These Bechkaoui Amar

‫وزارة التعليم العالي والبحث العلمي‬
BADJI MOKHTAR –ANNABA UNIVERSITY ‫عنابة‬- ‫جامعة باجي مختار‬

UNIVERSITE BADJI MOKHTAR -ANNABA
Faculté des sciences de l’ingéniorat

Département d’Électromécanique
THÈSE
Présentée en vue de l’obtention du diplôme de Doctorat
Thème
Diagnostic des défauts dans les machines synchrones
à vitesse variable
Option : Electromécanique
Présenté par
BECHKAOUI AMAR
Soutenue publiquement le 14/ 06/2016 à 10h devant le jury composé de :
Président : Pr.HEROUS Lazhar Université Badji Mokhtar -Annaba
Rapporteur : Dr. BOURAS Slimane Université Badji Mokhtar -Annaba
Examinateurs : Pr.HADJADJ Aouel Elias Université Badji Mokhtar -Annaba
Pr.NACERI FARID Université de Batna
Pr.MOUSSAOUI Abdelkrim Université de Guelma
Dr.BELKACEM Sebti Université de Batna

Remerciements
Remerciements
« Le grand merci pour le bon dieu »
Un Remerciement particulier à Monsieur Bouras Slimane, Maître de Conférences au sein du

département d'Electromécanique pour son soutien scientifique et humain ainsi que la
confiance qu’il me témoigne tout au long de ce travail de recherche.
Je tiens à remercier très vivement Monsieur Herous Lazhar, Professeur au sein du

département d'Electromécanique pour m’avoir fait l’honneur de présider le jury de
soutenance.
Mes remerciements vont également à, Monsieur Hadjadj Aouel Elias Professeur,

Monsieur Naceri Farid Professeur, Monsieur Moussaoui Abdelkarim Professeur, Monsieur
Belkacem Sebti Maître de Conférences, qui m'ont fait l'honneur d'être des examinateurs de
ma thèse.
Mes remerciements s’adressent aussi à Monsieur Ameur Aissa Maitre de conférences au sein
de l’université de Laghouate pour ses conseils et toute l'’aide qu’il a pu m'apporter durant
cette thèse.
Je tiens à remercier Monsieur Taibi Djamel Maitre de conférences au sein du département

d'Electrotechnique de l’université de Ouargla pour ses nombreux conseils ainsi que son
soutien tout au long de cette thèse.
Mes remerciements vont aussi à ma chère femme pour sa patience et ses encouragements et
surtout pour m’avoir poussé sans arrêt à terminer cette thèse.
Enfin, je ne saurais terminer ces remerciements sans oublier toute ma famille, sans exception,
ainsi que tous mes amis.
AMAR BECHKAOUI
Dédicaces
DEDICACES
A mes chers parents, pour leurs soutien inconditionnel, leurs encouragements, et
bien sur pour m’avoir permis de réaliser mes études dans les meilleures conditions;
A la mémoire de ma cherie Ouamrane Tenhinene;

Tenhinene
A ma femme, pour m’avoir soutenu, accompagné et surtout supporté tout au long
de ce travail ;
A mes frères Faycele, Redouane et Abdelhak ;
A mes sœurs Wided et Mounira et tout ma familles ;
A ceux qui m’ont soutenu pendant toute la durée de mes études.
…je dédie ce modeste travail.
Bechkaoui Amar
AMAR BECHKAOUI
Résumé-Abstract-‫ملخص‬
Résumé
Les machines à aimants permanents (MSAP) ont connu ces dernières années un grand
essor grâce à l’amélioration des qualités des aimants permanents (plus précisément à l’aide
des métaux de terres rares), à l’électronique de puissance et à l’évolution des techniques de
commande non linéaires. Cette machine, pouvant fonctionner en générateur ou en moteur,
est intégrée dans un environnement complet, incluant le cas échéant une alimentation,
une charge mécanique et éventuellement une commande. Ce travail de thèse traite du
problème de surveillance en ligne de défaillances électriques dans les entrainements
électriques à base de machines synchrones à aimants permanents par une méthode intelligente
basée sur la logique floue. Les défauts de court-circuit entre spires au stator sont souvent
critiques et doivent être détectés au plus tôt avec un bon taux de confiance afin
d’informer un système superviseur de la présence d’une défaillance pour limiter les risques
encourus par l’environnement matériel et humain situé autour de la machine en défaut.
Dans un premier temps, on étudie la commande à mode glissant (CMG) de la MSAP associée
à deux régulateurs intelligents : le régulateur floue type-1(RFT1) et le régulateur floue type-2
(RFT2) avec la prise en compte de défauts statoriques. Les performances des deux régulateurs
seront analysées et comparées entre elles pour différentes charges, et la sévérité de défauts.
Dans un second temps, on étudie un système intelligent appelé ANFIS dans le but de la
surveillance de défauts statorique. Des simulations sont menées à l’aide d’un modèle
analytique de la machine permettant de reproduire des situations de défaillances de manière
virtuelle et d’éprouver l’efficacité de notre approche d’une part pour la détection de défauts de
court-circuits statoriques et d’autre part pour la commande robuste de défauts par notre
régulateur intelligent (RFT2).
Mots clés : Machine synchrone à aimants permanents, surveillance, court-circuits statoriques,

commande à mode glissant, logique floue de type-1, logique floue de type-2,Neuro-Flou.
Abstract
The permanent magnet synchronous machines (PMSM) have in recent years experienced a
boom. It is through improving the qualities of permanent magnets (specifically using rare
earth), the power electronics development and non linear technical control. This machine,
operating as generator or motor, is integrated in a complete environment, included a power
supply, mechanical load and control process. This work deals with the on-line monitoring
of electrical faults in permanent magnet synchronous machine (PMSM) by intelligent
method based on fuzzy logic. The inter-turns short circuits faults in stator are often critical
and have to be detected as early as possible with a high confidence rate to inform the
supervisor system of the fault presence in order to limit the risk for the material and human
environment. First, we study the sliding control mode (SMC) of the MSAP associated with
intelligent controllers: type-1 fuzzy logic controller (T1FLC) and type-2 fuzzy logic controller
(T2FLC) with the inclusion of inter turn short circuit faults. The performance of the two
AMAR BECHKAOUI
‫ملخص‪Résumé-Abstract-‬‬
‫‪regulators will be analyzed and compared with each other by different loads and fault‬‬
‫‪severity. Secondly, we study an intelligent system called ANFIS with the aim of monitoring‬‬
‫‪stator faults. Simulations are performed using an analytical model of the machine for‬‬
‫‪reproducing virtual manner failure situations and to test the effectiveness of our approach on‬‬
‫‪the one hand for the detection of short circuit defects stator and in the other hand by robust‬‬
‫‪control for inter turn short circuit by our smart controller (T2FLC).‬‬
‫‪Keywords: Permanent magnets synchronous machines, supervision, inter turn short circuit‬‬
‫‪stator, sliding mode control, type-1fuzzy logic controller and type-2 fuzzy logic controller,‬‬
‫‪ANFIS.‬‬
‫مـــــــلــــخـــــــــص‪:‬‬
‫اآلالت ذات المغناطيس الدائم شھــدت انطالقــــة كبيرة في السنـوات األخيرة وھذا بفضـل تحسـين الصــــفات من جـــودة‬
‫المغنـاطيس الدائم )على وجه التحديد باستــخدام األتربة النادرة( وبتطوير إلكترونيك القوة وتطوير في تقنيــات التحكم غير‬
‫الخـطي‪ .‬كما يـمكن لھذا الجھاز تشــغيله كمولد أو كمــحرك‪ .‬يتناول ھذا البحث مع مشــكلة مراقبة األعطال الكــھربائية في‬
‫اآلالت ذات المغناطيس الدائم وھذا بطـريقة ذكية تقوم على أســاس المنطق الضبابي‪ .‬الدارة القصــيرة بين اللفات تعتبر من‬
‫بين األخطاء التي تصـــيب اآلالت ذات المغناطيس الدائم و غالبا ما تكون حــــاسمة لذا يجب أن يتم الكشف عنھا في وقت‬
‫سريع مع مستوى جيد من الثقة من أجل إعالم نظام المشرف للحد من المخاطر التي تتعرض لھا البيئة و المشرف البشري‪.‬‬
‫أوال‪ ،‬قمـنا بـدراسة اآلالت ذات المغناطيس الدائم مع التحكم الزالق وھذا باستخدام وحـدات تحكم ذكية‪ :‬التحكم الضبابي ذو‬
‫النوع األول‪ ،‬التحكم الضبابي ذو النوع الثــاني و التحــكم الضبابي التكيفي ذو النوع الثاني وھذا مع وجود الدارة القصــيرة‬
‫بين اللفات‪،‬وقد تم تحـليل أداء الجھــات الرقابية الثــالث ومقارنتھا مع بعضھا البعض مع حموالت مختلفة متغيير في سرعة‬
‫المحرك مع تغيير في شدة العيوب‪.‬‬
‫ثانــيا‪ ،‬قمنا بدراسة عنصر دكــي يدعي العصيي الغامض وھذا بغرض الكــشف عن الدارة القصــيرة بين اللفات ‪ ،‬يتم تنفيذ‬
‫المحاكاة باســتخدام نمـوذج تحليلي من الجھــاز مع حاالت الدارة القصــيرة بين اللفات وھذا إلثـبات الطريقة الذكية المـقدمة‬
‫في ھـذا البحث للكشف عن ھذه العيوب من جھة واثبات التحكم القوي للجھاز باستعمال التحــكم الضبابي التكيـفي ذو النوع‬
‫الثاني ضد التشــوھات المنتجة عن حــاالت الدارة القصــيرة بين اللفات من جھة أخرة‪.‬‬
‫‪AMAR BECHKAOUI‬‬
Table des matières
Table Des Matières

Introduction générale…...………………………………..……………………...…………...1
Chapitre I :
Etat de l’Art
5
I.1. Introduction 5
I.2. Définition 5
I.2.1. Maintenance 5
I.2.2.Diagnostic 7
I.3. Etude statistique sur les défauts dans les machines électriques 7
I.4. Types des défauts dans les machines électriques 9
I.4.1. Défauts Statoriques 10
I.4. 2. Défauts rotoriques 13
I.4.3. Les défauts des aimants 14
I.4. 4. Excentricité statique et dynamique 15
I.4.5. Défauts du roulement 16
I.6. Les techniques de surveillance d’état 19
I.6.1. Surveillance électromagnétique 19
I.6.2. Surveillance du courant 20
I.6.3. Surveillance de la tension 24
I.6.4. Surveillance mécanique 26
I.6.5. Surveillance thermique 27
I. 7. Les techniques du traitement de signal 28
I. 7.1. Transformée en Série de Fourier 28
AMAR BECHKAOUI
Table des matières
I. 7.2. Les techniques de types non stationnaires 28
I.8.Surveillance et Diagnostic des défauts de court-circuits statoriques 31

dans les machines synchrones à aimants
I.9.Importance de la surveillance des MSAP 31
Conclusion 32
RÉFÉRENCES BIBLIOGRAPHIQUES DE CHAPITRE-I 33
Chapitre II :
Modélisation de la machine synchrone à aimants 38
permanent (MSAP) à l’état sain et dégradé
II.1. Introduction 38
II.2. Généralités sur les MSAP 39
II.3. Constitution des MSAP 40
II.3.1. Les aimants permanents 40
II.3.2. Structure du rotor 41
II.3.3. Structure du stator 43
II.4. Modélisation de MSAP 44
II.4.1. Hypothèses considérée pour la modélisation 44
II.4.2. Modèle circuit électrique de la machine saine 45
II.4.3. Modèles circuit électrique d’une MSAP en présence de défaut 48
II.4.4. Modèle de la MSAP en présence d’un défaut entre-spires 49
II.5. Modélisation de l’alimentation du MSAP à vitesse variable 51
II.5.1 Système d'alimentation 52
II.5.2.Onduleur de tension triphasé 53
II.6.Commande Direct du Couple de la MSAP 57
II.6.1.Contrôle du flux statorique et du couple électromagnétique 57
II.6.2.Choix du vecteur de tension 59
II.6.3.Estimation du flux et du couple électromagnétique 59
II.6.4.Élaboration de la table de commutation avec séquences nulles 60
AMAR BECHKAOUI
Table des matières
II.6.5.La table de commutation avec séquences nulles 61
II.6.6.Elaboration de la table de commutation sans séquences nulles 61
II.7. Résultats de simulation 63
II.7. 1. La MSAP à l’état sain 63
II.7. 2. La MSAP avec défauts de court-circuits 64
II.8. Etude de comportement de la MSAP en présence de défaut 65
Conclusion 67
RÉFÉRENCES BIBLIOGRAPHIQUES DE CHAPITRE-II 68
Chapitre III :
Commande intelligente de la MSAP en tenant compte des
défauts statoriques 72
III.1Introduction 72
III.2. Conception de la commande par mode glissant 72
III.2.1Choi de la surface de glissement 73
III.2.2.Conditions d'existence de la convergence 74
III.2.3.Détermination de loi de commande 75
III.2.4.Application de la commande par mode glissant à la MSAP 81
III.3. Principe de la logique Floue 83
III.3.1. Logique Floue Type-1 83
III.3. 1.Domaines d’application 84
III.3.2.Avantages et inconvénients de la commande par la Logique Floue 85
III.3.3.Structure général d’un système Flou 85
III.3.4. Eléments de base de la Logique Floue 86
III.4. Généralités sur la logique floue type-2 92
III.4.1. Fuzzification 94
III.4.2. Inférence 95
III.4.3. Défuzzification 96
AMAR BECHKAOUI
Table des matières
III.5.Résultats de simulation 98
III. 5.1. Cas d'une machine saine 98
III. 5.2. La machine à l’état dégradé 99
Conclusion 103
RÉFÉRENCES BIBLIOGRAPHIQUES DE CHAPITRE-III 104
Chapitre IV :
106
Prédiction de la sévérité du défaut statorique dans les
MSAP par Neuro-Floue
IV.1. Introduction 106
IV.2. Réseaux de neurones et systèmes Neuro-flous 107
IV.2.1.Réseaux de neurones 107
IV.1.3 Système d’inférence flou basé sur les réseaux de neurones adaptatifs 116
IV.1.4.Prédiction de la sévérité du défaut 119
Conclusion 128
RÉFÉRENCES BIBLIOGRAPHIQUES DE CHAPITRE-IV 129
CONCLUSION GENERALE 131
ANNEXE 133
AMAR BECHKAOUI
Nomenclature
Nomenclature
(r) Grandeur rotor ou de repère rotorique (R)
(s) Grandeur stator ou de repère statorique (S)
d Axe d du repère tournant (d,q)
q Axe q du repère tournant (d,q)
α Axe α du repère statorique (α, β)
β Axe β du repère statorique (α, β)
n Grandeur nominale
p Nombre de paires de pôles
rs Résistance statorique
ls Inductance de fuite
ld Inductance longitudinale
lq Inductance transversale
qe Flux d’un aimant
Uc Tension d'entrée de l'onduleur
vsd Tension statorique instantanée dans l'axe d
vsq Tension statorique instantanée dans l'axe q
isd Courant statorique instantané dans l'axe d
isq Courant statorique instantané dans l'axe q
vsα Tension statorique instantanée dans l'axe α
vsβ Tension statorique instantanée dans l'axe β
isα Courant statorique instantané dans l'axe α
isβ Courant statorique instantané dans l'axe β
φsd Flux statorique instantané dans l'axe d
φsq Flux statorique instantané dans l'axe q
φsα Flux statorique instantané dans l'axe α
φs β Flux statorique instantané dans l'axe β
φe Flux d’un aimant par pôle
J Moment d'inertie du moteur
Ωr Vitesse angulaire mécanique du rotor
fr Coefficient de frottement visqueux
AMAR BECHKAOUI
Nomenclature
Ce Couple électromagnétique délivré par le moteur
Cr Couple résistant, ou de charge
x̂ Estimation de x
θr Angle électrique entre l'axe d du référentiel tournant (d,q) et le référentiel fixe (α,β) lié
au stator
θc Angle de calage (déphasage) entre le vecteur de tension et le courant statorique.
ωr Vitesse de rotation électrique (p Ω r )
xref Consigne de x
e Erreur entre grandeur réel et de référence
∆e Variation de l'erreur e
∆rs Variation de la résistance statorique du MSAP
Ke constant de force contre magnétomotrice
AMAR BECHKAOUI
Liste des Figures
Liste Des Figures

Figure I.1. Répartition des défauts dans les machines électriques du domaine industriel 8
Figure I.2.Distribution des défauts dans une population de 483 moteurs de l’industrie pétrochimique 9
Figure. I.3. Exemple de dégâts provoqués par les défauts de courts-circuits statoriques 11
Figure I.4.Point limite de désaimantation réversible 14
Figure I.5.Evolution de l’aimantation rémanente avec la température 15
Figure I.6. Rotor parfaitement aligné au stator 16
Figure I.7. Problème de l’excentricité dans une machine 16
Figure I.8. Courant statorique dans le plan de Park. Cas d’un moteur sain 21
Figure I.9. Courant statorique dans le plan de Park. Cas d’un moteur avec défaut 22
Figure. II.1. Evolution de la densité d’énergie (BH) max des aimants permanents 41
Figure. II.2. Différentes structures rotoriques pour une MSAP 42
Figure. II.3. Exemple de bobinages distribués à pas diamétral (a) et à pas raccourci (b) 43
Figure. II.4 .Représentation schématique d’une machine synchrone à aimants posés sur la surface du rotor 45
Figure. II.5. Schéma bloc représentant le modèle électrique de la machine synchrone à aimants saine 48
Figure. II.6. Représentation schématique d’un défaut d’isolation entre spires sur une phase de stator (as) 48
Figure. II.7. Schéma équivalent de la machine à aimants avec un défaut entre-spires dans la phase as 49
Figure. II.8. Redresseur et Filtre associé à un onduleur de tension triphasé. 52
Figure. II.9.Schéma d'un onduleur de tension triphasé alimentant le stator du MSAP. 53
Figure. II.10.MLI sinus-triangle bipolaire 55
Figure. II.11. Evolution du vecteur de flux statorique. 58
Figure. II.12. Évolution du vecteur de flux statorique dans le plan (α,β). 58
Figure. II.13.Partition du plan complexe en six secteurs angulaires Si=1…6. 59
Figure. II.14 a) Sélection Trajectoire du flux statorique dans le plan (α, β) 60
Figure. II.15.Comparateur à hystérésis à trois niveaux utilisés pour le réglage du couple électromagnétique. 61
Figure. II.16. Schéma de la structure générale du contrôle direct de couple d’un MSAP. 62
Figure. II.17. Evolution de vitesse de rotation de la MSAP 63
Figure. II.18.Evolution de couple électromagnétique de la MSAP 63
Figure. II.19.Evolution du courant de défauts de la MSAP 63
Figure. II.20.Evolutions des courants statorique de la MSAP 63
Figure. II.21.Evolution de la vitesse de rotation pour 40 spires en court-circuit à l’instant t=0.35s 64
Figure. II.22.Evolution du couple électromagnétique pour 40 spires en court-circuit à l’instant t=0.35s 64
Figure. II.23. Evolutions des courants statoriques pour 40 spires en court-circuit à l’instant t=0.35s. 65
Figure. II.24.Evolution du courant du défaut pour 40 spires en court-circuit à l’instant t=0.35s 65
Figure. II.25.Evolution du couple électromagnétique pour : a)variation de NCC ; b) variation de Rf 65
Figure. II.26. Evolution de vitesse de rotation pour : a)variation de NCC ; b) variation de Rf 66
Figure. II.26. Evolution du courant du défaut If pour : a)variation de NCC; b) variation de Rf 66
Figure. II.27. Evolutions des courants statorique Ia pour : a)variation de NCC; b) variation de Rf 66
AMAR BECHKAOUI
Liste des Figures
Figure. III.1.Trajectoire de l’état vis-à-vis de la surface 75

