en extraire trois représentations d’état linéaires. Ces
entrées (qe1) et (qe2) et le capteur de hauteur de produit dans
représentations permettent de prendre en compte l’ensemble
le bac du bas (h2). Le résidu r2 donne la liaison entre le flux
des informations disponibles puisqu’elles font intervenir les
d’entrée (qe1), le capteur de hauteur du produit dans le bac du
mesures de débit et de niveau d’eau ; elles sont données par :
haut (h1) et le capteur de hauteur du produit dans le bac du bas
(h2). Le résidu r3 donne la liaison entre le flux d’entrée (qe1)
⎧& ⎡ q~e1 ⎤ et le capteur de hauteur dans le bac du haut (h1).
⎪ xˆ = A0 xˆ + B 0 ⎢ ~ ⎥
⎪ ⎣q e 2 ⎦
M1 = ⎨ ~ (4) Soit l’ensemble des signatures théoriques des défauts sur les
⎪ h = [0 1]. q e1 ⎤
~ ⎡
⎪ 2 ⎢ ~ ⎥ composants du système des deux bacs à savoir les actionneurs
⎩ ⎣q e 2 ⎦ (qe1, qe2) et les capteurs qui nous permettent de mesurer la
Avec : hauteur du produit dans les deux bacs (h1, h2) respectivement
ainsi que les restrictions (k1, k2). Dans le tableau TABLE. 2, la
⎡ − k1 ⎤ valeur 1 apparaît dans la case (i, j) lorsque le test basé sur
⎡ 1 ⎤
⎢ 0 ⎥ ⎢ 0 ⎥ l’observateur i est sensible à un défaut de capteur ou
⎥ et C 0 = [0 1]
S ⎥ B0 = ⎢ S 1
A0 = ⎢ 1 d’actionneur j. Cette table de signatures est de type non
⎢ k2 − k2 ⎥ ⎢ 0 1 ⎥ (5) localisante car au moins deux colonnes sont identiques : qe2 ,
⎢ S S 2 ⎥⎦ ⎢⎣ S 2 ⎥⎦
⎣ 2 h2 et k2.
4th International Conference on Computer Integrated Manufacturing CIP’2007  03-04 November 2007

~
1ère Observateur d’état indépendant de h1 Où ν 1 et ν 2 sont des variables aléatoires réparties dans
l’intervalle [-0.5 0.5]. Une incertitude de modélisation a aussi
été simulée sur les restrictions des deux bacs. Cette dernière est
q~e1 de type multiplicatif et correspond à une incertitude de ±50%
q~e 2 Observateur d’état + r1 de la valeur du paramètre de restriction :
~
⎧⎪ q s1 = (1 + θ 1 ) k 1 h1
D’ordre plein N° 1
h2 -
⎨
⎪⎩q s 2 = (1 + θ 2 ) k 2 h2
(12)

RRA1
Où θ 1 et θ 2 sont des variables aléatoires réparties dans [-0.5 0.5].
ème
2 Observateur d’état indépendant de q~e1
La simulation du bon fonctionnement est donnée par la figure
5. Les courbes q e1 et q e 2 représentent les débits d’entrées. Le
q~e 2
~ Observateur d’état à + r2 débit q e1 bascule de 0 à 5 litres/h et inversement toutes les
h1
~ Entrée Inconnues N° 2 500s tandis que le débit q e 2 bascule de la même manière
h2 -
toutes les 250s. Les seuils d’alarmes ont été fixés à ±15% des
valeurs maximales des résidus obtenus lors de simulations
RRA3 caractérisant le bon comportement.

~
3ème Observateur d’état indépendant de h2 et q~e 2

q~e1
Observateur d’état à + r3
~ Entrée Inconnues N° 3
h1 -

RRA2

Fig. 4. Tests de détection avec observateur d’état

TABLE 2. Table de Signature

Tests Actionneur Actionneur Capteur Capteur Restriction Restriction

qe1 qe2 h1 h2 k1 K2

Test 1 1 1 0 1 1 1
Test 2 0 1 1 1 1 1
Test 3 1 0 1 0 1 0 Fig. 5. Le bon fonctionnement

