2.
Les étapes du diagnostic à base de modèle
Voici les étapes générales d’une méthode de diagnostic basée sur un modèle :
a. Modélisation du système
La première étape consiste à élaborer un modèle précis du système en fonctionnement normal. Ce
modèle représente le lien entre les entrées (commandes ou perturbations) et les sorties (réponses
du système) en tenant compte de la dynamique interne. On peut par exemple modéliser un
système linéaire par une équation d’état :
x˙(t)=Ax(t)+Bu(t)\dot{x}(t) = A x(t) + B u(t)x˙(t)=Ax(t)+Bu(t) y(t)=Cx(t)+Du(t)y(t) = C x(t) + D
u(t)y(t)=Cx(t)+Du(t)
où :
x(t)x(t)x(t) représente le vecteur d’état (états internes du système),
u(t)u(t)u(t) est le vecteur d’entrée,
y(t)y(t)y(t) est le vecteur de sortie,
AAA, BBB, CCC, et DDD sont des matrices définissant la dynamique du système.
b. Génération des résidus
Un résidu est un signal dérivé des différences entre les sorties du modèle et les sorties mesurées du
système. Si le système fonctionne correctement, les résidus devraient rester proches de zéro. En cas
de défaut, les résidus s’écartent de zéro.
Le résidu r(t)r(t)r(t) est calculé comme :
r(t)=y(t)−y^(t)r(t) = y(t) - \hat{y}(t)r(t)=y(t)−y^(t)
où :
y(t)y(t)y(t) est la sortie mesurée du système réel,
y^(t)\hat{y}(t)y^(t) est la sortie calculée par le modèle.
c. Analyse et seuil des résidus
Les résidus sont ensuite analysés pour détecter des anomalies. Si un résidu dépasse un certain seuil
de tolérance δ\deltaδ, cela suggère un défaut potentiel. On peut fixer des seuils statiques (valeurs
fixes) ou dynamiques (adaptés en fonction de conditions de fonctionnement).
d. Localisation et identification des défauts
Lorsque les résidus indiquent un défaut, il est possible de localiser et identifier la nature de la
défaillance en utilisant des techniques supplémentaires, comme les diagnostics de parité ou les
observateurs de faute.
3. Techniques de génération des résidus
Différentes méthodes existent pour générer et traiter les résidus :
a. Méthode des observateurs de Luenberger
Les observateurs de Luenberger sont utilisés pour estimer les états internes du système. En cas de
défaillance, l’erreur d’estimation entre les états réels et estimés devient significative, ce qui permet
de détecter un défaut. Un observateur de Luenberger est défini par :
x^˙(t)=Ax^(t)+Bu(t)+L(y(t)−y^(t))\dot{\hat{x}}(t) = A \hat{x}(t) + B u(t) + L (y(t) - \hat{y}
(t))x^˙(t)=Ax^(t)+Bu(t)+L(y(t)−y^(t))
où LLL est la matrice de gain de l’observateur, conçue pour minimiser l’erreur d’estimation e(t)=x(t)
−x^(t)e(t) = x(t) - \hat{x}(t)e(t)=x(t)−x^(t).