Figure. III.2.Commande équivalente Ueq 76
Figure.III.3.Fonction sign 78
Figure. III.4. Fonction sign de la commande avec un seul seuil 79
Figure. III.5.Fonction sign de la commande adoucie 79
Figure .III.6. Commande rendue continue 80
Figure.III.7. Schéma globale de stratégie de la CMG avec trois surfaces 81
Figure.III.8. Système flou 86
Figure. III.9.Différents formes d’une fonction d'appartenance 87
Figure. III.10.Schéma synoptique d’un contrôleur flou de vitesse. 90
Figure. III.11. Les fonctions de membership de RF-1 (i) l’erreur de vitesse eωr et la variation de l’erreur de vitesse 90
*
∆ e ω r et (iii) le variable de sortie Ce
Figure (II1-12). Structure d’un système flou type-2, avec ses deux sorties :(a) l’ensemble de type réduit (b) la sortie 94
défuzzifiée.
Figure (III-13) .Ensemble flou type-2 représentant un ensemble flou type-1 avec une incertitude de variance 95
appartenant à l’intervalle [0.05 ; 0.45] pour x=4.
Figure (III-14). Ensemble flou type-2 représentant un ensemble flou type-1 avec une incertitude de valeur moyenne 95
98
Figure. III.15. les fonctions de membership de RF-2 (i) l’erreur de vitesse eωr et la variation de l’erreur de vitesse
*
∆ e ω r et (iii) le variable de sortie Ce
Figure.III.16. Evolution de la vitesse de rotation de la MSAP de deux régulateurs intelligents. 98
Figure.III.17. Evolution de couple électromagnétique de la MSAP de deux régulateurs intelligents. 99
Figure.III.18. Evolution de flux statorique de la MSAP de deux régulateurs intelligents. 99
Figure.III.19. Analyse spectrale de la phase (a) de la MSAP pour les deux régulateurs intelligents :a)RFT1,b) RFT2 99
Figure.III.20. Evolution de la vitesse de rotation de la MSAP pour les deux régulateurs intelligents avec différents 100
nombres de court-circuits à l’instant t=0.15s :a) 5 sp ;b) 25sp
Figure.III.21.Evolution de couple électromagnétique de la MSAP pour les deux régulateurs intelligents avec 100
différents nombres de court-circuits à l’instant t=0.15s :a) Ncc =5 sp ;b) Ncc = 25sp
Figure.III.22. Evolution de flux statorique de la MSAP pour les deux régulateurs intelligents avec différents 101
nombres de court-circuits à l’instant t=0.15s : a) Ncc =05 sp ;b) Ncc =25sp.
Figure.III.23. Evolution de la vitesse de rotation de la MSAP pour les deux régulateurs intelligents avec différents 101
degrés de sévérités à l’instant t=0.15s : a) Rf =0.1 Ohm ;b) Rf =0.7 Ohm.
Figure.III.24. Evolution de couple électromagnétique de la MSAP pour les deux régulateurs intelligents avec 101
différents degrés de sévérités à l’instant t=0.15s : a) Rf =0.1 Ohm ;b) Rf =0.7 Ohm.
Figure.III.25. Evolution de flux statorique de la MSAP pour les deux régulateurs intelligents avec différents degrés 102
de sévérités à l’instant t=0.15s : a) Rf=0.1 Ohm ;b) Rf =0.7 Ohm .
Figure IV.1 Modèle de base d’un neurone formel 107
Figure IV.2 Perceptron à une couche cachée 108
Figure IV.3 Réseaux de neurones récurrents 109
Figure IV.4 Organigramme de conception d’un réseau de neurones 115
Figure IV.10.Architecture équivalente d'ANFIS 117
Figure IV.11.la fonction d’appartenance des entrées 119
Figure IV.12.la fonction d’appartenance de sortie (l’état du moteur). 121
Figure. IV.13.a) couple électromagnétique ; b) les courants statoriques avec différents sévérité de défauts 121
Figure. IV.14.a) la vitesse de rotation ; b) le courant du défaut 122
Figure. IV.15..L’état du Moteur par différents sévérité du défaut 122
Figure. IV.16..a) le couple électromagnétique ; b) les courants statoriques 123
Figure. IV.17.a) la vitesse de rotation ;b) le courant du défaut 123
Figure. IV.18.L’état du Moteur par différents sévérité du défaut 123
AMAR BECHKAOUI
Liste des Figures
Figure. IV.19.L’état du Moteur par différents variations de résistance du défaut 124

Figure. IV.20. Résultats de simulation par ANFIS : a)les entrées et la sortie de l’ANFIS, b) L’interface de l’ANFIS 126
Figure. IV.21. Résultats de simulation par ANFIS à l’état sain et dégradé : c)La surface de l’ANFIS ;d) 127
Apprentissage de ANFIS ;e)L’erreur de l’ANFIS,f) Rf=0ohm ; g) Rf =0.1ohm ; h) Rf =0.3ohm
Figure. IV.22. La prédiction par L’ANFIS pour :i) Rf =0.6ohm ; j) Rf =1ohm 128
AMAR BECHKAOUI
Liste des Tableaux
LISTE DES TABLEAUX
Tab. II.1. Table de vérité d’un onduleur triphasé commandé par MLI vectorielle 56
61
Tab. II.2.Table de la DTC classique selon Takahashi définissant les séquences d’un onduleur
62
Tab. II.3.Table de commutation sans séquences nulles
Tab. III.1 Matrice d’inférence des règles floues. 91

Tab .IV.1. Table des règles de la logique Floue 120
Tab .IV.2. La relation entre l’état de la machine et la sortie floue. 120
AMAR BECHKAOUI
Introduction générale
Le rôle premier de la surveillance industrielle est d’augmenter la disponibilité des
installations industrielles afin de réduire les coûts directs et indirects de la maintenance des
équipements de production. Les coûts directs de cette maintenance sont ceux relatifs aux
diverses pièces de rechange, la main d’œuvre, etc. Par contre, les coûts indirects sont
essentiellement dus au manque à gagner engendré par un arrêt de production. On comprend
alors que l’enjeu d’une bonne politique de surveillance est très important pour les entreprises
soucieuses d’avoir une meilleure maîtrise des coûts de maintenance.
Dans ce travail, nous nous intéresserons spécifiquement aux défauts électriques pouvant
survenir au stator des machines à aimants permanents. Les défauts de bobinages sont parmi
les plus répandus. La MSAP possède une caractéristique de fluxage permanent dû à la
présence des aimants au rotor. De ce fait, certaines catégories de défaillance comme les
courts-circuits inter-spire sont particulièrement critiques car même une déconnexion de
la machine de son dispositif d’alimentation ne permet pas « d’éteindre » le défaut. La
présence d’un flux variable dans la spire en court-circuit entretient la présence d’une
force électromotrice donc d’un courant pouvant s’avérer destructeur. Ces défauts,
auxquels nous nous intéressons plus particulièrement à cause de leur criticité, nécessite
donc l’emploi de techniques de détection particulièrement réactives pour en connaître au
plus tôt l’occurrence.
La commande des machines à courant alternatif est aujourd’hui une réalité industrielle.
Depuis les années 1980, de nombreux laboratoires de recherche se sont penchés sur ce
thème. Le problème des variateurs de vitesse est très important dans toutes les applications
nécessitant la transformation d’une énergie électrique en énergie mécanique.
Dés le début du siècle; ce problème a été résolu à partir des moteurs à courant continu. En
effet, à cette époque le seul moteur électrique capable de transmettre une énergie
notable avec une vitesse de rotation variable était le moteur à courant continu. Le
moyen le plus simple de modifier sa vitesse de rotation de 0 à la valeur maximale est alors
d’agir sur la tension d’induit en gardant constant le flux d’induction.
Cependant cette machine présente des inconvénients dus au système balais-collecteur, ce

qui l’empêche d’être utilisée dans les milieux explosifs et corrosifs. En plus le
commutateur mécanique introduit des limitations dans les capacités de la machine. En effet,
1
AMAR BECHKAOUI
elle ne peut ni opérer à grande vitesse, ni être alimentée par des tensions élevées. Les
avantages des machines à courant alternatif par rapport au moteur à courant continu, sont
importants : coût de fabrication moindre, poids plus faible à puissance égale ; absence
du collecteur donc entretien réduit.
Problématique et Objectifs de la Thèse
Il est évident que l’activité du diagnostic comporte deux tâches : la détection et la

localisation. La détection consiste à détecter la présence d’un défaut tandis que la localisation
à pour but de trouver l’élément en défaut. A travers une large étude bibliographique, nous
avons remarqué que la plupart des méthodes utilisées pour le diagnostic des défauts dans les
machines asynchrones, appartiennent à l’approche signal. Le principe de cette approche
suppose que chaque type de défaut est caractérisé par une propre signature spectrale. Par
conséquent, le diagnostic (la détection et la localisation) de n’importe quel défaut peut être
effectué par la surveillance de sa propre signature dans le spectre fréquentiel des différents
signaux issus de la machine. Cependant, les cas réels montrent que la majorité des signatures
spectrales sont toujours présentes dans les spectres de ces signaux même à l’état sain à cause
de l’asymétrie résiduelle. De plus, il a été démontré que la présence d'un défaut dans une
machine s'accompagne toujours par des phénomènes physiques compliqués, tels que
l'échauffement, les vibrations et les oscillations dans le couple. Ces phénomènes ainsi que les
changements dans le régime de fonctionnement, élargissent les effets de ce défaut sur d'autres
composantes spectrales différentes de sa signature. Ceci pose des questions sur la certitude de
la notion de signatures des défauts et prouve que la localisation des défauts via leurs
signatures est presque impossible.
Pour ces raisons, la philosophie générale de ce travail suppose que le but principal d’un
opérateur de la maintenance est de détecter la présence de n’importe quel défaut dès sa
naissance pour qu’il planifie un arrêt programmé de la chaîne de production afin de remplacer
la machine en défaut. Ensuite, cette machine sera envoyée vers les ateliers où elle subira une
inspection précise pour localiser le défaut puis le réparer. Donc, notre idée est basée sur la
séparation entre les deux tâches du diagnostic, et la grande importance sera donnée à la tâche
de détection des défauts. De plus, et pour améliorer la tâche de détection, nous allons
introduire une nouvelle stratégie du diagnostic basée sur l’utilisation de technique de
l’intelligence artificiel basé sur Neuro-Flou pour détecter le défaut de court circuit à leurs
2
AMAR BECHKAOUI
naissance quelques soit la variation de charge, de vitesse et la sévérité de défaut (dégradation

de l’isolation des spires).
Organisation de thèse
Dans le premier chapitre, nous abordons tout d’abord l’étude préliminaire de la Machine
Synchrone à Aimants Permanents (MSAP) en vue de la surveillance et du diagnostic.
Quelques notions générales relatives à la sureté de fonctionnement seront présentées.
Nous évoquerons également la constitution physique de la machine synchrone à
aimants permanents pour mieux appréhender les différents défauts dont elle peut être
l’objet. Les défauts relatifs au stator des MSAP sont ensuite parcourus ainsi que leurs
origines et les risques qu’ils entrainent. Un état de l’art relatif aux techniques de
détection des défauts statoriques est ensuite proposé afin de mettre en avant les principales
techniques déjà utilisées dans le domaine et les principaux travaux réalisés sur ces thèmes.
Dans le deuxième chapitre, on détaille le modèle défaillant de notre MSAP, en vue d’un
chalenge de diagnostiquer les défauts statoriques et en particulier les défauts de court-circuit
des spires dans une phase statoriques. Ces défauts seront modélisés dans ce chapitre et des
résultats de simulation seront présentés dans l’objectif de vérifier et valider notre stratégie de
diagnostic.
Dans le troisième chapitre, nous présentons l'effet de court-circuit entre spires statoriques
sur la commande de la MSAP. Dans l’objectif de montrer la flexibilité du système, on
distingue l’utilisation des régulateurs floues (floue de type-1 et de type-2) .Nous évaluons les
performances propres au notre régulateur proposé (RFT2) (à l’état sain et défaillant).Nous
allons montrer aussi qu’il est possible de préserver la continuité de fonctionnement du
système malgré le court-circuit statoriques.
Dans le quatrième chapitre, nous avons proposé la prédiction du défaut de court circuit
statorique par l’approche neuro flou. Les systèmes neuro-flous nés de l’association des
réseaux de neurones avec la logique floue, de manière à tirer profits des avantages de chacune
de ces deux techniques, les principales propriétés des systèmes neuro-flous et leur capacité à
traiter dans un même outil des connaissances numérique et symboliques d’un système. Ces
derniers permettent donc d’exploiter les capacités d’apprentissage des réseaux de neurones
d’un part et, les capacités de raisonnement de la logique floue, d’autre part. Nous clôturons ce
3
AMAR BECHKAOUI
chapitre par une étude comparative entre les trois méthodes de diagnostique (sévérité du
défaut) suivi par des résultats numériques.
Enfin, dans la dernière partie concluant ce mémoire, nous dresserons un bilan final de notre
travail de thèse et nous donnerons quelques perspectives de recherche prometteuses. Il est à
noter aussi, que notre préférence de placer les références à la fin de chaque chapitre a été faite
dans le souci de permettre au lecteur de mieux parcourir les événements des différentes
parties de la thèse.
4
AMAR BECHKAOUI
Chapitre I Etat de l’Art
Chapitre I
Etat de l’Art
I.1. Introduction
D
ans ce chapitre nous évoquons certaines notions de base concernant les activités
maintenance et du diagnostic puis, une brève exposition des différents défauts
qui peuvent affectés ces actionneurs. Après cela, nous donnerons les méthodes
les plus usitées en diagnostic.et nous terminons par présenter l’importance de la
surveillance des défauts de court circuit entre spires statorique dans les MSAP.
I.2. Définition
I.2.1. Maintenance
Ensemble de toutes les actions techniques, administratives et de management durant le cycle de

vie d'un bien, destinées à le maintenir ou à le rétablir dans un état dans lequel il peut accomplir la
fonction requise. Il y a deux grandes classes de la maintenance :
Maintenance corrective ;
Maintenance préventive : - systématique ;
- conditionnelle.
I.2.1.1.Maintenance corrective : maintenance exécutée après détection d'une panne et

destinée à remettre un bien dans un état dans lequel il peut accomplir une fonction requise. Si
l’intervention doit être immédiate, la maintenance corrective sera qualifiée d’urgence. Si au
5
AMAR BECHKAOUI
contraire l’intervention peut être reportée on parlera de maintenance corrective différée. Terme
anglais : "Corrective maintenance"
I.2.1.2.Maintenance préventive : maintenance exécutée à des intervalles prédéterminés

ou selon des critères prescrits et destinée à réduire la probabilité de défaillance ou la dégradation
du fonctionnement d'un bien. Terme anglais : "Préventive maintenance".
I.2.1.3.Maintenance curative [MAK 09] : activités de maintenance corrective ayant
pour objet de rétablir un bien dans un état spécifié ou de lui permettre d'accomplir une
fonction requise. Le résultat des activités réalisées doit présenter un caractère permanent. Ces
activités peuvent être : des réparations, des modifications ou des améliorations ayant pour objet
de supprimer la ou les défaillances.
Maintenance préventive systématique
La maintenance systématique est un type de maintenance planifiée dans le temps (graissage,

lubrification, nettoyage, dépoussiérage, calibrage,...). Il s'agit là d'éviter les causes de
défaillances et de vieillissement des composantes du système.
Généralement, la maintenance préventive systématique s’adresse aux éléments dont le coût des
pannes est élevé, mais ne revenant pas trop cher en changement (les meilleurs exemples sont le
changement systématique de l’huile, des filtres, changement de la courroie de synchronisation,
des roulements, des paliers de rotation …).
Maintenance préventive conditionnelle
C'est un type de maintenance déclenché suite à un symptôme observable (température, vibration,

jeu excessif, …) permettant de prédire une défaillance prochaine. Il s'agit là d'intervenir juste
avant que lapanne ne survienne. La maintenance préventive conditionnelle est réalisée dès lors
qu’une mesure dépasse une valeur précise (seuil) d’une grandeur physique (température,
pression…).
La maintenance préventive conditionnelle s’adresse aux pièces des machines coûtant chers en
remplacement et pouvant être surveillées par des méthodes non – destructives (vibration, huile,
température, courant, etc.).Autrement dit, on ne change l’élément que lorsque celui-ci présente
des signes de vieillissement ou d’usure affectant les performances du fonctionnement. La
maintenance préventive conditionnelle nécessite une équipe de maintenance de niveau
technologique plus élevé formée en méthodes du diagnostic.
6
AMAR BECHKAOUI
Les outils ou bien les signaux qui peuvent être utilisés par la maintenance préventive
conditionnelle sont :
• mesure de température, thermographie infrarouge (lignage, roulements, paliers)
• mesures de pression (paliers) ;
• mesure de débit (paliers) ;
• analyse d’huile (roulements, paliers, engrenages) ;
• mesure de vibration (déséquilibre, roulements, paliers, engrenages, jeux, etc.) ;
• mesure du courant statorique, du couple, de la vitesse ou de la puissance.
I.2.2.Diagnostic[MAK 09]: action consistant à identifier la (ou les) cause(s) probable(s) de

la (ou les) défaillance(s) ou de l'évolution d'un ou de plusieurs paramètres significatifs de
dégradations à l'aide d'un raisonnement logique fondée sur un ensemble d'informations. Le
diagnostic permet de confirmer, de compléter ou de modifier les hypothèses faites sur
l'origine et la cause des défaillances, et de préciser les opérations de maintenance corrective
nécessaires.
I.3. Etude statistique sur les défauts dans les machines électriques [JAW 08]
Le défaut d’un élément est une condition de la réduction de capacité liée à des
exigences minimales. Cela peut être le résultat d’une dégradation normale, une mauvaise
spécification ou conception, un mauvais montage (y compris les mauvais alignements), une
mauvaise utilisation, ou une combinaison de ceux-ci. Si un défaut n’est pas détecté, ou s’il
est laissé se développer, il conduira la défaillance du composant et provoquera sa sortie
prématurée du fonctionnement [THOR 99].
Plusieurs enquêtes ont été menées sur la fiabilité des machines électriques. Dans ces
enquêtes, un grand nombre d’opérateurs des machines ont remis en question les types et
la fréquence des défauts dans leurs usines. Les plus importantes de ces enquêtes, ont été menées
par la General Electric Company. Leurs résultats publiés dans le journal de EPRI
(Electric Power Research Institute) en 1982 et couvrant environ 5000 moteurs, dont 97%
d’entre ont été des machines asynchrones à cage. La figure (1.1) présente la répartition des
défauts dans les moteurs testés. Il convient de noter que cette figure fournit des données des
machines travaillant dans des nombreuses applications différentes et dans diverses branches de
7
AMAR BECHKAOUI
l’industrie. Il est connu que la survenance de l’un des types de défaut dépendra en grande partie
de l’application spécifique de la machine. Par exemple, il a été constaté que, dans les machines
asynchrones à cage, l’incidence de la défaillance de la cage rotorique peut être aussi élevée que
le défaut de l’enroulement statorique dans les applications où la machine est constamment
arrêtée et redémarrée sous une charge lourde. Les machines à percer dans l’industrie
d’exploitation de pétrole et des mines sont des cas typiques de ces applications.
Isolastion avec la terre 23%

Autre 4%
Anneau de support 3%
Isolant de fils 4% Coussinet 16%
Carcasse 1% Joint 6%
Culasse 1% Palier roulement 8% 3%
Wedges 1%
Palier de guidages 5%
a)Défaut statorique (37% de total des défauts) b)Fuite
Défaut d’alignement
d'huile 3%
Cage 7% Autre 1% Arbre 1%
(c) Défaut rotorique (10% des défauts) (d) Autres défauts (12% des défauts)
Figure I.1. Répartition des défauts dans les machines électriques du domaine industriel
En se basant sur les travaux de [THOR 99], la figure (I.2) met en évidence les
natures de défauts que présentent les moteurs défectueux parmi483 moteurs asynchrones à haute
tension travaillant dans l’industrie, pétrochimique. Ces moteurs fonctionnent très souvent
dans des conditions extrêmes et dans des activités offshores. Ils sont souvent démarrés
directement en ligne, ce qui conduit à de grands courants de démarrage et fortes
pulsations du couple. Ces conditions sont néfastes pour le moteur, et conduisent à affaiblir ces
différents composants avec le temps. Si l’on compare les résultats de cette enquête avec ceux
présentés par EPRI (figure I.1), il devient clair que la survenance d’un défaut dépend
considérablement de l’application spécifique de la machine et de son environnement.
8
AMAR BECHKAOUI
Roulement 52% Bobinage statorique 24%