A partir des résidus obtenus, les aptitudes à la détection et à Il est possible de simuler des défauts sur tous les capteurs et
la localisation des défaillances vont être étudiées à travers des actionneurs du système. En fonctionnement idéal, les résidus
cas de pannes sur le système de bac. doivent être constamment nuls. Pour notre cas d’étude les
résidus ne sont pas nuls du fait des bruits. Les figures 6 à 9
présentent l’évolution des trois résidus r1, r2 et r3 sur une durée
V. RESULTATS ET SIMULATIONS de 15000s correspondant aux trois équations de redondance.
La simulation du système de bacs permet d’étudier un certain Les défaillances sur les capteurs prendront la forme de biais.
nombre de cas de pannes. La simulation de défauts a été faite Pour le premier cas présenter par la figure 6, un biais sur le
sur des bruits de mesures et de structure (comme la restriction capteur de hauteur de produit dans le bac h2 est simulé. En
bac haut). Avant de parler de défauts, il serait bon d’expliquer effet, sa valeur a été augmentée de 5cm. La plupart du temps,
dans quelles conditions ont été réalisées les simulations : bruits les valeurs des résidus sont, à chaque instant, comparées à des
de mesure et de structure. Un bruit additif de ±0.5cm a été seuils. Les tests peuvent être réalisés en parallèle et chaque
simulé sur h1 et h2. décision issue de ces tests conduit à une valeur booléenne (0 :
⎧⎪h~1 = k 1 + ν 1 la valeur du résidu est en dessous du seuil ; 1: la valeur du
⎨~ (11) résidu a dépassé le seuil fixé).
⎪⎩h2 = k 2 + ν 2
4th International Conference on Computer Integrated Manufacturing CIP’2007  03-04 November 2007

Le résultat des tests de détection pour le premier cas est diagnostiquer. Or, dans le cas des systèmes complexes cette
donné par le vecteur des signatures de défaut suivant approche est difficile à envisager.
S D = [1 1 0] , où le 1 représente le fait que les résidus r1 et
T

r2 ont dépassés les seuils d’alarmes. En revanche, 0 représente

le fait que r3 reste en dessous du seuil d’alarme. Dans le
premier cas le test conclu à une détection et dans le deuxième
cas le test conclut à une consistance (pas d’alarme).

Fig.7. 2ème Cas, biais sur la restriction de BH,

S D = [0 1 1]
T

Le troisième cas présenté par la figure 8 correspond à un

Fig. 6. 1 ère
Cas, biais sur le capteur de h2 ,
défaut double. Par conséquent nous essayons de montrer la
S D = [1 1 0]
T limite de l’utilisation des tables de signatures établies pour des
défauts simples. Un biais de capteur et un biais d’actionneur
ont été simulés. Le premier est un biais de capteur de 2cm sur
La détection apparaît à l’instant t =7000s sur les résidus r1 et la valeur réelle de h2. Le second, est un biais d’actionneur de
r2 et le symptôme reste présent jusqu'à la fin de la simulation t 0.2 litres/s sur le débit d’entrée du produit dans le bac du haut
=15000s, en revanche le résidu r3 reste insensible au défaut et
q e1 . Le vecteur de signature S D = [0 1 1] correspond à la
T
la valeur du test de détection égale à 0 car la valeur du résidu
est en dessous du seuil fixé. La comparaison de la signature des signature d’un défaut sur le capteur h2 dans la table de
observations, c’est-à-dire le vecteur signatures de défaut signatures TAB 2. Le fait d’avoir établi à l’avance une table
S D = [1 1 0] , avec celle des défauts possibles dans la table des signatures des défauts simple pose des problèmes dans le
T

cas de défauts multiples. Il faudrait en effet envisager toutes les

de signature TABLE.2 met clairement en évidence le défaut combinaisons possibles des colonnes de la table.
sur le capteur h2. En revanche, plusieurs diagnostics sont
possibles. En plus du défaut sur le capteur h2, un biais sur
l’actionneur q e 2 et un défaut au niveau de la restriction k1 sont
aussi possibles.
Le deuxième cas donné par la figure 7 illustre une autre
limitation du raisonnement par table de signature. Considérons
un biais anormal de (20%) sur la restriction du bac du haut. Les
tests de détection conduisent à la signature de défaut suivante :
S D = [0 1 1] . Le test t1 ne détecte pas le défaut. Par contre,
T

le test t2 et le test t3 détectent un défaut.

Après comparaison avec les signatures de défauts dans la

table de signature de TABLE.2 un défaut sur le capteur h1 est
diagnostiqué. Or, le défaut n’était pas un biais de capteur mais
une modification du modèle du système. La localisation
correcte du composant défaillant était impossible dans ce cas
car tous les défauts possibles sur notre système ne sont pas
considérés dans la table de signatures. Avec cette approche une
bonne localisation présuppose que tous les défauts doivent Figure 8. 3ème Cas, Défaut Multiple, Biais sur h2 et
figurer dans la table de signature afin de pouvoir les q e1 S D = [0 1 1]
T
sur
4th International Conference on Computer Integrated Manufacturing CIP’2007  03-04 November 2007