Défaut extérieur 14% Les bars 6%
Accouplement d'arbre 3% Non spécifié 1%
Figure I.2.Distribution des défauts dans une population de 483 moteurs de l’industrie pétrochimique
Comme les machines électriques sont soumises à des conditions environnementales

différentes (tels que l’humidité dans la plupart des activités offshore), il est important d’avoir une
idée sur la dépendance des taux de défaillance due à l’environnement. À cet égard, Thorsen et al
[THOR 99] montrent que le taux de défaillance pour les moteurs situés en plein air
dans des conditions extrêmement difficiles (pour des installations situées en terre et en mer) est
environ de 2,5 fois plus élevé que le taux de défaillance pour les moteurs situés à l’intérieur.
I.4. Types des défauts dans les machines électriques [JAW 08]
En fonction de sa gravité et son actualité, un défaut peut être classé en deux catégories. Un
défaut dur (défaut brutal), où l’incident de la perte complète des signaux ou des
changements brutaux du principe de fonctionnement provient soudainement. Dans les
simulations, les défauts durs sont généralement modélisés par un changement brusque des
entrées ou les paramètres du système. Un défaut doux, (défaut naissant), se réfère généralement à
des changements progressifs des paramètres du système par rapport à leurs valeurs normales. Les
défauts naissants indiquent les éventuels dysfonctionnements et sont caractérisés par une
variation lente des propriétés du système avec le temps. Ils sont généralement plus difficiles
à détecter que les défauts durs [LIU06].
Dans les machines électriques les défauts peuvent provenir de la partie fixe (stator) ainsi que
de partie mobile (rotor), d’où la classification ci-après :
9
AMAR BECHKAOUI
I.4.1. Défauts Statoriques
Le stator d’une machine électrique comprend des enroulements logés dans les encoches et une
culasse qui assure la voie de retour pour le flux. Les défauts statoriques peuvent se situer au
niveau des enroulements ou de la culasse.
I.4.1.1. Défauts des enroulements
Les enquêtes industrielles ont montré qu’un grand pourcentage de défaillances dans
une machine électrique résulte des défauts liés aux enroulements statoriques. Des nombreux
travaux ont démontré que la majorité des défauts de bobinage statorique résultent après la
détérioration de l’isolation des fils. Dans la plupart des cas, cette défaillance démarre à partir
d’un défaut entre spires. Finalement ce dernier grandit et entraîne les défauts entre les bobines,
entre les phases, ou phase et terre, avant la détérioration du moteur [KLI 96].
Les courts-circuits des spires dans le bobinage appartiennent à cette classe de défaut qui a
souvent un effet négligeable sur les performances de la machine au début, mais leur persistance
peut conduire à une défaillance destructrice. Par conséquent, des exigences rigoureuses visant à
minimiser l’apparition et l’atténuation des effets de rupture de l’isolant, deviennent
hautement souhaitables [STA 01a].
Un autre type de défaut associé à l’enroulement statorique est appelé mono phasage (single
phasing). Dans ce cas, une ligne d’alimentation d’un circuit est ouverte ou connectée à
deux phases (en supposant une connexion "étoile" de la machine), ce qui est équivalent à un
circuit monophasé [DAI 05].
I.4.1.1.1. Les défauts de type courts-circuits dans les enroulements
Comme déjà mentionné, l’isolation du bobinage statorique est exposée à une combinaison de
contraintes multi physiques : thermique, électrique et mécaniques. À long terme, ces multiples
contraintes accélèrent le vieillissement, qui conduit à la destruction de l’isolation.
La détérioration de l’isolation commence habituellement par un défaut entre spire (inter-turn)

de quelques spires, ce qui produit un arc électrique irrégulier de faible puissance. Cela entraîne
l’érosion des conducteurs jusqu’à ce qu’ils soient soudés. Un défaut entre spires entraîne un
grand courant circulant dans la branche court-circuitée. L’amplitude de ce courant peut être
deux fois plus grande que le courant à rotor bloqué. Il provoque de graves échauffements
localisés ce qui maintient des conditions favorables pour la propagation du défaut à une plus
10
AMAR BECHKAOUI
grande partie de l’enroulement [KLI 96]. Le courant à rotor bloqué est de l’ordre de 6 à
10 fois le courant nominal. La non détection de ce défaut conduit à un autre, plus néfaste : le
court-circuit phase terre ou entre phases [WIE 03].
L’échauffement excessif causé par un défaut entre spires conduit souvent les moteurs à une
défaillance après quelques minutes de fonctionnement. Une règle générale stipule que
chaque 10°C supplémentaire par rapport à la température nominale, entraîne le bobinage à se
détériorer deux fois plus vite. Si le défaut est détecté assez tôt la machine peut être remise en
service après un simple rebobinage de l’enroulement statorique. Le remplacement de l’ensemble
du moteur nécessite généralement un temps d’arrêt plus important [TAL 03a].
Figure. I.3. Exemple de dégâts provoqués par les défauts de courts-circuits statoriques
Autres causes de la défaillance des enroulements statoriques
Le bobinage statorique d’une machine électrique est soumis à des contraintes thermiques
(échauffement), mécaniques (vibrations) et électriques (pic de tension/courant). Selon
Nandi [NAN 05], les causes les plus fréquentes des défaillances du bobinage statorique sont :
• la haute température de la culasse statorique et du bobinage,
• la contamination causée par les hydrocarbures, de l’humidité, la saleté …etc.,

11
AMAR BECHKAOUI
• les courts-circuits,
• les contraintes de démarrage,
• les décharges électriques,
• Les fuites dans les systèmes de refroidissement.
I.4.1.1.2. Défaut de la culasse
La culasse (ou noyau) des machines électriques est construite de tôles fines d’aciers isolés
dans le but de minimiser les pertes par courants de Foucault pour une plus grande
efficacité opérationnelle. Dans le cas des machines à moyenne et grandes puissances, le
noyau est compressé avant l’emplacement des tôles afin de minimiser les vibrations des feuilles
de laminage et de maximiser la conductivité thermique.
Généralement les problèmes de noyau sont rares (1% des défauts, figure I.1). Par rapport à
des problèmes d’enroulement, ils ne présentent pas une préoccupation majeure pour les petites
machines. Pour les machines de grandes puissances la rectification des défauts du noyau
est coûteuse [TAL 03a], car elle exige généralement le remplacement de l’ensemble du
noyau. Par conséquent, il y a eu l’intérêt d’identifier les causes principales de ces problèmes, de
détecter et prévenir la défaillance de la culasse.
Tavner et al dans [TAV 05] déclarent que de tels défauts sont relativement rares, même pour
les grandes machines. En outre, ils affirment que la plupart des détails de ces défaillances ne sont
pas mis en évidence en raison de l’importance commerciale. Il est à noter que les résultats des
enquêtes sont traités de manière confidentielle. Cela peut être une des raisons pour lesquels il
n’existe pas non suffisamment de littérature sur ces défauts à ce jour.
Les causes principales des défaillances de la culasse
Les causes principales de la défaillance de noyau du stator sont [KLI 04]:
• Echauffement des extrémités ferromagnétiques résultant du flux axial des têts des
bobines.
• Fusion du noyau causé par les courants de défaut.
• Vibration résultant de la dilatation de l’assemblage des tôles.
12
AMAR BECHKAOUI
• Les défauts de fabrication des tôles : une épaisseur non uniforme des tôles cause
une distribution non uniforme de pression.
• Défaillance de l’isolant entre les tôles.
• Les dommages mécaniques à la surface intérieure du stator pendant l’assemblage,

l’inspection, le rebobinage, etc.
• Arc électrique du à la défaillance du bobinage.
Les défauts entre les tôles sont très difficiles à surveiller en ligne parce qu’ils
provoquent localement la redistribution du flux et de l’échauffement. Le noyau d’une
grande machine est généralement inspecté pendant ou après la fabrication, au cours d’un
entretien régulier et après réparation. La détection des défauts précédemment évoqués se
fait uniquement à travers l’inspection visuelle [LEE 05].
Les symptômes des défauts de la culasse
Si les tôles sont court-circuitées pour une des raisons ci-dessus, un courant de Foucault plus
grand que celui des conditions nominales est induit. La circulation de ce courant de défaut cause
la perte de puissance dans le noyau et un échauffement local, ce qui entraîne éventuellement les
tôles à fondre ou à brûler. En conséquence, l’enroulement statorique et l’isolation du bobinage
peut également être endommagés. Dans ces conditions un fort courant peut passer vers la terre,
ce qui entraîne une défaillance potentielle de la machine.
I.4. 2. Défauts rotoriques
Presque toutes les machines électriques ont une similarité de construction du stator et, par
conséquent, les défauts sont également les mêmes. Toutefois, il existe une gamme de
configurations du rotor selon le type de la machine. Les défauts rotorique plus importants sont
les suivants:
• Rupture des barres rotoriques dans les machines asynchrones.
• Défauts dans les enroulements rotoriques dans les machines synchrones classiques,
les machines à courant continu et les machines asynchrones à rotors bobinés.
• Défauts dans les aimants dans les machines à aimants permanents.
• Excentricités du rotor dans toutes les machines électriques.

13
AMAR BECHKAOUI
I.4.3. Les défauts des aimants
Les moteurs à aimants permanents contiennent un rotor équipé d’aimants permanents. Ces
derniers sont soit sur la surface du rotor ou intégrés. La présence des aimants dans le
rotor produit un flux rotorique constant. Toutefois, ce flux peut varier sous l’influence de
nombreux facteurs tels que la réaction d’induit et la température. Lorsque les enroulements
statoriques sont alimentés avec une tension, le champ créé s’oppose au champ produit par les
aimants. Dans des conditions normales le point de fonctionnement des aimants est situé dans le
deuxième quadrant (figure I.4). Mais ce point de fonctionnement peut évoluer et traverser le
point limite de désaimantation réversible.
B[T]
1.25
Nd-Fe-B 0.75
Point limite 0.5
0.25
H[kA/m] 800 600 400 200
Figure I.4.Point limite de désaimantation réversible
Ce phénomène peut se produire lors des applications brutales de charges ou en cas de

défaut de court-circuit des enroulements statoriques. Une fois produite, la réduction irréversible
de l’induction rémanente (Br) de l’aimant réduit de façon permanente les performances
de la machine.
Les températures élevées de fonctionnement réduisent aussi l’induction rémanente. La

figure (I.5) montre la variation du Br avec la température.
14
AMAR BECHKAOUI
-B/H 0.8 1 1.5 2.0 3.0 5.0

16
0.7
14
200C
600C 12
800C
0.5 1000C
10
0.4
8 B (KG)
0.3 6
0.2 4
0.1 2
0
-22 -20 -18 -16 -14 -12 -10 -8 -6 -4 -2
H(KOe)
Figure I.5.Evolution de l’aimantation rémanente avec la température
En plus de la diminution de la force magnétique de l’aimant en raison de la réaction d’induit

ou de la température, il est également connu que certains aimants (comme Nd-Fe-B) peuvent se
détériorer par désintégration. Les fissures qui se forment lors de la fabrication peuvent conduire à
la désintégration à grande vitesse. La désintégration entraîne la perturbation du flux dans
l’entrefer causant ainsi le déséquilibre de l’attraction magnétique entre le rotor et le stator. Ceci
engendre des vibrations et des contraintes sur les roulements [RAJ 06].
I.4. 4. Excentricité statique et dynamique
Dans une machine idéale, le centre du rotor est aligné sur celui du stator, donc l’axe
de rotation du rotor est le même que l’axe du stator comme indiqué sur la figure (1.6). Parfois, la
machine électrique peut être soumise à un décentrement du rotor, se traduisant par des
oscillations de couple (décalage entre le centre de rotation de l’arbre et le centre du rotor
[OLI 06]. Ce phénomène est appelé excentricité (statique et dynamique) dont l’origine peut être
liée à un positionnement incorrect des paliers lors de l’assemblage, à un défaut roulement
(usure), à un défaut de charge, ou à un défaut de fabrication (usinage).
Dans le cas d’une excentricité statique, la position de la longueur radiale minimale de

l’entrefer est fixée dans l’espace. Les causes typiques de l’excentricité statique
comprennent l’ovaleité du stator ou le positionnement incorrect du rotor ou du stator à l’étape
de mise en service. En supposant que le rotor et l’arbre sont suffisamment rigides, le niveau
d’excentricité statique ne change pas avec le temps.
15
AMAR BECHKAOUI
Stator
Axe du rotation et
centre du stator
Rotor
Arbre du
moteur
Entrefer
Figure I.6. Rotor parfaitement aligné au stator
Une excentricité dynamique se produit quand le centre du rotor n’est pas sur l’axe de
rotation [JAW 08]. Un entrefer minimum tourne alors avec le rotor. Cela signifie que
l’excentricité dynamique est une fonction de l’espace et du temps. Les causes typiques
d’une excentricité dynamique sont les arbres pliées, les résonances mécaniques à vitesses
critiques, et l’usure des roulements. La figure (I.7) montre la façon dont le rotor va tourner en
présence de chaque type d’excentricités de l’entrefer [RAJ 06].
Centre du Stator
Centre du Rotor
(a) : Excentricité statique

Centre du Stator
Centre du Rotor
(b) : Excentricité dynamique
Figure I.7. Problème de l’excentricité dans une machine
Lorsque l’excentricité devient grande, les Forces Radiale du Déséquilibre (FRD),

(Unbalanced magnetic pull UMP) peut provoquer un frottement enter stator - rotor, ce
qui peut les endommager. Dans le cas d’excentricité statique (figure I.7a) il s’agit d’une traction
dans un sens.
16
AMAR BECHKAOUI
Cela rend les FRD dans une excentricité statique, difficile à détecter à moins d’utiliser un
appareil spécial avant la mise en service du moteur. D’autre part l’excentricité dynamique
produit un FRD qui tourne à la vitesse de rotation du moteur et agit directement sur le rotor. Ceci
rend FRD plus facile à détecter à travers l’analyse des vibrations ou la surveillance des
courants statoriques [DOR 97].
I.4.5. Défauts du roulement
Les roulements à billes jouent le rôle d’interface électromécanique entre le stator et le rotor.
En outre, ils représentent l’élément de maintien de l’axe de la machine permettant d’assurer une
bonne rotation du rotor [OLI 06]. Kliman et al [KLI 97] indiquent que les défauts de
roulement peuvent représenter entre 42% et 50% de l’ensemble des défaillances des moteurs. Le
coût des roulements se situe entre 3 et 10% du coût réel du moteur. En outre, les coûts cachés
générés dans les temps d’arrêt et la perte de production font que la défaillance de roulement soit
plutôt une anomalie coûteuse [BAR 00].
La majorité des machines électriques utilisent des roulements à billes. Chacun de ces
roulements se compose de deux bagues appelées respectivement bague intérieure et bague
extérieure . Un jeu de billes ou éléments roulants placés dans une cage qui tourne à l’intérieur
de ces bagues. Les défauts des roulements pourraient se manifester comme des défauts
d’asymétrie du rotor, qui sont généralement inclus dans la catégorie des défauts d’excentricité.
Sinon, les défauts des roulements à billes peuvent être classés comme défauts de la bague
extérieure, défaut de la bague intérieure, le défaut de la cage et les défauts des billes. C’est ce
type de défaut qui est le plus fréquent sur les machines électriques et en particulier celles de
fortes puissances. Les causes possibles sont [OLI 06] :
• l’usure due au vieillissement
• la température de fonctionnement élevée
• le manque de lubrification
• l’huile contaminée (par des paillettes métalliques issues de la dégradation des billes ou de la
bande de roulement)
• le défaut de montage
• les courants d’arbres (Shaft Current)
17
AMAR BECHKAOUI
Les conséquences directes de cette défaillance sur les roulements sont :
• des trous dans les gorges de roulement intérieures et extérieures
• l’ondulation de leur surface de roulement
• l’attaque des billes
• la corrosion due à l’eau
• défaut de graissage, problème dû à la température
• décollement, effritement de surface provoqué par une surcharge
Sur le système, ce type de défaut se traduit par des oscillations du couple de charge, une
apparition de pertes supplémentaires et un jeu entre la bague interne et la bague externe du
roulement entraînant des vibrations par les déplacements du rotor autour de l’axe longitudinale
de la machine. Dans le cas le plus défavorable, la présence d’un roulement défectueux (grippage)
peut amener au blocage du moteur.
I.5. Les méthodes de modélisation et d’analyse des défauts [JAW 08]
La modélisation des défauts dans les machines électriques est une des tâches essentielles dans
le développement du système de détection ou d’une stratégie de tolérance aux fautes. De toute
évidence, un modèle le plus précis possible sera le mieux adapté pour ces processus.
Les machines électriques peuvent être modélisées en utilisant des approches analytiques ou
les méthodes numériques telles que les éléments finis. Généralement, l’analyse par éléments finis
(EF) fournit des informations plus précises sur le champ électromagnétique à l’intérieur
de la machine. Cette méthode se base directement sur la géométrie et les propriétés physiques de
la machine. Elle est donc plus informative et plus précise, en particulier dans les zones
de fonctionnement non linéaire, telle que le phénomène de la saturation. Cela a conduit
des nombreux chercheurs à utiliser la méthode EF pour la conception des machines électriques et
l’étude des défauts. Dai et al [DAI 05] analysent certains défauts du bobinage statorique pour les
machines sans balais à aimants permanents par des simulations avec la MEF.
En dépit de la précision, les simulations par éléments finis demandent beaucoup de temps de
développement et de résolution. Généralement, elles conviennent lorsque des informations
approfondies sur les machines étudiées sont nécessaires.
18
AMAR BECHKAOUI
Hormis la méthode EF, plusieurs méthodes d’analyse analytique existent dans la

littérature pour modéliser les défauts. Tallam et al [TAL 02] ont développé un modèle
transitoire pour les défauts des enroulements statoriques dans les machines asynchrones.
Bien que les résultats des modèles analytiques ne soient pas aussi précises que ceux
de la méthode EF, ils sont acceptables dans certaines situations compte tenu de leur
temps de simulation rapide. Pour surmonter les problèmes liés à la précision du modèle
analytique, Mohammed et al [MOH 06b] a mis au point un couplage de la méthode EF
avec un modèle analytique pour l’analyse des défauts de court-circuit dans les machines à
aimants permanents.
I.6. Les techniques de surveillance d’état [Jaw 08]
L’histoire du diagnostic des défauts, de surveillance d’état et la protection est aussi vieille que
les appareilles électriques. En règle générale, la surveillance et le diagnostic exigent la détection
et l’analyse des signaux contenant des informations spécifiques (symptômes) qui
caractérisent la dégradation de la machine. Thorsen et al [THOR 99] classent
principalement ces paramètres comme mécaniques (vibrations, acoustique, fluctuations de
vitesse), électromécaniques (courants, couple, flux de fuites électromagnétiques, ondes,
décharges partielles), thermique et chimique (la surveillance des particules d’huile isolante
l’analyse des gaz).
Dans les paragraphes suivants une brève description des principes de certaines de ces
techniques est présentée:
I.6.1. Surveillance électromagnétique
I.6.1.1. Surveillance du couple
Presque tous les défauts des machines se traduisent par un couple d’entrefer avec des
harmoniques ayant des fréquences spécifiques. Malheureusement, le couple d’entrefer n’est pas
une quantité directement mesurable. Aux bornes de l’entrée de la machine, la puissance
instantanée comprend la charge et la décharge d’énergie dans les enroulements. Par conséquent,
la puissance instantanée ne peut pas représenter le couple instantané. A la sortie du rotor d’une
machine tournante, l’arbre et la charge mécanique, constituent un système à ressort de torsion
qui a sa fréquence propre. Les atténuations des composants du couple d’entrefer transmis
par le système à ressort de torsion sont différentes pour les divers ordres des composants
19
AMAR BECHKAOUI
harmoniques du couple. En règle générale, la forme d’onde du couple d’entrefer est

différente du couple mesuré à l’arbre. Hsu, [HSU 95] a proposé une méthode spéciale pour
détecter les barres du rotor fissurées et le déséquilibre des grandeurs statoriques en utilisant le
couple d’entrefer.
I.6.1.2. Surveillance du flux magnétique
La surveillance du flux d’entrefer des machines électriques peut également donner des
informations exactes et fiables sur l’état de la machine. Tout changement d’entrefer, du
bobinage, de tension et du courant, est reflété dans les spectres harmoniques du flux d’entrefer.
Dorrell et al [DORR 97] ont analysé les relations entre les flux d’entrefer, les courants
statoriques, le signal des vibrations et l’excentricité de l’entrefer par des équations analytiques.
La mesure du flux d’entrefer peut être faite par des bobines placées soit à l’extérieur soit à
l’intérieur. Les bobines externes sont utilisées lorsque la machine est déjà en service.
L’utilisation des bobines intérieures est très difficile à mettre en place. Néanmoins, cette
méthode est plus précise que celle se basant sur l’analyse du courant statorique. Ceci est
confirmé lors de la détection des défauts tels que les barres cassées des amortisseurs ou
les spires court circuitées dans les enroulements rotoriques de générateur de puissance
[RAM 01b]. Pour les machines ayant une petite longueur d’entrefer, l’installation de ce type de
bobines peut exiger des modifications importantes, difficiles à mettre en place et coûteuses.
I.6.2. Surveillance du courant
La mesure des vibrations a été utilisée dans la base de la plupart sur des programmes
de surveillance d’état en ligne. En revanche des nouvelles techniques comprenant
l’analyse du courant des moteurs commencent à attirer l’attention des chercheurs. Le
problème principal concernant les méthodes de surveillance basées sur la mesure de la
vitesse de rotation, les vibrations et le flux, est essentiellement l’encombrement. Elles
nécessitent des transducteurs qui doivent être montés à l’intérieur ou autour de la machine,
avec une interruption évidente de l’exploitation. En plus, la préoccupation du coût, le
montage des capteurs supplémentaires est également un problème pratique en termes de
conception du moteur et de l’approbation par le fabricant, l’exploitant, ou la législation sur la
sécurité.
Des systèmes de surveillance de l’état qui reposent sur l’analyse du courant du moteur sont
les plus intéressants. En effet, les capteurs de courant sont habituellement installés par
20
AMAR BECHKAOUI
défaut dans le centre du contrôle et de la protection du moteur. En conséquence, une

variété des méthodes est appliquée aux plates-formes de microprocesseur permettant de
diagnostiquer avec précision, les défaillances imminentes des machines électriques. Les
applications s’appuyant sur la surveillance à partir de l’analyse des courants utilisant
généralement l’une des quatre approches ci dessous :
I.6.2.1. L’approche du vecteur de Park
Elle a été appliquée principalement dans le diagnostic des défauts d’enroulement statorique
pour la machine asynchrone triphasée. Comme indiqué dans [CAR 99], cette technique de
diagnostic est capable de détecter et de localiser ces défauts. L’idée de cette méthode se
base, dans les conditions idéales, sur le fait que le courant du moteur constitue un
vecteur de Park, composé des éléments suivants:
 6
id =   i+ sin (ω t ) (I.1)
 2 
 6  π
iq =   i+ sin  ω t −  (I.2)
 2   2
Où
+i :est la valeur maximale du courant réel (A)
ω :est la fréquence angulaire (rad/s)
t :est la variable de temps (s)
La représentation correspondante est un cercle centré à l’origine des coordonnées (figure

1.8). Dans ces conditions, le module du vecteur de Park est une constante.
q-axis
 6
  i+
 2 
d-axis
Figure I.8. Courant statorique dans le plan de Park. Cas d’un moteur sain
21
AMAR BECHKAOUI
Dans des conditions anormales, les équations (1) et(2) ne sont plus valables, parce que les
courants du moteur contiendront d’autres éléments en plus de la composante de la
séquence positive, ce qui conduit à une représentation différente de la référence. De ce fait, le
module du courant du vecteur de Park contiendra une partie dominante continue et une
alternative, dont l’existence est directement liée à l’asymétrie soit dans le moteur ou sur la
tension d’alimentation du système, voir figure (I.9).
q-axis
 6
  . ( i+ − i− )  6
 2    . ( i+ − i− )
 2 
Figure I.9. Courant statorique dans le plan de Park. Cas d’un moteur avec défaut
Toutefois, l’approche du vecteur de Park ne tient pas compte de la non idéalité des machines
électriques et des déséquilibres des tensions d’alimentation. Il est également difficile d’isoler les
différents défauts en utilisant cette méthode à elle seule, en sachant que plusieurs
défaillances peuvent causer un écart similaire du courant.
Cruz et al [CRU 01] introduisent une nouvelle technique, appelée l’extension du vecteur de
Park (Extended Park Vector Approach : EPVA ), qui est le résultat d’une analyse
spectrale du courant d’alimentation du moteur. Cette nouvelle implantation de l’approche du
vecteur de Park combine la simplicité de l’ancienne technique et le détail aperçu fourni par
l’analyse spectrale. En outre, en prenant en compte le courant dans les trois phases, l’EPVA
fournit un spectre plus significatif que celui obtenu par l’analyse spectrale conventionnelle du
moteur.
I.6.2.2. Surveillance de courant de séquence inverse
Un défaut statorique dans une machine triphasée alternative symétrique entraîne un

déséquilibre des phases de la machine. Ce déséquilibre induit les composants fondamentaux de
séquence inverse dans la tension de phase et les courants statoriques [KLI 96]. Ainsi, les
courants de séquence négative peuvent également être surveillés pour détecter les défauts
d’enroulement du stator. A l’image du vecteur de Park, cette méthode est vulnérable aux
déséquilibres des tensions.
22
AMAR BECHKAOUI
I.6.2.3. Harmonique du deuxième ordre dans le courant de l’axe ‘d’
Cette méthode est basée sur la détection des composants harmoniques du deuxième ordre
dans le courant de l’axe ‘d’dans des conditions de défaillance. Cette idée a été appliquée sur les
moteurs asynchrones. La théorie liée à cette méthode stipule que, lorsqu’un moteur asynchrone
fonctionne dans une zone de flux constant (ou couple constant), le courant de l’axe d
dans le repère de référence tournant en synchronisme (i*ds ) est constant, alors que le courant de
l’axe q dans le même repère de référence (i*qs ) est déterminé par la sortie du contrôleur de
vitesse. Cela implique que (i*ds ) reste constant dans les zones du flux constants, même en
régime d’un défaut statorique, tandis que (i*qs ) sera affecté par l’harmonique du deuxième
ordre présent dans la vitesse de rotation suite à un défaut.
Comme déjà cité, un défaut de bobinage induit les composants fondamentales de séquence
inverse dans les courants statoriques. Par conséquent, les courants induits de séquence inverse
sera distribué dans les courants de l’axe ‘d’et ‘q’ (ids , iqs ). Dans le repère de référence tournant
en synchronisme, le courant de séquence inverse est observé comme un élément tournant à la
fréquence de synchronisme mais dans une direction opposée à la rotation du repère de référence.
En revanche, le courant de séquence positive est observé comme un élément stationnaire. Alors,
le courant fondamental de séquence inverse serait observé comme un harmonique du deuxième
ordre dans le domaine temporel. Quant au courant fondamental de la séquence positive, il serait
perçu comme une composante continue. Par conséquent, (i*ds ) et (ids ) devraient avoir
différentes valeurs d’harmoniques du seconde ordre, dans le cas d’un défaut. La différence
serait un bon indicateur de défaillance. De plus, cette différence e est indépendante des actions
du contrôleur et donc, la méthode peut être appliquée aux machines en boucle fermée. Le seul
inconvénient est le fait que la machine doit fonctionner dans la zone du flux constant, ce qui
n’est pas le cas pour tous les types des machines.
I.6.2.4. L’analyse spectrale du courant (Motor current signature analysis)
La technique la plus utilisée, dans la surveillance de l’état du moteur est l’analyse spectrale
des courants (ASDC), souvent nommée (‘Motor current signature analysis’ : MCSA). Riley et al
[RIL 99] montrent qu’il existe une relation entre les vibrations mécaniques d’une
machine et l’amplitude des harmoniques du courant statorique. Pour des vibrations
mécaniques plus importantes, les amplitudes des harmoniques du courant, augmentent
également. Ceci est dû au fait que les vibrations mécaniques modulent l’entrefer à cette
fréquence. Ces composants de fréquence apparaissent dans les inductances, et enfin dans
23
AMAR BECHKAOUI
les courants statoriques. Pour cette raison, l’ASDC peut être utilisée pour détecter les défauts
du rotor. L’induction dans l’entrefer est définie comme le produit de la force magnétomotrice du
bobinage (FMM) et la permeance de l’entrefer. Les variations de l’une de ces variables
provoqueront des anomalies dans la distribution du flux. Les changements dans la force
magnétomotrice dépendent essentiellement de la distribution du bobinage. D’autre part, la
perméance de l’entrefer dépend de nombreux paramètres tels que les encoches, les pôles
saillants et les excentricités de l’entrefer. Le but de la technique ASDC est donc de détecter des
changements dans les perméances de la machine par l’examen des signaux de courant [RAJ 06].
I.6.3. Surveillance de la tension
Comme les courants, les signaux de tension peuvent également être utilisés pour la
surveillance de l’état d’une machine électrique. Les méthodes basées sur la surveillance de
tension sont particulièrement utiles dans les machines alimentées par l’onduleur. Leur seul
inconvénient est l’obligation des capteurs de tension dont la machine n’est pas normalement
équipée.
I.6.3.1. La tension de séquence inverse
Comme mentionné auparavant un défaut d’enroulement entraîne le déséquilibre des phases,

ce qui induit les composants fondamentaux de la séquence inverse dans les tensions
(ligne à neutre) et les courants de ligne. L’interaction entre la tension fondamentale de séquence
positive et le courant fondamental de la séquence négative ou vice versa introduit des
harmoniques du second ordre dans la puissance instantanée, le couple développé et la vitesse de
rotation [HSU 95].
Dans le cas des alimentations par l’onduleur en boucle fermée, la boucle tente de régler les
courants de ligne afin de suivre leurs références en ajustant les tensions de sortie. Si les
références des courants sont parfaitement équilibrées, et les performances des contrôleurs
sont aussi parfaites, aucun courant fondamental de la séquence inverse ne sera observé même
dans le cas du défaut statorique. En outre, une composante de la séquence négative apparaît dans
la tension de sortie de l’onduleur.
En pratique un contrôleur de vitesse a une performance limitée. Par ailleurs, l’information de

la vitesse (position), qui possède un harmonique de second ordre à cause d’un défaut, est utilisée
comme l’une des entrées du contrôleur de la vitesse. Si le contrôleur de la vitesse ne
peut supprimer l’harmonique du deuxième ordre à la sortie (couple de référence), la
24
AMAR BECHKAOUI
symétrie des références du courant sera déformée. En outre, l’information de la vitesse

(position) est utilisée pour la conversion des variables en repère stationnaire abc en repère
tournant dq et vice versa. Pour ces raisons, un courant de la séquence inverse peut encore être
observé lorsqu’une machine en boucle fermée a un défaut statorique. Toutefois, l’amplitude du
courant de la séquence inverse causée par un défaut peut être affectée par les performances des
contrôleurs de la vitesse et des courants. Si la bande passante du contrôleur de vitesse est
bien inférieure à la fréquence de l’harmonique du deuxième ordre de la vitesse, la sortie du
contrôleur (couple de référence) sera presque continue, et la composante fondamentale négative
de la tension de la machine sera alors, dominante dans les courants de la ligne. D’autre part,
si le couple de référence (référence de courant) contient l’harmonique du deuxième ordre, la
composante fondamentale de la séquence inverse va apparaîtra dans les tensions de sortie et les
courants de ligne de l’onduleur [TAL 03b].
I.6.3.2. La tension de séquence zéro (homopolaire)
Dans le cas d’un défaut, une variation d’impédance de phase induit une tension
fondamentale de séquence zéro dans les machines couplées en étoile. Les méthodes de détection
des défauts basées sur ce phénomène sont proposées dans [CAS 98], [BRI 05],
[GAR 04b]. Les idées de base de ces méthodes proposées sont identiques, mais la
différence réside seulement dans le nombre de capteurs utilisés.
Si l’on considère seulement les composantes fondamentales de l’excitation électrique, la

somme des tensions statoriques de ligne à neutre est donnée par:
Vsum = Van + Vbn + Vcn = Z a I a + Z b I b + Z c I c (I.3)
Où :
V, I et Z : représentent respectivement les vecteurs de la tension statorique de phase à neutre, le

courant et l’impédance. Les indices a, b et c représentent les trois phases et n indique le neutre
flottante des enroulements statoriques. Lorsque la machine est équilibrée, les trois impédances de
phase sont :
Za = Zb = Zc (I.4)
Et pour un enroulement de stator couplé en étoile, la somme des courants de phase doit être:
I a + Ib + Ic = 0 (I.5)
25
AMAR BECHKAOUI
Donc pour une machine équilibrée, nous devons avoir:
Vsum = Van + Vbn + Vcn = 0 (I.6)
Et
Vsum ( t ) = Van ( t ) + Vbn ( t ) + Vcn ( t ) = 0 (I.7)
v (t) représente la tension instantanée. Ainsi, tout écart dans l’équation (1.7), se traduit par :
Vsum ( t ) ≠ 0 (I.8)
Révèle le déséquilibre de phase causé par le défaut des spires.
L’utilisation de la tension de la séquence zéro comme un indicateur de défaut contribue à

améliorer la fiabilité de la détection des défaillances pour les machines tournantes en
boucle fermée. Cependant, les méthodes basées sur cette détection ont plusieurs limites
pratiques. D’abord, ces méthodes ne peuvent pas être utilisées pour les machines couplées en
triangle. Puis, les machines doivent avoir un accès au neutre flottant, car la tension homopolaire
ne peut pas être mesurée à partir de la ligne électrique.
I.6.4. Surveillance mécanique
I.6.4.1. Surveillance des vibrations
Une surveillance des vibrations est basée sur le concept disant que les vibrations mécaniques
à différentes fréquences sont liées à des sources identifiables dans la machine et peuvent donc
être utilisées pour procurer l’état de la machine. Les défauts de roulement, d’excentricité,
des aimants et de déséquilibre des rotors sont les défaillances qui se prêtent aux
méthodes de diagnostics basées sur les vibrations. Presque tous les défauts rotoriques et de
roulement causent des vibrations mécaniques à des fréquences spécifiques [NAN 05]. Les
paramètres de mesure peuvent être le déplacement, la vitesse et l’accélération. Les vibrations
sont mesurées directement, radialement ou axialement. Les capteurs sont souvent placés sur les
roulements pour la détection des défauts mécaniques [WAN 00a]. Toutefois, en plaçant des
sondes sur le stator, il est également possible de détecter les irrégularités de l’entrefer, les
défauts de l’enroulement statorique et les défauts rotoriques [TRU 02]. De même, Riley
et al. [RIL 99] démontre qu’il existe une relation monotone entre les valeurs efficaces des
sommes, des vibrations et des courants, pour une fréquence donnée. En effet, les vibrations
26
AMAR BECHKAOUI
mécaniques modulent l’entrefer à cette fréquence. Ces composants de fréquence apparaissent

dans les inductances et ensuite dans les courants du stator.
L’inconvénient majeur de la surveillance basée sur les vibrations est le coût du capteur des
vibrations. Cela limite l’utilisation de cette surveillance dans plusieurs applications
notamment, dans les petites machines où le coût est un facteur important.
I.6.4.2. Surveillance de bruit ou ‘acoustique’
La surveillance des émissions acoustiques avec les ultrasons et les fréquences audibles est
particulièrement favorable pour la détection des défauts de roulement. Le contact entre
les éléments roulants sans et avec fissures génère des ondes acoustiques qui se propagent
dans la machine avec la vitesse du son. Ces ondes ont peu d’énergie, mais elles peuvent être
détectées par les capteurs de type piézoélectriques en particulier dans les cas des hautes
fréquences. Rienstra et al [RIE 08] présentent une étude sur les principes fondamentaux de la
surveillance acoustique et l’utilisation industrielle de cette technique pour la détection des
défaillances du roulement. La surveillance acoustique est reconnue comme fiable dans
l’identification des défauts électriques, telle que le détachement des bobines statorique
[GAY 95]. Dans ce cas, la procédure d’identification a été réalisée automatiquement par un
réseau des neurones.
I.6.5. Surveillance thermique
Les utilisateurs des machines électriques prêtent une attention particulière à la surveillance de
la température. La règle de base stipule que tous les 10°C supplémentaires par rapport à
la température nominale, entraîne une détérioration de l’enroulement deux fois plus vite
que la normale. Cela a donné naissance à une préoccupation très sérieuse du bon
fonctionnement de la machine. En effet, plusieurs éléments des machines électriques peuvent
être touchés de manière irréversible suite à des températures trop élevées. Les aimants
permanents d’une machine sont un bon exemple à cet égard car, leurs caractéristiques
magnétiques dépendent de la température : une température trop haute peut conduire à leur
désaimantation irréversible. Negrea [NEG 01] présente une étude portant sur la distribution de
la température dans une machine synchrone à aimants permanents utilisée pour la propulsion
des navires. Plus précisément, il étudie le comportement transitoire thermique du moteur lors
des courts-circuits survenus au niveau des extrémités du moteur. Diverses considérations sur
la protection thermique du bobinage statorique et des aimants permanents sont présentées. Il
27
AMAR BECHKAOUI
est à noter que, dans le cas d’un défaut entre spires par exemple, la température augmente dans la
région du défaut. La détection de cette élévation de la température comme un début du défaut
peut-être trop lente, ce qui peut conduire a des défauts plus sévères tels que le court-circuit entre
deux phases ou une phase et la terre.
Un autre exemple de la surveillance thermique à l’aide de l’estimation des paramètres

des petites machines synchrones à aimants permanents, est donné dans [MIL 96b]. Les
auteurs développent un modèle thermique de la machine électrique en fonction des grandeurs
électriques, notamment le courant et la tension. Ce modèle est alors utilisé pour estimer la
température du moteur pour identifier les défauts. Dans le cas d’un défaut dans le roulement,
température dans cette région de la machine augmente à cause de l’augmentation du frottement.
Ce processus lent peut être détecté par la surveillance thermique.
I. 7. Les techniques du traitement de signal [JAW 08]
Les techniques de traitement du signal appliquées à la détection des défaillances dépendent

des conditions de fonctionnement de la machine. Ces conditions peuvent être très
différentes selon que la vitesse est constante ou variable.
I. 7.1. Transformée en Série de Fourier
La méthode la plus utilisée est la transformée de Fourier qui effectue l’analyse spectrale d’un
signal donné. Chaque défaut, statorique ou rotorique a ses fréquences caractéristiques propres.
Ainsi une simple application de la transformée de Fourier peut localiser ces fréquences. En
raison de sa simplicité, cette méthode est très utilisée car elle est peu coûteuse et fiable
[ROU 07]. Sa seule limitation réside dans le fait qu’elle ne peut être appliquée qu’aux machines
qui fonctionnent dans des conditions stationnaires (vitesse constante).
I. 7.2. Les techniques de types non stationnaires
Un fonctionnement à vitesse variable (non stationnaire) modifie la fréquence fondamentale à

chaque instant. Cela rend les méthodes classiques d’analyse harmonique inefficaces pour
la détection des défaillances. Pour l’analyse d’un signal variable dans le temps, plusieurs
techniques du traitement basé sur le temps et la fréquence ont été proposées. Dans ce qui
suit, deux des techniques les plus couramment utilisées pour le diagnostic des défauts
dans les machines électriques, sont exposées.
28
AMAR BECHKAOUI
I. 7.2.1. Transformé de Fourier à Court Terme : TFCT (Short Time Window