Voyons à présent, à travers le quatrième cas dans la figure 9, diagnostiquer. Cette méthode présente des limitations
comment les tests de détection présentés ci–dessous ont permis importantes. Le recensement préalable des défauts ou des
la détection d’un défaut imaginaire, qui n’a jamais été simulé dysfonctionnements est difficilement exhaustif et il est par
sur le système de bac. En effet, le vecteur de signature généré conséquent particulièrement mal approprié aux systèmes
S D = [1 0 1] , correspond à la signature théorique du défaut complexes.
T

q e1 donnée par le TAB 1. Ces méthodes sont en particulier mal adaptées aux systèmes
techniques de conception nouvelle sur lequel aucune
expérience n’existe encore. Même si la détection ne produit
jamais de fausses alarmes, l’analyse diagnostic peut néanmoins
conduire à des erreurs de diagnostic car elle fait implicitement
l’hypothèse qu’un défaut est détecté par tous les tests qui y
sont sensibles et à tout moment. De plus, pour être complète,
cette approche requiert la modélisation de tous les défauts
possibles simples et multiples ; or, dans le cadre des systèmes
complexes, ce recensement n’est guère envisageable. C’est
dans ce cas, que on propose une combinaison avec la logique
floue pour des futurs travaux, Ce choix se justifie
essentiellement par des critères de robustesse. Et nous
étudierons l'apport des techniques floues à ces différents
systèmes de diagnostic. Cela nous permettra de développer une
méthode de diagnostic flou pour la détection de pannes. Les
connaissances sur lesquelles reposent ces méthodes sont
dépendantes du système, si bien que toute modification ou
évolution de ce système nécessite une réécriture plus au moins
Fig. 9. 4ème Cas, Aucun Défaut,
complète du système de diagnostic. Le pouvoir explicatif de la
S D = [1 0 1]
T
logique floue permet de donnée des associations entre défauts
et symptômes. Enfin, elles traitent bien les défauts multiples
La validité des modèles qui interviennent dans la dans les systèmes complexes.
construction des relations de redondance n’est pas prise en
compte. En pratique, les deux bacs ont une hauteur de 50cm, REFERENCES
les capteurs de hauteur de produit dans les deux bacs doivent [1] Adrot O., ‘Diagnostic à base de modèles incertains utilisant l'analyse par
avoir des valeurs comprises dans l’intervalle [0, 50cm] afin que intervalles : L’approche bornante’ Doctorat de l'Institut National
Polytechnique de Lorraine, France, 2000.
le modèle utilisé soit valide. Or, le domaine de validité d'une [2] Cordier, M.-O., P. Dague, M. Dumas, F. Lévy, J. Montmain, M.
relation de redondance analytique est important car le test de Staroswiecki, and L. Travé-massuyès. ‘A comparative analysis of AI and
détection en hérite : un résultat n'est valide que si l'état du control theory approaches to model-based diagnosis’. 14th European
Conference on Artificial Intelligence, Berlin, Germany, 2000.
système étudié appartient au domaine de validité qu'il est [3] Frank, P. M., ‘Analytical and qualitative model-based fault diagnosis – a
crucial de formaliser. survey and somme new results’. European Journal of Control, 2, 6-28,
1996.
[4] Gertler J. ‘Analytical redundancy methods in fault detection and isolation –
VI. CONCLUSION survey and synthesis’. Proceeding of the IFAC Symposium on Fault
Detection Supervision and Safety for. 1991.
L’objectif de ce travail est la conception de procédures de [5] Gertler J., Singer D., ‘A new structural framework for parity equation-
décision pour la détection et la localisation des défaillances. Le based failure detection and islolation’. Automatica, Vol. 26, No.2,
principal intérêt est d’offrir des techniques sophistiquées afin pp.381-388. Technical Process, Baden Baden, Germany, pp. 9-22. 1990.
[6] Hafaifa A., Laaouad F. and Benani A. ‘ Selection of the Correct
de combiner les observations, telles que les observateurs et les Transmitter in Compression Systems for Surge Detection and Isolation’.
filtres. Notre étude montre qu’une partie significative de la International Journal of Computational Intelligence, volume 1, number 1,
méthode FDI entre dans une structure qui permet une 2004.
[7] Hafaifa A., Laaouad F. and Laroussi K. ‘Detection and Isolation of Surge
comparaison précise. Quand elle adopte les mêmes hypothèses in Centrifugal Compressor with a Correct Safety System’, the
par rapport à la manière dont se manifestent les fautes elles- International Conference APPA Advances in Production and Processing
mêmes, la méthode FDI donne une compilation des of Aluminium , Kingdom of Bahrain 2005.
connaissances par modèles sous formes de RRA prenant en [8] Luenberger D. G., ‘An introduction to observer’ , IEEE transactions on
Automatic control, 16(6), pp. 596-602, 1971.
compte la position des capteurs avant que les observations ne [9] Patton R., Chen J., ‘Observer based fault detection and isolation:
soient faites, ce qui est le principal avantage de cette approche. robustness and applications’. Control Engineering Practice, Vol. 5, No. 5,
pp. 671-682, 1997.
[10] Reiter R., ‘A theory of diagnosis from first principles’. Artificial
Cette méthode de diagnostic à base de table de signatures est Intelligence, 32(1) : 57–96, 1987.
fondée sur une identification a priori des défauts et/ou
dysfonctionnements pouvant survenir dans le système à