Transform)
Cette méthode permet d’analyser les signaux variables dans le temps de façon apériodique.
Mathématiquement, elle présente une distribution linéaire du temps et de la fréquence.
Les distributions du temps ‘ou de la fréquence’ sont normalement utilisées pour
diagnostiquer les défauts dans les systèmes mécaniques. Ces distributions peuvent extraire
avec précision les fréquences désirées d’un signal non stationnaire [SAT 98]. La TFCT d’un
signal continu dans le temps x(t)est défini comme suit :
∞
TFCT (τ , f ) = ∫ x ( t )w ( t − τ ) e− j 2π f dt (I.9)
Où : w(t) est la fonction fenêtre (Windows) dont la position a été traduite dans le temps par ‘τ’.
La forme discrète de l’équation (I.7) est :
N −1 2π kn
−j
TFCT ( k , m ) = ∑ x ( n ) w ( n − m) e N
(I.10)
n =0
Où w(n) est la fenêtre glissante.
Si la variation d’un signal en cours d’analyse est relativement lente, il peut être supposé que le
signal est stationnaire dans l’ensemble du calcul de la TFCT. Le nombre de calculs
TFCT nécessaires dépend de la longueur du signal échantillonné et de la taille de la fenêtre
utilisée pour segmenter le signal. Malgré sa simplicité de mise en œuvre et sa performance
raisonnable, cette méthode reste limitée par le fait que la longueur de la fenêtre temporelle
influence la fréquence de résolution. L’augmentation de la largeur de la fenêtre conduit à
l’amélioration de la fréquence de résolution. Cela signifie que l’information provenant des
signaux non stationnaires appartenant à cette largeur risque de se perdre. Ce rapport
intrinsèque entre le temps et la fréquence de la résolution devient plus critique lorsque la
TFCT traite les signaux dont la fréquence est en évolution constante. Ainsi, un compromis
entre le temps et la fréquence de la résolution doit être fait pour la mise en œuvre de cette
technique.
I. 7.2.2. Transformé d’ondelette : TO (Wavelet Transform)
Elle a été développée pour résoudre l’arbitrage entre le temps et la fréquence des résolutions
de la TFCT. La TO est essentiellement une méthode d’échelle du temps. Dans l’analyse
29
AMAR BECHKAOUI
d’ondelette, un signal est analysé pour différentes échelles ou résolutions: une fenêtre est
utilisée pour regarder la stationnarité approximative du signal et une fenêtre est utilisée
pour accéder au transitoires. Cette vue du signal en multi résolution ou multi échelle est la
particularité de l’analyse avec l’ondelette. La Transformée d’ondelette d’un signal x(t),
dépend de deux variables: paramètre de fréquence ‘a f’, et le paramètre de temps ‘τ’. Elle est
donnée par :
+∞
 t −τ 
TO ( a f ,τ ) =
1
∫ x ( t ) g   dt (I.11)
af −∞  af 
Le choix d’ondelette est important pour une bonne extraction des caractéristiques des
défauts. Une vraie ondelette ne possède pas l’information de phase distincte et, par conséquent,
elle est uniquement adaptée pour détecter les transitoires. Elle n’est donc pas d’une grande utilité
dans le diagnostic des moteurs où l’information des défauts est répartie dans l’ensemble du
signal.
Une ondelette complexe permet de séparer l’amplitude et la composante de phase d’un signal.
Elle est normalement utilisée pour mesurer les fréquences instantanées. Elle offre un
meilleur choix pour la détection des défaillances des moteurs [AWA 06].
I. 7.2.3. Les techniques d’intelligence artificielle (IA)
Ces dernières années, un certain nombre de techniques de l’intelligence artificielle (IA) ont
évolué par rapport aux méthodes traditionnelles. Ces techniques peuvent être appliquées sans une
analyse détaillée du défaut ni du modèle du système. Quand une technique IA est
utilisée, la détection et l’évaluation des défauts peuvent être accomplies sans un expert.
Plusieurs entrées sont utilisées: les courants et les tensions statoriques, les champs magnétiques,
les vibrations, ….
Mais dans la plupart des cas, les tensions et les courants sont suffisants.
Parmi les différents types des techniques basées sur IA, certains d’entre elles utilisent
des systèmes experts, réseaux de neurones artificiels, logique floue, logique floue et
réseaux de neurones, algorithmes génétiques, etc. Un système expert a des capacités à gérer la
connaissance fondée sur des règles qui modélisent un système physique. Les réseaux des
neurones sont généralement des approximations non linéaires des fonctions [Q. LIU 00]. Cette
approximation de fonctions est obtenue par l’utilisation d’un réseau constitué des neurones
30
AMAR BECHKAOUI
artificiels. Ces derniers sont reliés par des poids appropriés. Toutefois, l’architecture exacte d’un
réseau de neurones n’est pas connue à l’avance, il est généralement obtenu après tâtonnement.
La logique floue et les systèmes experts sont fondés sur des règles, mais ils peuvent aussi être
considérés comme des approximations non linéaires de fonctions. Contrairement aux réseaux de
neurones, ils décrivent clairement comment effectuer l’approximation d’une fonction
[AWA 05].
Enfin, les algorithmes génétiques ne sont pas généralement des approximations de fonctions,
mais ce sont des techniques d’optimisation stochastique. Toutefois, ils peuvent être
utilisés conjointement avec les réseaux des neurones ou la logique floue et réseaux de
neurones. On emploie cette combinaison par exemple, pour obtenir le poids optimal dans
un réseau de neurones ‘pure’ ou pour obtenir les fonctions de membre en logique floue, etc.
I.8. Surveillance et Diagnostic des défauts de court-circuits statoriques

dans les machines synchrones à aimants permanents [MAK 09]
Comme nous l’avons évoqué précédemment, nous avons choisi de nous intéresser plus
particulièrement aux machines synchrones à aimants permanents (MSAP). Ces machines
connaissent en effet depuis quelques décennies une forte progression dans les systèmes
industriels modernes. On les trouve dans de nombreuses applications telles que l’automobile, le
ferroviaire, l’aéronautique, le spatial, le médical, les automatismes industrielles,… Les
progrès réalisées sur les matériaux magnétiques, sur les systèmes numériques de commande et
sur les composants de l’électronique de puissance ont permis de rendre ces machines très
compétitives par rapport aux actionneurs asynchrones. Les MSAP possèdent de meilleurs
caractéristiques couple-vitesse, des performances dynamiques élevées, de bons rendements,
des gammes de vitesse de fonctionnement importantes, de bonnes durées de vies, … De plus,
elles possèdent des couples massiques très élevés, les rendant bien adaptés aux applications ou
l’encombrement et la masse sont d’importants critères, comme dans les applications
embarquées.
I.9 Importance de la surveillance des MSAP [MAK 09]
Du fait de leurs qualités, les MSAP sont de plus en plus utilisées dans des
applications critiques de hautes performances. Dans ce contexte, la détermination de leur
état de santé prend une grande importance. Parmi les défaillances possibles, nous nous
focaliserons sur les défauts de court-circuit inter spires. Comme nous l’avons déjà évoqué, ces
31
AMAR BECHKAOUI
défauts sont souvent précurseurs de défaillances plus graves comme les court-circuits avec la
terre. De plus, ces défauts présentent la particularité d’être auto-entretenus par les aimants
du rotor qui impliquent la présence permanente d'une source d'excitation. Ainsi, si un défaut
apparait au cours du fonctionnement, isoler la machine de son dispositif d'alimentation ne suffit
pas à garantir sa mise en sécurité. Ces défauts ne peuvent donc pas être maitrisés tant que
la machine développe des forces électromotrices, c'est à dire tant qu'elle est en rotation.
Cela peut conduire à des situations critiques pour l'actionneur lui-même (risques de
destruction du bobinage par exemple), mais également pour les autres éléments du système
auquel il appartient.
Conclusion
Ce chapitre a servi à présenter des éléments génériques relatifs à la sureté de

fonctionnement dans les systèmes du Génie Electrique. Les machines électriques sont parmi les
composants les plus répandus dans ces systèmes. Compte tenu des différents types de
défaillances dont elles peuvent être victimes, les dispositifs de surveillance de leur état
de santé présentent un intérêt tout particulier pour les fabricants et les exploitants. A cette fin, les
deux grandes familles de détection prédictive et de diagnostic des défauts ont été évoquées. Les
défauts de court-circuit statorique ont spécifiquement été étudiés. Leurs origines et leurs
conséquences sur le fonctionnement de la machine ont été abordées. Dans ce travail, notre choix
a porté sur les défauts de court-circuit entre spires pouvant intervenir au stator des machines
synchrones à aimants permanents. Dans ce qui suivra, nous décrirons la constitution de ce type
d’actionneurs et les modèles de comportement dynamique de la machine synchrone destinée soit
à la recherche des signatures des défauts, soit à l’analyse de fonctionnement en présence de
défaut(en mode dégradé).
32
AMAR BECHKAOUI
[ARK 05] M. Arkan, D. K. Perovic, P. J. Unsworth, “Modelling and simulation of

induction motors with inter-turn faults for diagnosis”, Journal of Electric Power Systems
Research, Vol. 75, Issue 1, pp. 57-66. July 2005.
[AWA 05] M. A. Awadallah, M. M. Morcos, S. Gopalakrishnan, T. W. Nehl, “A Neuro-Fuzzy

Approach to Automatic Diagnosis and Location of Stator Inter-Turn Faults in CSI-Fed PM
Brushless DC Motors”, IEEE Transactions on Energy Conversion, Vol. 20, No. 2, pp. 253 –
259, Jun 2005.
[AWA 06] M. A. Awadallah, M. M. Morcos, S. Gopalakrishnan, T. W. Nehl, “Detection

of Stator Short Circuits in VSI-Fed Brushless DC MotorsUsing Wavelet Transform”, IEEE
Transactions on Energy Conversion, Vol. 21, Issue 1, pp. 1-8, Mar. 2006.
[BAR 00] S. Barker, “Avoiding premature bearing failure with inverter fed induction motors”,
Power Engineering Journal, Vol. 14, Issue 4, pp. 182-189, Aug. 2000.
[BEN 99b] M. E. H. Benbouzid, “Bibliography on induction motors faults detection and

diagnosis”, IEEE Transactions on Energy Conversion, Vol. 14, Issue 4, pp.1065-1074,
Dec. 1999.
[BEN99a] M. E. H. Benbouzid, M. Vieira, C. Theys, “Induction motors faults detection

and localisation using stator current advanced signal processing techniques”, IEEE
Transactions on Power Electronics, Vol. 14, Issue 1, pp. 14-22, Jan. 1999.
[BRI 05] F. Briz, M.W. Degner, P. Garcia, A.B. Dicz, “Induction machine diagnostics
using zero sequence component”, 14th IAS Annual Meeting, Industry Applications
Conference, Vol. 1, pp. 34 – 41, Oct. 2005.
[CAR 99] A. J. M. Cardoso, S. M. A. Cruz, and D. S. B. Fonseca, “Inter-turn stator

winding fault diagnosis in three-phase induction motors, by Park’s Vector Approach”, IEEE
Transactions on Energy Conversion, Vol. 14, pp. 595–598, Sept. 1999.
[CAS 98] M. A. Cash, T. G. Habetler, and G. B. Kliman, “Insulation failure prediction in AC

machines using line-neutral voltages”, IEEE Transactions Industry Applications, Vol. 34, no. 6,
pp. 1234-1239, Nov. - Dec., 1998.
33
AMAR BECHKAOUI
[CRU 01] S. M. A. Cruz, A. J. M Cardoso, “Stator winding fault diagnosis in three-

phase synchronous and asynchronous motors, by the ExtendedPark’s Vector Approach”, IEEE
Transactions on Industry Applications, Vol. 37, No. 5, pp. 1227 – 1233, Sept./Oct. 2001.
[DAI 05] M. Dai, A. Keyhani, T. Sebastian, “Fault Analysis of a PM Brushless DC Motor Using
Finite Element Method”, IEEE Transactions on Energy Conversion, Vol. 20, Issue 1, pp. 1-6,
Mar 2005.
[DOR 97] D.G. Dorrell, W.T. Thomson, S. Roach, “Analysis of airgap flux, current, and
vibration signals as a function of the combination of static and dynamic airgap
eccentricity in 3-phase induction motors”, IEEE Transactions. on Industry Applications, Vol.
33, Issue 1, pp. 24 – 34, Jan.-Feb. 1997.
[GAR 04b] P. Garcia, F. Briz, M.W. Degner, A.B. Diez, “Diagnostics of induction
machines using the zero sequence voltage”, 39th IAS Annual Meeting, IEEE Conference
Record on Industry Applications, Vol. 2, pp. 735 – 742, Oct. 2004.
[GAY95] A. Gaylard, A. Meyer, C. Landy, “Acoustic evaluation of faults in electrical

machines”, 7th International Conference on Electrical Machines and Drives, pp. 147 -
150. Sep 1995.
[HSU 95] J.S. Hsu, “Monitoring of defects in induction motors through air-gap torque
observation”, IEEE Transactions on Industry Applications, Vol. 31, No. 5, pp. 1016-1021,
Sept./Oct. 1995.
[JAW 08] J.A. Farooq “Etude du problème inverse en électromagnétisme en vue de la

localisation des défauts de désaimantation dans les actionneurs à aimants permanents”, thèse de
doctorat de l’université de technologie de belfort- montbeliard,France.
[JOK 00] G. M. Joksimovic´, J. Penman, “The Detection of Inter-Turn Short Circuits in

the Stator Windings of Operating Motors”, IEEE Transactions on Industrial Electronics, Vol.
47, No. 5, pp. 1078 – 1084, Oct. 2000.
[KLI 04] G. B. Kliman, S. B. Lee, M.R. Shah, R.M. Lusted, N.K. Nair, “A new method
for synchronous generator core quality evaluation”, IEEE Transaction on Energy Conversion,
Vol. 19, Issue 3, pp. 576 – 582, Sept. 2004.
34
AMAR BECHKAOUI
[KLI 96] G. B. Kliman, W. J. Premerlani, R. A. Koegl, and D. Hoeweler, “A new approach to

on-line fault detection in AC motors”, in Proc. IEEE Industry Applications Society Annual
Meeting Conference, San Diego, CA, pp. 687–693,1996.
[KLI 97] G. B. Kliman, W.J. Premerlani, B. Yazici, R.A. Koegl, J. Mazereeuw,

“Sensorless, online motor diagnostics”, IEEE Computer Applications in Power, Vol. 10, Issue 2,
pp. 39 – 43, April 1997.
[LEE 05] S.B. Lee, G.B. Kliman, M.R. Shah, N.K. Nair, R.M. Lusted, “An iron core
probe based interlaminar core fault detection techniquefor generator stator cores”, IEEE
Transactions on Energy Conversion, Vol. 20 , Issue 2, pp. 344-351, Jun. 2005.
[LIU 06] L. Liu, “Robust fault detection and diagnosis for permanent magnet synchronous
motors”, PhD dissertation, College of Engineering, The Florida State University, USA, 2006.
[MAK 09] M. Khov “Surveillance et diagnostic des machines synchrones à aimants permanents:
Détection des courts-circuits par suivi paramétrique”, thèse de doctorat de l’université de
Toulouse, France.
[MIL 96b] P. Milanfar, J.H. Lang, “Monitoring the thermal condition of permanent-
magnet synchronous motors”, IEEE Transactions on Aerospace and Electronic Systems,
Vol. 32, Issue 4, pp. 1421 – 1429, Oct. 1996.
[MOH 06b] O. A. Mohammed, S. Liu, Z. Liu, “Physical Modeling of PM Synchronous Machine

with Short Circuit Winding Faults Based on Circuit-Field Coupled FE Analysis”,
International Conference on Electric Machines, CD book, Paper no 684, Oct. 2006.
[NAN 05] S. Nandi, H.A. Toliyat, Li. Xiaodong, “Condition monitoring and fault diagnosis of
electrical motors-a review”, IEEE Transactions on Energy Conversion, Vol. 20, Issue 4, pp. 719-
729, Dec. 2005.
[NEG 01] M. Negrea, M. Rosu, “Thermal analysis of a large permanent magnet

synchronous motor for different permanent magnet rotor configurations”, IEEE
International Electric Machines and Drives Conference, IEMDC, pp.777 – 781, 2001.
[OLI 06] O. Onde“ Diagnostic par reconnaissance des formes : application a un ensemble
convertisseur-machine asynchrone”, thèse de doctorat de l’école doctorale électronique,
électrotechnique, automatique de lyon.
35
AMAR BECHKAOUI
[Q. LIU 00] X. Q. Liu, H. Y. Zhang, J. Liu, J. Yang, “Fault Detection and Diagnosis of
Permanent-Magnet DC Motor Based on Parameter Estimationand Neural Network”, IEEE
Transactions on Industrial Electronics, Vol. 47, No. 5, pp. 1021 – 1030, Oct. 2000.
[RAJ 06] S. Rajagopalan, “Detection of rotor and load faults in brushless dc motors operating
under stationary and non-stationary conditions”, PhD dissertation, School of Electrical and
Computer Engineering, Georgia Institute of Technology, USA, 2006.
[RAM 01b] J. Ramirez-Nino, A. Pascacio, “Detecting interturn short circuits in rotor windings”,
IEEE Computer Applications in Power, Vol. 14, Issue4, pp. 39 – 42, Oct. 2001.
[RIE 08] A. Rienstra, J. Hall, “Applying acoustic vibration monitoring to predictive

maintenance”, Available on web at:
http://www.maintenanceworld.com/Articles/rienstraA/ultrasonic.pdf.
[RIL 99] C. M. Riley, B. K. Lin, T. G. Habetler, and Gerald B. Kliman, “Stator current
harmonics and their causal vibrations: a preliminary investigation of sensorless vibration
monitoring applications”, IEEE Transactions on Industry Applications, Vol. 35, No. 1, pp. 94-
99, Jan./Feb. 1999.
[ROU 07] W. Roux, R. G. Harley, T. G. Habetler, “Detecting Rotor Faults in Low

Power Permanent Magnet Synchronous Machines”, IEEE Transactions on Power
Electronics, Vol. 22, No. 1, pp. 322 – 328, Jan. 2007.
[SAT 98] L. Satish, “Short-time Fourier and wavelet transforms for fault detection in
power transformers during impulse tests”, IEE Proceedings on Science, Measurement and
Technology, Vol. 145, Issue 2, pp. 77 – 84, Mar. 1998.
[STA 01a] A. Stavrou, H.G. Sedding, J. Penman, “Current monitoring for detecting inter-turn
short circuits in induction motors”, IEEE Transactions on Energy Conversion, Vol. 16,
Issue 1, pp. 32-37, Mar. 2001.
[TAL 02] R. M. Tallam, T. G. Habetler, R. G. Harley, “Transient Model for Induction

Machines With Stator Winding Turn Faults”, IEEE Transactions on Industry Applications,
Vol. 38, No. 3, pp. 632 – 637, May –Jun 2002.
[TAL 03a] R.M. Tallam, S.B. Lee, G. Stone, G.B. Kliman, J. Yoo, T.G. Habetler, R.G. Harley,
“A survey of methods for detection of stator relatedfaults in induction machines”, 4th IEEE
36
AMAR BECHKAOUI
International Symposium on Diagnostics forElectric Machines, Power Electronics and Drives,

SDEMPED, pp. 35 – 46, 2003.
[TAL 03b] R. M. Tallam, T. G. Habetler, and R. G. Harley, “Stator winding turn-fault detection
for closed-loop induction motor drives”, IEEE Transactions on Industry Applications, vol. 39,
no. 3, pp. 720-724, May –Jun. 2003.
[TAV 05] P.J. Tavner, A.F. Anderson, “Core faults in large generators”, IEE Proceedings on
Electric Power Applications, Vol. 152, Issue 6, pp.1427 – 1439, Nov. 2005.
[THOR 99] O.V. Thorsen, M. Dalva, “Failure identification and analysis for high-voltage
induction motors in the petrochemical industry”, IEEE Transactions on Industry
Applications, Vol. 35, Issue 4, pp.810 – 818, July-Aug. 1999.
[TRU 02] F.C. Trutt, J. Sottile, J.L. Kohler, “Condition monitoring of induction motor stator
windings using electrically excited vibrations”, Conference Record of 37th IAS Annual
Meeting on Industry Applications, Vol. 4, pp. 2301– 2305, Oct. 2002.
[WAN 00a] C. Wang, R. X Gao, “Sensor placement strategy for in-situ bearing
defect detection”, In Proc. of 17th IEEE Instrumentation and Measurement Technology
Conference IMTC, Baltimore, USA, Vol. 3, pp. 1463-1467, May 2000.
[WIE 03] E. Wiedenbrug, G. Frey, J. Wilson, “Impulse testing as a predictive

maintenance tool”, 4th IEEE International Symposium on Diagnostics for Electric
Machines, Power Electronics and Drives, SDEMPED, pp. 13 – 19, 2003.
37
AMAR BECHKAOUI
Chapitre II Modélisation de la MSAP à l’état sain et dégradé
Chapitre II
Modélisation de la machine synchrone à

aimants permanents à l’état sain et dégradé
II.1. Introduction
es machines synchrones à aimant permanent (MSAP) sont de plus en plus utilisées dans
l de nombreux domaines grâce à leur efficacité énergétique, leur simplicité de mise en

œuvre et leur performance dynamique. La sûreté de fonctionnement de ce type
d’actionneurs devient cependant un problème critique pour certaines applications
industrielles car, à cause de la présence d’une excitation permanente des aimants au rotor,
un défaut de court-circuit au stator de la machine est entretenu tant que la machine est en
rotation. La détection de ce type de défaillance doit donc être réalisée au plus tôt avec un bon
taux de confiance pour permettre une sécurisation rapide afin d’éviter la propagation de défaut
aux autres composants du système [BAC 06, CAR 99, CRU01].
Notre intérêt dans ce chapitre a porté sur l’établissement de modèles de la MSAP en

présence d’un défaut de court circuit entre-spires dont le degré de sévérité dépend de l’état de
l’isolation entre spires. L’objectif majeur est, si possible, de disposer d’un modèle de type
circuit dont les paramètres peuvent être facilement déterminés en fonction du nombre de spires
en défaut et de la gravité du défaut. Cependant, l’obtention d’un modèle simple est, dans la
plupart des cas, synonyme d’hypothèses simplificatrices qui ne sont pas forcément justifiées. Ces
hypothèses ne sont en fait justifiables que pour certains types de MSAP qui diffèrent en termes
de type de bobinage, de degré de saillance rotorique, de nombre de paires de pôles… . De toute
façon, il faut évaluer ces modèles soit à l’aide d’un autre modèle dont la précision est validée soit
à l’aide d’un nombre suffisant d’expérimentations.
38
AMAR BECHKAOUI
II.2. Généralités sur les MSAP [AUB 14]
Ces dernières décennies ont connu l’intégration des Machines Synchrones à Aimants
Permanents (MSAP) en constante progression dans de nombreuses applications industrielles.
En effet, au courant des années 1980, l’avènement de nouveaux matériaux magnétiques de plus
en plus performants (de type Samarium-Cobalt ou Néodyme-fer-Bore) pour la conception
des aimants permanents, a rendu les MSAP très compétitives par rapport à d’autres types
de machines (machines à courant continu, machines synchrones à rotor bobiné ou machines
asynchrones).En outre, les progrès technologiques parallèlement réalisés dans le domaine de
l’électronique de puissance, ont élargi le spectre des performances en termes de dynamique et de
puissance contrôlable. Ceci a permis à la MSAP d’occuper une place importante dans
l’animation des procédés technologiques exigeant la vitesse variable. Ainsi, ces innovations ont
permis à la MSAP d’acquérir de nombreux avantages qui sont énumérés ci-dessous [FAR 08],
[SAB 08], [VAS 09], [YAN 12]:
• Couple volumique et puissance massique importants permettant l’utilisation de

machines au design plus compact : caractéristiques très recherchées pour des
applications embarquées.
• Rendement plus élevé grâce à l’utilisation d’aimants permanents en remplacement
des enroulements rotoriques. Ainsi, le rotor n’a pas besoin d’être alimenté ce qui
diminue les pertes (absence de pertes joules).
• Fiabilité de la machine en raison de l’absence de bagues et de balais.
• Simplicité de conception et d’entretien due également à l’absence de bagues et de
balais.
• Performance dynamique élevée grâce à une densité de flux importante dans
l’entrefer.
• Simplicité de contrôle en fonctionnement générateur avec notamment l’absence de
régulation de vitesse et de tension.
Afin de tirer profit des avantages de la MSAP, de nombreux secteurs d’activités exploitent
ce type de machine pour diverses applications dont nous citons les plus récentes dans ce qui
suit:
• Industrie de pétrochimie: les MSAP sont destinées à des fonctionnements à forte

puissance (plusieurs MW) et à grande vitesse (> 10.000 tr/min). [AHM 07], [SAB 08] et
[WEE 10] proposent notamment des designs de MSAP pour ces applications.
39
AMAR BECHKAOUI
• Industrie des énergies renouvelables: plus précisément dans le secteur de l’énergie

éolienne. Les MSAP sont destinées à des fonctionnements à haute puissance (plusieurs
MW) et à basse vitesse (autour de 1.000 tr/min) comme dans [VAN 96], [WEE 10],
[YAN 12].
• Industrie automobile : pour la conception de véhicules hybrides ou totalement
électriques. Les MSAP sont destinées à des fonctionnements à basse puissance
(limitée à quelques dizaines de kW) comme dans [TOU 06] et [WEE 10].
• Industrie aéronautique: pour le développement de l’avion plus électrique qui
constitue l’un des principaux axes de recherche dans ce domaine. Les puissances
mises en jeu peuvent atteindre 175kW comme dans [WEE 10].
• Industrie ferroviaire : les MSAP sont destinées à des fonctionnements à moyenne
puissance pour la traction, comme dans [ABD 05] où un générateur à aimants
permanents a été dimensionné pour une puissance nominale de 250kW.
• L’entraînement des cages des laminoirs à chaux (LAC) en sidérurgie (Complexe
sidérurgique d’El Hadjar)
II.3. Constitution des MSAP [AUB 14]
Comme toutes les autres machines électriques, les Machines Synchrones à Aimants
Permanents (MSAP) sont composées d’un rotor et d’un stator. Alors que le stator des MSAP est
toujours constitué de bobinages électriques, la particularité de ce type de machine
concerne l’utilisation d’aimants permanents liés au rotor de la machine afin de créer un champ
magnétique tournant.
II.3.1. Les aimants permanents
Comme il a été mentionné plus haut, l’apparition de nouveaux types d’aimants permanents
appelés « terres rares »vers les années 80, a propulsé l’utilisation des MSAP et leur substitution
aux autres types de machines électriques dans les chaînes de production. Ces nouveaux aimants,
sont composés soit de Samarium-Cobalt (SmCo), soit de Néodyme-Fer-Bore (NdFeB). Ils
possèdent une densité d’énergie beaucoup plus importante que les autres types d’aimants
(ferrite ou AlNiCo) et par conséquent plus performants (Figure 1-1). Bien que, possédant une
densité d’énergie plus élevée que les aimants de type SmCo, les aimants de type NdFeB
présentent le désavantage d’avoir une faible tenue en température (160°C pour le NdFeB
contre 350°C pour le SmCo) [LAT 06].
40
AMAR BECHKAOUI
Ainsi, la nature des aimants utilisés dépendra fortement de l’application auquel il est
destiné. Pour une machine à faible puissance et à faible coût, le choix est orienté plutôt sur des
aimants de type « ferrite ». Par contre, pour une machine de forte puissance (les applications à
haute température), ce sont plutôt les aimants de type NdFeB ou SmCo qui sont sélectionnés .
II.3.2. Structure du rotor
Il existe plusieurs types de MSAP qui dépendent du placement des aimants permanents sur le
rotor de la machine. En effet, la disposition des aimants a une influence directe sur la saillance de
la machine (rapport entre les inductances de l’axe direct Lsd et de l’axe en quadrature Lsq).
Figure. II.1. Evolution de la densité d’énergie (BH) max des aimants permanents [VAC 12]
II.3.2.1 Les principales structures des rotors utilisées dans les MSAP
[FOD 09]
II.2.2.1 .1.Aimants montés en surface (machine à pôles lisses)
Dans ce type de machine (Figure II-2a), les aimants sont collés directement à la surface du
rotor. La perméabilité des aimants étant proche de celle de l’air, l’entrefer de la machine peut
être considéré comme constant. Ainsi, la machine est à pôles lisses (absence de saillance Lsd =
Lsq). Cette structure est souvent utilisée pour sa simplicité de fabrication et de commande
mais aussi en raison de son rapport poids-puissance avantageux, ce qui rend cette solution très
adaptée aux applications embarquées. Cependant, les aimants placés en surface sont
susceptibles de se décoller à haute vitesse car ils sont soumis directement aux forces
centrifuges. Une solution pour remédier à ce problème est de consolider le collage des
aimants avec un tube de matériau amagnétique.
41
AMAR BECHKAOUI
II.3.2.1 .2.Aimants insérés (machine à pôles saillants)
Cette structure (Figure II-2b) est analogue à celle des aimants montés en surface. Cependant,
les ouvertures entre les aimants sont remplies de fer pour créer une saillance (Lsq> Lsd). Cette
machine à pôles saillants présente également un bon rapport poids-puissance et le collage des
aimants ne nécessite plus d’être consolidé.
II.3.2.1 .3.Aimants enterrés (machine à pôles saillants)
Dans ce type de machine (Figure II-2c), les aimants permanents sont directement enterrés
dans le rotor. Cette structure présente un rapport de saillance plus élevée que celle à
aimants insérés (Lsq>> Lsd). Le risque de décollement des aimants est nul cependant, le rapport
poids puissance est réduit. Ainsi, cette topologie est adaptée pour des fonctionnements à
haute vitesse où l’encombrement n’est pas une contrainte.
II.3.2.1 .4.Aimants à concentration de flux (machine à pôles saillants)
Cette structure utilise une distribution tangentielle de l’aimantation (au lieu d’une
distribution radiale dans les structures précédentes), ce qui implique une forte
concentration du flux magnétique dans le rotor. Cela permet d’augmenter sensiblement
l’induction dans l’entrefer. Cette topologie utilise principalement des aimants de type «
ferrite » pour éviter la saturation magnétique de l’acier et s’applique donc pour des
applications où le volume n’est pas une contrainte.
a)AP en surface b) AP insert c) AP enterrés d) concentration de flux
Figure. II.2. Différentes structures rotoriques pour une MSAP [FOD 09]
Il existe beaucoup d’autres types de MSAP, notamment des machines à saillance

inversée avec Lsd> Lsq utilisées pour des applications particulières [CHE 04]. Dans la suite
de ce mémoire, les MSAP utilisées seront toujours des machines à pôles lisses avec des
aimants montés en surface car elles présentent les meilleures caractéristiques pour des
applications embarquées à faible encombrement.
42
AMAR BECHKAOUI
II.3.3. Structure du stator
Le stator d’une MSAP est constitué de plusieurs bobines réparties dans les encoches
statoriques. Il existe une multitude de topologies utilisées pour le bobinage du stator dans les
machines électriques. La plupart sont présentées dans [SAI 01]. Pour les MSAP, deux
catégories de bobinage sont couramment utilisées : le bobinage distribué et le bobinage
concentrique [FOD 09].
Le bobinage concentrique est adapté pour des applications de grande puissance avec un
nombre de phases et de pôles élevés. Le bobinage distribué est plutôt utilisé pour des
applications où le nombre de pôles est réduit. Nous nous intéresserons donc principalement aux
bobinages distribués qui peuvent être réalisés soit à pas diamétral, soit à pas raccourci.
Le bobinage à pas diamétral (Figure 1-3a) est une structure de bobinages assez simple
à réaliser et qui présente les caractéristiques suivantes [SAI 01] :
• Chaque encoche présente des conducteurs n’appartenant qu’à une seule phase.
• Toutes les encoches utilisées sont consécutives par pôle.
Cependant, cette topologie de bobinage génère des composantes d’harmoniques impairs

importantes sur les forces magnétomotrices. Afin de résoudre ce problème, un bobinage à pas
raccourci est souvent privilégié. Les bobinages à pas 2/3 (pour éliminer l’harmonique 3)
ou à pas 5/6 (pour diminuer sensiblement les harmoniques 5 et 7) sont couramment
utilisés en pratique.
P=1,q=2
A+ C- B+ A- C+ B-
a) Pas diamétral avec q=2

P=1,q=2
b) Pas raccourci avec q=2

Figure. II.3. Exemple de bobinages distribués à pas diamétral (a) et à pas raccourci (b) [FOD 09]
43
AMAR BECHKAOUI
II.4. Modélisation de MSAP [VAS 09]
Dans cette partie nous présenterons un modèle de type circuit électrique pour MSAP avec
défaut entre-spires qui est beaucoup plus simple à utiliser. Ce circuit fait intervenir des
résistances, inductances et mutuelles dont les valeurs peuvent être déterminées de différentes
manières. Dans les modèles circuits, la première étape consiste à représenter le dispositif par
autant de circuits qu’il en existe physiquement. Ce modèle n’est simple d’utilisation que sous
certaines hypothèses que l’on doit justifier.
D’abord, nous présentons les hypothèses de modélisation d’une MSAP, nécessaires à

l’établissement d’un modèle simple de type circuit électrique. Ensuite, après un rappel du modèle
de type circuit d’une MSAP saine à rotor lisse, nous présentons le modèle de la même machine
en présence d’un défaut entre spires d’une phase en augmentant l’ordre du modèle de la machine
saine.
II.4.1. Hypothèses considérée pour la modélisation
Etant donné que l’objectif est de disposer de modèles de type circuit associés aux méthodes
d’identification des paramètres simples et suffisamment précise, nous devons admettre un certain
nombre d’hypothèses qui ne sont pas valables pour tous les types de MSAP. Cependant, ces
hypothèses sont justifiées pour un nombre important de MSAP, utilisées notamment pour les
applications dans les systèmes embraqués. Les hypothèses admises et les restrictions éventuelles
qu’elles entraînent sont décrites ci-après :
- Nous considérons uniquement les MSAP à stator lisse. En effet, cette hypothèse est admise
dans la plupart des machines synchrones qui négligent les irrégularités introduites par les
encoches statoriques logeant les conducteurs.
- Le rotor est également supposé lisse
- Les pertes fer au stator et rotor sont négligées
- L’effet amortissement au rotor est négligé
- Le bobinage statorique des MSAP saines triphasées à rotor lisse est supposé équilibré. De ce
fait, les éléments diagonaux de leur matrice d’inductance (inductances propres des bobines des
phases) sont égaux ainsi que leurs éléments non diagonaux (inductances mutuelles entre les
bobines des phases).
44
AMAR BECHKAOUI
II.4.2. Modèle circuit électrique de la machine saine [VAS 09]
Dès lors que l’induction dans l’entrefer est produite grâce à la présence des aimants, la
machine peut être conçue avec un grand entrefer sans pertes de performances si les aimants sont
bien dimensionnés. Cependant, le coût de fabrication de la machine est plus élevé à cause de la
quantité importante d’aimants utilisés. En plus, le risque de démagnétisation d’aimant et alors la
température de fonctionnement limitée peuvent être restrictifs dans certaines applications.
Compte tenu du fait que les machines considérées sont supposées non saturées, le flux des
aimants à travers des bobines statoriques ne peut varier qu’en fonction de la position rotorique et
ne dépend pas d’un quelconque courant d’excitation contrairement au cas des machines excitées.
Dans notre cas, le réglage du flux d’excitation (par aimants) à travers les bobines statoriques est
impossible ; ce qui peut être gênant en cas de défauts.
q axis d axis
’
as
N Ɵ
bs
cs
’
bs
’ cs
S
as
Figure. II.4 .Représentation schématique d’une machine synchrone à aimants posés sur la surface du rotor
(θ est un angle électrique).
L’équation de tension dans le référentiel du stator (abc) peut être mise sous la forme :
d
[Vs ] = [ Rs ][ I s ] + [ Lss ] [ I s ] + [ Es ] (II.1)
dt
Ou :
[Vs ] = [ vas vcs ] est le vecteur des tensions de phases.

T
vbs
[ I s ] = [ias ics ]
T
ibs
est le vecteur des courants de phases.
45
AMAR BECHKAOUI
[ Es ] = [ eas ecs ]
T
ebs
est le vecteur des fém de phases.
 Rs 0 0
[ Rs ] =  0 Rs 0 
est la matrice de résistance : Rs=Ra= Rb=Rc.
 0 0 Rs 
L M M
[ Ls ] =  M L M 
est la matrice d’inductance qui est circulante symétrique.
 M M L 
En général, les trios phases du stator sont connectées en étoile de sorte que :
ias + ibs + ics = 0

(II.2)
Dans ces conditions, la composante homopolaire du courant est nulle et seule l’inductance
cyclique de la machine (Ls=L-M) limite les courants de phases, ce qui permet d’écrire :
d
[Vs ] = Rs [ I s ] + Ls [ I s ] + [ Es ] (II.3)
dt
L’application de la transformation de Concordia (Clark) à l’équation électrique générale de la

machine synchrone (II-1 ou II-4) ; la composante homopolaire du courant étant nulle, les
équations devient:
 vα   iα  d  iα   eα 
 v  = Rs i  + Ls i  +  e  (II.4)
 β β dt  β   β 
Où :
 
1 0 
 xa   
 xα  t   2  −1 3 
 x  = T32  xb  , T32 =
 β 32 2  (II.5)
 xc   
 −1 − 3
 2 2 
La grandeur généralisée x représente ici le courant, la tension ou la fém. La composante

homopolaire du courant étant nulle, le couple électromagnétique de MSAP à rotor lisse peut être
exprimé comme suit :
46
AMAR BECHKAOUI
ea + eb + ec eα iα + eβ iβ
Te = =
Ω Ω (II.6)
La dynamique de la vitesse de la machine et de sa charge, est décrite par la relation fondamentale

de la dynamique appliquée aux solides en mouvement de rotation :
dΩ
Te − Tl = J
dt (II.7)
Où J est le moment d’inertie des parties tournantes, Tl est le couple de charge et Ω la vitesse de
rotation. Pour une machine à p paires de pôles, cette vitesse est liée à l’angle électrique θ,
désignant la position du rotor, par la relation :
d
θ = pΩ
dt (II.8)
Pour une simulation en régime transitoire, nous mettons l’ensemble des équations régissant la
machine sous forme d’état. L’équation électrique devient alors :
d iα  1  iα   vα − eα  
i  =  − Rs i  +  v − e   (II.9)
dt  β  Ls  β  β β 
Que nous exprimons de la manière suivante :
xɺ = Ax + Bu
(II.10)
 iα 
x= 
Où : est le vecteur des variables d’état (II.11)
iβ 
 vα − eα 
u=  est le vecteur d’entrée
 vβ − eβ 
(II.12)
Les matrices A et B ont pour expressions:
Rs 1 0  1 1 0 
A=− 0 1  , B = L 0 1 
Ls   s   (II.13)
La figure II-5 présente ainsi une représentation du modèle électrique (vitesse lentement variable)
de la MSAP saine (diagramme fonctionnel).
47
AMAR BECHKAOUI
Va Vα iα ia
Modèle électrique
Vb
Vc
Tt32 Vβ De la MSAP iβ
T32 ib
ic
Figure. II.5. Schéma bloc représentant le modèle électrique de la machine synchrone à aimants saine.
II.4.3. Modèle d’une MSAP en présence de défaut [VAS 09]
Dans ce paragraphe, nous désignons par court-circuit entre-spires tout défaut d’isolation
pouvant intervenir entre deux spires d’une même phase du stator. Le défaut n’est pas forcément
franc et une résistance équivalente permet de modéliser ce qui reste de la résistance de l’isolant
entre les spires court-circuitées. La valeur de la résistance indique la sévérité du défaut
d’isolation. Un schéma simplifié de la situation est donné sur la figure II-6 montrant la résistance
rf du défaut. Le bobinage dans lequel survient le défaut est donc divisé en deux parties que l’on
appellera (as2) pour la partie court-circuitée et (as1) pour la partie saine. En pratique la
résistance rf varie depuis une valeur infinie lorsque la machine est saine à zéro lorsque la
machine est en présence d’un défaut franc de court-circuit entre-spires.
Nous avons défini le coefficient µ qui décrit le nombre relatif de spires court-circuitées. Nous
avons donc :
N f = N as 2 = µ ( N as1 + N as 2 ) = µ N s
(II.14)
Où Ns est le nombre de spires par phase et Nf est le nombre de spires de la partie du bobinage
concernée par le défaut (sous-bobine as2).
a
Ia
Ns
Nf rf If
Ib Ic
b c
Figure. II.6. Représentation schématique d’un défaut d’isolation entre spires sur une phase de stator (as).
48
AMAR BECHKAOUI
II.4.4. Modèle de la MSAP en présence d’un défaut de court circuit entre-

spires
Par rapport à la nomenclature présentée ci haut, les équations électriques dans les deux parties
qui composent la phase as (sous-bobines as1et as2sur la figure II-7) sont données par :
ias + M a1a 2 ( ias − i f ) + M a1b ibs + M a1c ics + ea1

d d d d
Vas1 = Ra1ias + La1
dt dt dt dt
(II.15)
= Ra 2 ( ias − i f ) + La 2 ( ias − i f ) + M a1a 2 ias + M a 2b ibs + M a 2 c ics + ea 2
d d d d
Vas 2
dt dt dt dt
Où Ra2 etLa2 représentent la résistance et l’inductance de la sous-bobine en défaut (as2). Les

paramètres Ma1a2, Ma2b etMa2c représentent respectivement les inductances mutuelles entre la
sous bobine as2 et les bobines as1, bs et cs.
Vas1 Vas2
rf if
Ma1a2
La1 ea1 La2 ea2
ias
Ma1b Ma2b
eb
ibs
Lb
Ma1c Ma2c
Lc ec
ics
Figure. II.7. Schéma équivalent de la machine à aimants avec un défaut entre-spires dans la phase as [VAS 09]
Les résistances de la sous-bobine saine as1et de la sous-bobine court-circuitée as2 sont notées par
Ra1 et Ra2 respectivement ; elles sont proportionnelles au nombre de spires des parties
concernées. Par conséquent, nous pouvons les exprimer en fonction de la résistance de phase Ra
et le coefficient µ.
Nous avons donc :
Ra1 = (1 − µ ) Ra
Ra 2 = µ Ra (II.16)
L’étude des circuits élémentaires de la phase as donne les relations suivantes :
49
AMAR BECHKAOUI
Vas = Vas1 + Vas 2 , Vas 2 = rf i f

ias1 = ias , ias 2 = ias − i f (II.17)
Les équations des tensions des trois phases sont donc mises sous la forme :
d d
Vas = ( Ra1 + Ra 2 ) ias + ( La1 + La 2 + 2 M a1a 2 ) ias + ( M a1b + M a 2 b ) ibs +
dt dt
d d (II.18)
( M a1c + M a 2 c ) ics + ( ea1+ ea 2 ) − Ra 2i f − ( La 2 + M a1a 2 ) i f
dt dt
d d d d
Vbs = Rs ibs + L ibs + ebs + ( M a1b + M a 2 b ) ias + M ics − M a 2 b i f
dt dt dt dt (II.19)
d d d d
Vcs = Rs ics + L ics + ecs + ( M a1c + M a2 c ) ias + M ibs − M a2 c i f
dt dt dt dt (II.20)
Les relations suivantes sont normalement admises :
Rs = Ra = Ra1 + Ra 2
L = La1 + La 2 + 2 M a1a 2
M = M a1b + M a 2 b
(II.21)
M = M a1c + M a 2 c
ea = ea1 + ea 2 = ea1 + e f
En remplaçant les relations ci-dessus (II-24) dans les équations électriques II-21, II-22 et II-23,
nous obtenons l’écriture matricielle suivante :
Vas  ias   Ls 0 0 ias   eas   Ra2   La2 + M a1 a2 

V  = R  i  +  0 Ls 0 
d i  +  e  −  0  i −  M d i
 bs  s  bs   dt  bs   bs    f  a2 b  dt f (II.22)
Vcs   ics   0 0 Ls   ics   ecs   0   M a2 c 
D’après l’équation que l’on vient d’établir, nous voyons que l’équation qui régit la machine
en présence d’un défaut entre-spires contient les mêmes termes que l’équation électrique d’une
machine saine (II-4 ou II-6) auxquels s’ajoutent des termes supplémentaires correspondant à la
maille créée par le défaut. La résolution de l’équation (II-25) nécessite la connaissance du
courant if ou alors d’ajouter une équation supplémentaire décrivant la maille du court-circuit.
Nous avons alors :
ias − M a 2 b ibs − M a 2 c ics − ea 2 + ( Ra 2 + rf ) i f + La 2 i f

d d d d
0 = − Ra 2ias − ( La 2 + M a1a 2 )
dt dt dt dt (II.23)
50
AMAR BECHKAOUI
Suite à un défaut de court-circuit entre-spires, l’ordre du système croit. En effet, une maille
supplémentaire apparaît. Alors, il est intéressant de présenter une matrice d’inductance de
dimension 4 pour modéliser la MSAP en défaut. Nous rassemblons donc les équations (II-25) et
(II-26) pour obtenir l’équation globale de dimension 4 régissant le comportement de la machine
en présence d’un défaut de court-circuit, que l’on met sous la forme matricielle :
Vas   Rs 0 0 − Ra 2  ias   Ls 0 0 − La 2 − M a1a 2  ias 

V   0 Rs 0 
0  ibs    0 Ls 0
 
− M a 2 b  d ibs 
 bs  =  +
Vcs   0 0 Rs 0  ics   0 0 Ls − M a 2 c  dt ics 
        
 0   − Ra 2 0 0 Ra 2 + rf   i f   − La 2 − M a1a 2 − M a 2b −M a 2c La 2   i f 
 eas 
e 
+
bs 
 ecs 
 
 −e f  (II.24)
Où : ef =eas2 (II.25)
Nous avons ainsi établi les équations électriques régissant le comportement de la machine en
régime dynamique en présence d’un défaut de court-circuit entre spires dans une phase. Nous
n’avons pas encore introduit le comportement mécanique qui dépend des couples de moteur et de
frein. Ces couples ont une influence sur la vitesse de rotation et par conséquent sur les valeurs
des fém induites dans les différentes bobines du stator.
Si le couple de détente est négligeable, l‘expression de couple électromagnétique de la MSAP en

défaut électrique entre-spires est donnée par :
eas ias + ebs ibs + ecs ics − e f i f

Te =
Ω (II.26)
II.5. Modélisation de l’alimentation du MSAP à vitesse variable
L’alimentation doit pouvoir fournir et récupérer en cas de freinage, l’énergie électrique du

moteur. Elle est généralement composée d’un convertisseur statique alimenté par une source de
tension continue constante, qui permet d’imposer aux enroulements statoriques de la machine
des tensions d’amplitude et de fréquence réglables en agissant sur la commande des interrupteurs
du convertisseur statique. Elle présente la solution adéquate pour le démarrage des moteurs
synchrones qui ne peuvent avoir couple hors synchronisme. L'implantation de la commande
nécessite la modélisation complète de tout le système : La machine synchrone associée à un
51
AMAR BECHKAOUI
convertisseur statique. On va présenter dans ce qui suit la modélisation de l'alimentation du

MSAP [CAR 00], [LAB 95], [BAS 01].
II.5.1.Système d'alimentation
L'alimentation du MSAP est constituée de deux étages qui sont connectés l’un à l’autre par un
circuit intermédiaire constitué d’une inductance et /ou d’un condensateur. Alimenté par un
réseau triphasé, le premier étage est un redresseur et le deuxième étage est un onduleur de
tension. La source d'alimentation triphasée est supposée symétrique, d’une tension à amplitude et
fréquence, imposées et constantes. Le redresseur et le filtre de tension doivent être dimensionnés
convenablement afin de les associer à l'onduleur de tension alimentant le MSAP.
II.5.1.1 Modélisations du redresseur et du filtre associés à l'onduleur
La tension d'alimentation Uc(t) de l’onduleur associé au MSAP est générée par une cascade
composée d'un redresseur et d'un filtre passe-bas schématisée par la figure suivante :
id(t)
L If(t)
Dr1 Dr2 Dr3
~ VV (t)
a
(t)
~ b
Vd(t) C Uc(t)
~ V (t)
c Dr4 Dr5 Dr6
Figure. II.8. Redresseur et Filtre associé à un onduleur de tension triphasé.
II.5.1.2.Modélisation du redresseur triphasé double alternance à diodes
Ce type de redresseurs comporte trois diodes à cathodes communes assurant l'aller du courant
id(t) : Dr1, Dr2 et Dr3 , et trois diodes à anodes communes assurant le retour du courant id(t) : Dr4,
Dr5 et Dr6 . Si l'effet de l'empiètement est négligé, la valeur instantanée de la tension redressée
peut être exprimée par [CAR 95], [LAB 95], [BAS 01] :
Vd (t) = max ( Va (t), Vb (t), Vc (t))− min (Va (t), Vb (t), Vc (t)) (II.27)
Cette tension redressée est assez ondulée, ce qui nécessite une opération de filtrage.
II.5.1.3.Modélisation du filtre de la tension redressée
Afin de réduire le taux d'ondulation de cette tension redressée, on utilise un filtre passe bas
(LC), caractérisé par les équations différentielles suivantes [GUY 00] :
52
AMAR BECHKAOUI
 di d ( t ) 1
 dt = L [V d ( t ) − U c ( t )]
 dU ( t ) 1
 c
= [ i d ( t ) − i f ( t )]
 dt C
Pour dimensionner ce filtre, on doit tout simplement placer sa fréquence de coupure au

dessous de la fréquence de la première harmonique de Vd (t), cette condition nous permet de
déterminer L et C.
II.5.2.Onduleur de tension triphasé
Un onduleur de tension triphasé dont les composants semi-conducteurs contrôlables sont des
transistors ou des thyristor GTO, est le cœur de l'organe de commande du MSAP. Il peut être
considéré comme un amplificateur de puissance, et il est constitué de trois bras, de deux
interrupteurs pour chacun. Chaque interrupteur est monté en antiparallèle avec une diode de
récupération. Pour assurer la continuité des courants alternatifs et éviter le court-circuit de la
source, les interrupteurs K1 et K4, K2 et K5, K3 et K6 doivent être contrôlés de manière
complémentaire [CAR 00],[BAS 01]. Le schéma structurel d'un tel convertisseur statique
alimentant le stator du MSAP est illustré par la figure (II.9) :
i IK1 iK2 IK3

VK1 VK2 VK3
CK1 K1 CK2 K2 CK3 K3 vsa
U c (t ) D1 D2 D3 rs Ls es a
2 isa Ls
rs es b
n0 Neutre n
Uc(t isb Ls es c
rs
U c (tfictif
) isc
VK4 VK5 VK6 vsc
2C K4 K5 CK6 K6
K4 CK5
D4 D5 D6 Stator du MSAP
IK4 IK5 IK6
Figure. II.9.Schéma d'un onduleur de tension triphasé alimentant le stator du MSAP.
Pour simplifier l’étude, on supposera que [LAB 95],[BAS 01] :
• La commutation des interrupteurs est instantanée;

• La chute de tension aux bornes des interrupteurs est négligeable;
• La charge triphasée, est équilibrée et, est couplée en étoile avec un neutre isolé.
Les tensions simples s'écrivent en fonction des tensions composées usab, usbc et usca sous la forme
suivante :
53
AMAR BECHKAOUI
 1
v sa = 3 (u sab − u sca )
 1
v sb = (u sbc − u sab ) (II.28)
 3
1
v = (u − u )
 sc 3 sca sbc
Les diodes Di=1,2, ...6, sont des diodes de protection des transistors assurant la roue libre ou la
récupération.
Plusieurs méthodes sont utilisées pour commander les interrupteurs d'un onduleur. La
stratégie la plus utilisée est la Modulation de Largeur d'Impulsions (MLI).
II.5.2.1.Onduleur de Tension à MLI
Plusieurs types de MLI se présentent pratiquement, dont on peut citer [GUY 00],[LAC 00] :
• Les modulations sinus-triangle effectuant la comparaison d'un signal de référence

sinusoïdal à une porteuse en général triangulaire.
• Les modulations pré-calculées pour lesquelles les angles de commutation sont calculés
hors ligne pour annuler certaines composantes du spectre de la tension, et donner une
certaine onde fondamentale.
• Les modulations post-calculées appelées encore MLI régulières symétriques ou MLI
vectorielles dans lesquelles les angles de commutation sont calculés en ligne.
On présentera dans ce qui suit la première stratégie qui est la plus utilisée, et la troisième
technique qui est dédiée entre autres à la DTC à laquelle on s’intéresse.
II.5.2.1.1.Modulation de Largeur d'Impulsions Sinus-Triangle
La MLI permet de former à la sortie d'un onduleur chaque alternance de la tension à l'aide
d’une succession de créneaux rectangulaires, dont la largeur varie suivant une loi de commande
qui a pour but de :
• repousser les fréquences des harmoniques en haut pour faciliter leur filtrage,
• faire varier la valeur efficace du fondamental de la tension de sortie.
Le réglage est effectué par les durées d'ouverture et de fermeture des interrupteurs et par les
séquences de fonctionnement. La loi de modulation est une comparaison entre une tension de
référence sinusoïdale Vref (t) et une onde triangulaire appelée porteuse d’une fréquence f
[GUY 00], [LAC 95]. Le signal de commande de l'interrupteur électronique d'un bras de
54
AMAR BECHKAOUI
l'onduleur triphasé Ki=1,2,3 est fermé si l'onde de référence de la phase correspondante est
supérieure ou égale à la porteuse triangulaire, et vice versa [LAC 95],[SEG 77]:
Vref(t)
Uc /2
ωt
-Uc/2
Van0 (t)
PorteuseVp(t)
Uc /2
ωt
-Uc /2
Figure. II.10.MLI sinus-triangle bipolaire
II.5.2.1 .2.MLI Vectorielle
Cette modulation est utilisée par les commandes modernes des machines à courant alternatif
[GUY 00],[LAC 00]. Les tensions de référence sont les tensions simples désirées à la sortie de
l'onduleur. Cette technique de MLI est basée sur les principes suivants :
• Le signal de référence est échantillonné sur des intervalles T (MLI régulière),
• Pour chaque phase, on envoie une impulsion de largeur T centrée sur la période (MLI
symétrique) dont la valeur moyenne est égale à la valeur de la tension de référence à
l’instant d’échantillonnage,
• Tous les interrupteurs d’un même demi bras ont un état identique au centre et aux deux
extrémités de la période.
Soit C K1 , C K 2 et C K 3 les signaux logiques de commande des interrupteurs K1, K2 et K3
respectivement, ( C K1 = 1 si l’interrupteur en haut d'un bras est fermé et celui en bas est
ouvert, C K1 = 0 si l’interrupteur en haut est ouvert et celui en bas est fermé).
On pose :
[
C K = C K1 C K 2 C K 3 ];
T
v sabc = [v sa v sb v sc ]
T
(II.29)
Ou vsabc est le vecteur des tensions simples à la sortie de l'onduleur, donné par [ARI 00],[RAH 00] :
55
AMAR BECHKAOUI
v sa   2 − 1 − 1 C K 1 
 
= v sb  = U c − 1 2 − 1 C K 2  = U c [Ts ][C K ]
  1 
v sabc (II.30)
3
v sc  − 1 − 1 2  C K 3 
Il existe huit combinaisons possibles pour commander les interrupteurs de l'onduleur dont six
sont des séquences actives alimentant la charge. Celles-ci définissent six vecteurs de tensions à la
sortie de l'onduleur : Vi=1,2,..6 . Les deux séquences restantes sont des séquences de roue libre et
définissent deux vecteurs de tensions nuls V0 et V7. La table de vérité de la MLI vectorielle peut
être résumée dans le tableau suivant [GUY 00], [TAK 89],[RAH 00] :
Vecteur C K1 CK2 C K3 vsa vsb vsc
V0 0 0 0 0 0 0
V5 0 0 1 -Uc /3 - Uc /3 2 Uc /3
V3 0 1 0 - Uc /3 2 Uc /3 - Uc /3
V4 0 1 1 -2 Uc /3 Uc /3 Uc /3
V1 1 0 0 2 Uc /3 - Uc /3 - Uc /3
V6 1 0 1 Uc /3 -2 Uc /3 Uc /3
V2 1 1 0 Uc /3 Uc /3 -2 Uc /3
V7 1 1 1 0 0 0
Tab. II.1. Table de vérité d’un onduleur triphasé commandé par MLI vectorielle
Les six vecteurs non nuls de tension forment les axes d'un hexagone régulier et les deux
vecteurs inactifs nuls coïncident avec l'origine. L'objectif de cette MLI est d'approximer la
tension de commande par une combinaison de ces huit vecteurs de tension que peut délivrer
l'onduleur (V0 à V7). Le vecteur de sortie peut être à tout instant, approximé par une combinaison
linéaire de deux de ces six vecteurs non nuls.
V3(010) V2(110)
3 2
V0,7(000)
V4(011) 4 1 V1(100)
5 6
V5(001) V6(101)
Figure. II.11.Vecteurs de tension et états des interrupteurs d'un onduleur de tension triphasé dans le plan (α,β).
56
AMAR BECHKAOUI
II.6.Commande Direct du Couple de la MSAP
II.6.1.Contrôle du flux statorique et du couple électromagnétique

Le contrôle dynamique du couple peut être mis en évidence par le modèle vectoriel de la
machine, dans le modèle référentiel (α,β), on peut écrire [AME 05], [ARI 00], [MOK 04]:
dφ s
V s = Rs i s + (II.31)
dt
On obtient :
t
φs = φs 0 + ∫ ( V s − Rs i s ) dt (II.32)
0
Avec l’hypothèse que Rs reste constante et que le terme Rs i s est négligeable devant la tension
Vs dans un intervalle de temps Te, donc l’équation (II.32) peut s’écrire :
t
φ s ≈ φ s 0 + ∫ V s dt (II.33)
0
À l’instant (t+∆t), φ s (t+∆t) se déduit du vecteur flux à l’instant t par la sommation vectorielle
suivante, à l’intérieur d’une période de commutation de l’onduleur (Figure II.11) :
φ s (t+∆t) ≈ φ s (t) + V sTe (II.34)
Où encore :
∆φ s ≈ V s Te (II.35)
Avec :
• φ s (t ) c'est le vecteur de flux statorique au pas d'échantillonnage actuel ;

• φ s (t+∆t) c'est le vecteur du flux statorique au pas d'échantillonnage suivant ;
• ∆φ s c'est la variation du vecteur de flux statorique ( φ s ( k + 1) - φ s (k ) ) ;

• Te c'est la période d'échantillonnage.
L’équation (II .32) implique que l’extrémité du vecteur φ s (t) ce déplace sur une droite dont la
direction est donnée par le vecteur de tension appliqué V s . Comme il est montré dans la figure
(II.12).
En choisissant une séquence correcte de vecteur Vs sur des intervalles de temps successive Te,
on peut suivre à l’extrémité du vecteur φ s la trajectoire désirée. Les variations du couple
57
AMAR BECHKAOUI
électromagnétique peuvent être contrôlées uniquement à partir de la vitesse de rotation du

vecteur flux.
Le couple c'est le produit vectoriel entre les vecteurs des flux statorique et rotorique :
C e = k (φ s × φ r' ) = k φ s φ r' sin (δ ) (II.36)
3p
Tel que k = (cas des machines synchrones à aimants permanents à pôles lisses).
2l q
Avec :
• φ s c'est le vecteur de flux statorique ;
• φ r ' c'est le vecteur de flux rotorique ramené au stator ;

• δ c'est l'angle entre les vecteurs des flux statorique et rotorique.
Sens de rotation
Vecteurs de tension
t= T e délivrés par l’onduleur
V3(010) V2(110)
Δ φs = V 3Te
φs (t+Δt)
V1(100)
Composante radial
t =0 V4(011) V0 , 7(000)
φs (t)
V6(101)
Composante tangentielle V5(001)

Figure. II.11. Evolution du vecteur de flux statorique.

β
Sens de rotation
φ s (t+Δt) ∆φs
φs (t) α
Figure. II.12. Évolution du vecteur de flux statorique dans le plan (α,β).

Donc pour augmenter le flux statorique, il suffit d’appliquer un vecteur de tension qui lui est
colinéaire et dans sa direction, et vice versa [AME 05], [ARI 00], [MOK 04].
58
AMAR BECHKAOUI
II.6.2.Choix du vecteur de tension

Le choix du vecteur de tension statorique Vs dépend de la variation souhaitée pour le module de
flux statorique φ s , du sens de rotation de φ s et également de l’évolution souhaitée pour le couple.

β Si+2
V3(010) V2(110) Si+1
V3(DF,AC) V2(AF,AC)
3 2
V5(DF,DC) V6(AF,DC)
V0,7(000)
V4(011) 4 Si-2 Si-1
7 1
α V1(100)
5 6 Secteur S1
1
V5(001) V6(101) S7 (F constant, DC)
V6 (1 0 1) signifie :
1 : interrupteur en haut du 1er bras fermé ;
0 : interrupteur en haut du 2éme bras ouvert ;
1 : interrupteur en haut du 3éme bras fermé.
Figure. II.13. Partition du plan complexe en six secteurs angulaires Si=1…6.

AF : Augmenter le Flux DF : Diminuer le Flux
AC : Augmenter le Couple DC : Diminuer le Couple
Le vecteur de tension statorique Vs à la sortie de l'onduleur à appliquer au moteur, est déduit

des écarts de couple et de flux estimés par rapport à leur référence, ainsi que de la position du
vecteur φ s . Un estimateur de module de φ s et de sa position ainsi qu'un estimateur de couple

sont donc nécessaires, pour une commande DTC.
II.6.3.Estimation du flux et du couple électromagnétique
On considère le système d'axes (α,β) lié au stator du MSAP. Les équations des tensions
statoriques sont exprimées par [CAR 00], [ARI 00], [MOK 04]:
 •
 vα s = rs iα s + φ α s
 • (II.37)
vβ s = rs iβ s + φ β s
Le calcul des flux statoriques se fait selon les expressions suivantes :
 φˆ = t
 αs

∫ 0
( v α s − r s i α s ) dt
(II.38)
t
 φˆβ s = ∫ 0
( v β s − r s i β s ) dt
La version discrétisée de cet estimateur, exprimée sur une période d’échantillonnage Te,
peut être formulée de la façon suivante :
59
AMAR BECHKAOUI
φˆα s ( k + 1) = φˆαs ( k ) + [vαs ( k ) − rs iαs ( k ) ]Te

ˆ (II.39)
[
φ β s ( k + 1) = φˆβs ( k ) + v βs ( k ) − rs i βs ( k ) Te ]
Le module du flux et sa phase sont obtenus par calcul comme suit :
 φˆ = φˆ 2 + φˆ 2

s αs βs
 ˆ φˆβ s (II.40)
∠ φ s = arctg ˆ
 φαs
Une fois les deux composantes de flux sont obtenues, le couple électromagnétique peut être
estimé d'après sa formule rappelée ci-dessous :
3
Cˆ e = p(φˆαsiβs − φˆβs iαs ) (II.41)
2
II.6.4.Élaboration de la table de commutation avec séquences nulles
II.6.4.1.Régulation du flux statorique

Pour le contrôle du flux, on associe au régulateur à hystérésis du flux statorique a une variable
‘‘K φ ’’ à deux états (0 où 1), qui définit l’action désirée sur le comportement du flux
(figure II.14) [AME 12].
En effet, si on introduit l'écart ∆φs entre le flux de référence φs* et le flux estimé φˆs dans
un comparateur à hystérésis à deux niveaux (voir (figure II.13.b)), celui-ci génère à sa sortie
la valeur Kφ = +1 pour augmenter le flux et K φ =0 pour le réduire. Cela permet de plus
d’obtenir une très bonne performance dynamique du flux. Ainsi, seul les vecteurs Vi +1 ou Vi + 2
peuvent être sélectionnés pour faire évoluer le vecteur de flux statorique φs

V4
V4 V5 V3 ∆φs
V5 V4
2 φ s∗
3
V6
V3 Kφ
*
V5 +1 ∆φs = φs − φˆs
4 1 V2
a) b) εφ
-εφ
V6 V3 0
V1 5 6 V2
V6
V1 V1
V2
Figure. II.14 a) Sélection Trajectoire du flux statorique dans le plan (α, β)
b) Comparateur à hystérésis utilisé pour contrôler le module de vecteur de flux statorique.
60
AMAR BECHKAOUI
II.6.4.2.Régulation du couple électromagnétique
Connaissant la valeur du couple électromagnétique Ĉe obtenue par estimation, on va calculer

l'écart qui existe entre le couple de la machine et sa référence, celui-ci génère la valeur KCe= 1
pour augmenter le couple, KCe= -1 pour le réduire, un vecteur actif sera toujours appliqué lorsque
l’erreur de couple devient en d’hors de sa bande d’hystérésis. Le vecteur nul sera seulement
utilisé pour faire évoluer le couple à l’intérieur de la bande d’hystérésis (KCe = 0 pour maintenir
le couple constant). Tels que KCe représente l'état de sortie du comparateur et εCe la limite de la
bande d’hystérésis (voir figure II.15) [MOK 04] :
Kce
+1
-εCe ∆ C e = C e* − Cˆ e
0
εCe
-1
0
Figure. II.15. Comparateur à hystérésis à trois niveaux utilisés pour le réglage du couple électromagnétique.
II.6.5.La table de commutation avec séquences nulles
La table de vérité est élaborée en se basant sur les erreurs du flux et du couple ∆φs et ∆Ce, et
selon la position du vecteur de flux statorique (Si=1,..,6). En se basant sur la logique de réglage
du flux et du couple présenté précédemment, on peut établir le tableau classique des séquences
ci-dessous résumant la MLI vectorielle proposée par Takahashi pour contrôler le flux statorique
et le couple électromagnétique du MSAP [CAR 00].
Kφ Kc S1 S2 S3 S4 S5 S6
1 V2 V3 V4 V5 V6 V1
1 0 V7 V0 V7 V0 V7 V0
-1 V6 V1 V2 V3 V4 V5
1 V3 V4 V5 V6 V1 V2
0 0 V0 V7 V0 V7 V0 V7
-1 V5 V6 V1 V2 V3 V4
Tab. II.2.Table de la DTC classique selon Takahashi définissant les séquences d’un onduleur
II.6.6.Elaboration de la table de commutation sans séquences nulles
Dans ce cas, on n'exploite que les séquences actives (voir Tab.II.3). Cette stratégie a
l’avantage de la simplicité et permet d’éviter le caractère aléatoire lié au sens de variation du
couple lorsqu’on applique une séquence nulle en fonctionnement générateur [CAR 00],
[AME 12], [ARI 00].
61
AMAR BECHKAOUI
1 V2 V3 V4 V5 V6 V1
1
0 V6 V1 V2 V3 V4 V5
1 V3 V4 V5 V6 V1 V2
0
0 V5 V6 V1 V2 V3 V4
Tab. II.3.Table de commutation sans séquences nulles
Tension
Onduleur
continue
de tension
i c (t ) i b (t ) i a (t )
Sa Sb Sc Uc
1 V2 V3 V4 V5 V6 V1
Transformation Ωr
1 0 V7 V0 V7 V0 V7 V0
de
-1 V6 V1 V2 V3 V4 V5
Concordia
1 V3 V4 V5 V6 V1 V2
0 0 V0 V7 V0 V7 V0 V7
isβ
-1 V5 V6 V1 V2 V3 V4
i vα s v βs
Kc Kφ
( )
t
φs = ∫ V s − rs i s dt
∧
∠ φ s
0
φˆβ s
∠ φˆs = arctg Ω *r
φˆα s φαs
φs *
φ βs -
∆φs φ +
+- φˆs = φˆα2s + φˆβ2s s
∆Ce Ce
3
+- Cˆ e = p (φˆα s i β s − φˆβ s iα s )
2
*
Ce
PI
Figure. II.16 Schéma de la structure générale du contrôle direct de couple d’un MSAP.
62
AMAR BECHKAOUI
II.7. Résultats de simulation
II.7. 1. La MSAP à l’état sain

Dans la simulation suivante, la machine était initialement saine et chargée avec un
couple résistant : Cr=4N.m et Rf=200 ohm.
La figure (II.17) montre la vitesse de rotation de la MSAP à l’état sain, on remarque que la
vitesse de moteur suit leur vitesse de rotation avec une grande précision, La figure(II.18) montre
évolution de couple électromagnétique de la MSAP. Pour les figures (II.19 et II.20) on remarque
que les courants statoriques sont équilibrés et le courant du défaut égale à 0 ce qui implique que
notre machine est à l’état sain.
140 5
Le couple électromagnétique (N.m)

La vitesse de rotation (rd/s)
120
4
100
3
80
2
60
1
40
20 Wr-mot 0
Wr-ref
0 -1
0 0.2 0.4 0.6 0.8 0 0.2 0.4 0.6 0.8
Temps (s) Temps (s)
Figure. II.17. Evolution de vitesse de rotation Figure. II.18.Evolution de couple électromagnétique
de la MSAP de la MSAP
8 1
Les courants statoriques (A)
6
Le courant du défaut (A)
4 0.5
0 0
-2
-4 -0.5
-6
-8 -1
0 0.2 0.4 0.6 0.8 1 0 0.2 0.4 0.6 0.8
Temps (s) Temps (s)
Figure. II.19.Evolution du courant du défaut Figure. II.20.Evolutions des courants statorique
de la MSAP de la MSAP
63
AMAR BECHKAOUI
II.7. 2. La MSAP en présence d’un défaut de court-circuit

Nous avons simulé ensuite le cas où la phase « a » est le siège d’un court-circuit mettant en
jeu 40 de ses spires pour Rf=0 ohm. Pour les figures (II-21) et (II-22) de la vitesse et du couple
respectivement, on remarque que des ondulations du la présence du défaut de court-circuit ce qui
engendre une dégradation de santé des enroulements statoriques.
Les formes d’ondes obtenues sont présentées sur la figure (II-23) et elles concernent les
courants dans les trois phases (Ia, Ib, Ic) et le courant dans la maille du défaut (II-24). Nous
constatons que les courants de phases ne sont plus équilibrés et que les perturbations des
courants dépendent de la valeur de la résistance du défaut Rf. On remarque également que
l’amplitude du courant dans la phase en défaut (phase a) est plus élevée que celles des courants
des autres phases (Phases b,c).
Nous effectuerons à la fin de ce chapitre une analyse plus fine de ces courants en fonction du
nombre de spires en défaut et de la sévérité du défaut (différentes valeurs de Rf).
140 8
7
120
6
100
5
140
80 4
120
60 3
0.63 0.64 0.65
2
40
1 6
4
20 Wr-mot 2
0
0.58 0.59 0.6
Wr-ref
0 -1
0 0.2 0.4 0.6 0.8 0 0.2 0.4 0.6 0.8
Temps (s) Temps (s)
Figure. II.21.Evolution de la vitesse de rotation Figure. II.22.Evolution du couple électromagnétique
pour 40 spires en court-circuit à l’instant t=0.35s pour 40 spires en court-circuit à l’instant t=0.35s
64
AMAR BECHKAOUI
15 40
Les courants statoriques (A) 30

10

20
5 10
0
0
-10
-5 -20
-30
-10
-40
-15 -50
0 0.2 0.4 0.6 0.8 0 0.2 0.4 0.6 0.8
Temps (s) Temps (s)
Figure. II.23. Evolutions des courants statoriques pour 40 spires Figure. II.24.Evolution du courant du défaut pour
en court-circuit à l’instant t=0.35s. 40 spires en court-circuit à l’instant t=0.35s
II.8. Etude du comportement de la MSAP dégradé

Pour étudier la gravité de défaut, on a fait varier la résistance de défaut comme suit : Rf =0.1
ohm, Rf =0.6 ohm puis Rf = 5 ohm, tout en gardant Ncc= 40 spires. Dans un premier temps,
nous traçons l’amplitude du courant de défaut, la vitesse, le couple électromagnétique, et le
courant statorique Ia en fonction de la résistance de défaut en supposant que la machine est
alimentée par une source de tension sinusoïdale triphasée équilibrée et la machine a été entraînée
avec deux vitesses différentes : 100rd/s et puis 130rd/s .
a) b)
10 10
Ncc=40 sp 6 Rf=0.1 ohm
6
9 Ncc=25 sp 9 Rf=0.6 ohm
4 4
2 Ncc=10 sp Rf=5 ohm

8 8
2
0.61 0.615 0.62 0.56 0.565 0.57
7 7
6 6
5 5
4 4
3 3
2 2
1 1
0 0
-1 -1
0 0.2 0.4 0.6 0.8 0 0.2 0.4 0.6 0.8
Temps (s) Temps (s)
Figure. II.25.Evolution du couple électromagnétique pour : a)variation de NCC ; b) variation de Rf
65
AMAR BECHKAOUI
a) b)
140 140
120 120

100 140 100
130 130
80 80
120 120
60 0.67 0.68 60 0.66 0.67
40 40
Ncc=40 sp Rf=0.1 ohm

20 20
Ncc=25 sp Rf=0.6 ohm
Ncc=10 ps Rf=5 ohm
0 0
0 0.2 0.4 0.6 0.8 0 0.2 0.4 0.6 0.8
Temps (s) Temps s)
Figure. II.26. Evolution de vitesse de rotation pour : a)variation de NCC ; b) variation de Rf
a) b)
70
Ncc=40 sp 40 Rf=0.1 ohm
20 20
60 60 0
0 Ncc=25 sp Rf=0.6 ohm
-20
-20 Ncc=10 sp 50 Rf=5 ohm
0.59 0.595 0.6
0.54 0.56
40
40
30
20
20
10
0
0
-10
-20
-20
-40 -30
-40
0 0.2 0.4 0.6 0.8 0 0.2 0.4 0.6 0.8
Temps (s) Temps (s)
Figure. II.27. Evolution du courant du défaut If pour : a)variation de NCC; b) variation de Rf
25 10 25
10
Ncc= 40 sp Rf=0.1 ohm
0
Ncc= 25 sp 0 Rf=0.6 ohm
20 20
-10
Ncc= 10 sp -10 Rf=5 ohm
0.52 0.53
0.44 0.45 0.46
15 15
Le courant Ia (A)
Le courant Ia (A)
10 10
5 5
0 0
-5 -5
-10 -10
-15 -15
0 0.2 0.4 0.6 0.8 0 0.2 0.4 0.6 0.8
Temps (s) Temps (s)
Figure. II.28. Evolutions des courants statorique Ia pour : a)variation de NCC; b) variation de Rf
66
AMAR BECHKAOUI
Conclusion
Ce chapitre a permis tout d’abord la présentation de la machine synchrone à aimants

permanents, ses différents avantages et ses domaines d’application, puis l’établissement de sa
description mathématique ou modélisation, aussi bien, à l’état sain que dégradé, en mettant en
exergue la complexité et la non linéarité du modèle. C’est en se basant sur un ensemble
d’hypothèses simplificatrices que le modèle du MSAP dans le repère de Clark a été établi. Dans
le but de linéariser le système et de faciliter l'étude, les équations de ce modèle sont décomposées
en deux sections : les équations pour la machine non dégradée (saine) et les termes qui
apparaissent lorsqu’elle est dégradée (défaillante). Cette décomposition facilite la compréhension
des effets induits dans les paramètres normaux de la machine en présence de défauts. Puis, c’est
la modélisation de la partie d'alimentation électrique qui a été abordée. Le principe du
fonctionnement et de la commande de l'onduleur des tensions triphasés a été présenté en
annonçant les principes des MLI les plus en vue.
Les résultats de simulation montrent qu’un défaut de court circuit entre spires produit des
ondulations de fréquence double dans le couple et la vitesse. Les résultats obtenus par le modèle
sont en bonne corrélation. Ainsi, on peut conclure que le modèle peut trouver son application
dans les algorithmes de détection et de diagnostic des défauts statoriques.
67
AMAR BECHKAOUI
[ABD 05] A.A. Abdallah, Modélisation des machines synchrones à aimants permanents pour la
simulation de défauts statoriques : Application à la traction ferroviaire, thèse de doctorat, Institut
National Polytechnique de Toulouse, 2006.
[AHM 07] R.A Ahmad, Pan Zhiguo, D.M. Saban, "On-Board Electrical Network
Topology Using High Speed Permanent Magnet Generators", Electric Ship Technologies
Symposium, 2007. ESTS '07. IEEE, vol., no., pp.356,362, 21-23 May
2007.doi:10.1109/ESTS.2007.372110.
[AME 05] A. Aissa «Commande sans capteur de vitesse par DTC d’une Machine Synchrone à
Aimant Permanent dotée d’un Observateur d’ordre Complet à Mode Glissants» Thèse de
Magister, Université de Batna 2005.
[AME 12] I. Ameur , Etude comparative par Simulink des commandes FOC et DTC sans
capteur de vitesse d’un moteur synchrone à aimants permanents dotées d’un filtre de KALMAN,
Master Automatique, , Juin 2012.
[ARI 00] P. A. Arias, "Improvements in Direct Torque Control of Induction Motors", Thèse de
Doctorat, Université de Catalunya, Espagne, 2000.
[ARI 00] P. A. Arias, "Improvements in Direct Torque Control of Induction Motors", Thèse de
Doctorat, Université de Catalunya, Espagne, 2000.
[ARK 05] M. Arkan, D. K. Perovic, P. J. Unsworth, “Modelling and simulation of
induction motors with inter-turn faults for diagnosis”, Journal of Electric Power Systems
Research, Vol. 75, Issue 1, pp. 57-66. July 2005.
[AUB 14] A.Brice , “Détection des courts-circuits inter-spires dans les Générateurs Synchrones
à Aimants Permanents : Méthodes basées modèles et filtre de Kalman étendu”, these de doctorat
de l’université de Toulouse délivré par l’Institut National Polytechnique de Toulouse,France.
[BAC 06] S. Bachir, S. Tnani, J. C. Trigeassou, G. Champenois, “Diagnosis by parameter

estimation of stator and rotor faults occurring in induction machines”, IEEE Transactions
on Industrial Electronics, Vol. 53, Issue 3, pp. 963 – 972, Jun. 2006.
[BAS 01] P. S. Bastiani, "Stratégies de commande minimisant les pertes d’un ensemble
convertisseur -machine alternative : Application à la traction électrique", Thèse de Doctorat de
l’Institut National des Sciences Appliquées de Lyon, France, Février 2001.
[CAR 00] C. Carlos, "Modélisation Contrôle Vectoriel et DTC, Commande des Moteurs
Asynchrone 1", Edition Hermes Science Europe, 2000.
68
AMAR BECHKAOUI
[CAR 00]C. Carlos, "Modélisation Contrôle Vectoriel et DTC, Commande des Moteurs
Asynchrone 1", Edition Hermes Science Europe, 2000.
[CAR 99] A. J. M. Cardoso, S. M. A. Cruz, and D. S. B. Fonseca, “Inter-turn stator

winding fault diagnosis in three-phase induction motors, by Park’s Vector Approach”, IEEE
Transactions on Energy Conversion, Vol. 14, pp. 595–598, Sept. 1999.
[CHE 04] L. Chédot, Contribution à l'étude des machines synchrones à aimants permanents
internes à large espace de fonctionnement. Application à l'alterno-démarreur, thèse de
doctorat, Université de Technologie de Compiègne, 2004.
[CRU 01] S. M. A. Cruz, A. J. M Cardoso, “Stator winding fault diagnosis in three-

phase synchronous and asynchronous motors, by the ExtendedPark’s Vector Approach”, IEEE
Transactions on Industry Applications, Vol. 37, No. 5, pp. 1227 – 1233, Sept./Oct. 2001.
[DAI 05] M. Dai, A. Keyhani, T. Sebastian, “Fault Analysis of a PM Brushless DC Motor

Using Finite Element Method”, IEEE Transactions on Energy Conversion, Vol. 20, Issue 1, pp.
1-6, Mar 2005.
[FAR 08] J.A. Farooq, Etude du problème inverse en électromagnétisme en vue de la

localisation des défauts de désaimantation dans les actionneurs à aimants permanents, thèse
de doctorat, Université de Technologie de Belfort-Montbéliard,2008.
[FOD 09] D. Fodorean, A. Miraoui, "Dimensionnement rapide des machines synchrones à

aimants permanents (MSAP)", D3554 Techniques de l’ingénieur, Novembre 2009.
[GUY 00] G. Guy, et C. Guy, "Actionneurs Electriques, Principes Modèles Commande", Edition
Eyrolles, 2000.
[JOK 00] G. M. Joksimovic´, J. Penman, “The Detection of Inter-Turn Short Circuits in
the Stator Windings of Operating Motors”, IEEE Transactions on Industrial Electronics, Vol.
47, No. 5, pp. 1078 – 1084, Oct. 2000.
[LAB 95] F. Labrique, G. Seguier et R. Bausier, "Les convertisseurs de l’électronique de

puissance, Volume 4 : La conversion continu-Alternatif ", Lavoisier, 1995.
[LAK 95]G. Lacroux, "Actionneurs Electriques pour la Robotique et les Asservissements",
Lavoisier, 1995.
[LAT 06] R. Lateb, Modélisation des machines asynchrones et synchrones à aimants avec prise
en compte des harmoniques d’espace et de temps : Application à la propulsion marine par
POD, thèse de doctorat, Institut National Polytechnique de Lorraine, 2006.
69
AMAR BECHKAOUI
[MOK 04] B. Mokhtari, "Implantation de la DTFC par des Techniques de l’Intelligence

Artificielle Neuronale et Floue : Application à la Machine Asynchrone Alimentée par des
Onduleurs de Tension à deux et trois Niveaux", Thèse de Magister; université de Batna, 2004.
[RAH 00] M. F. Rahman, L. Zhong, and M E. Haque, "Voltage Switching Tables for DTC
Controlled Interior Permanent Magnet Motor", Journal of Electrical and Electronics Engineering,
Special Issue on Power Engineering, Vol. 20, No. 1, pp. 1-7, Australia, 2000.
[SAB 08] D.M. Saban, C. Bailey, D. Gonzalez-Lopez, L. Luca, "Experimental evaluation of a
high-speed permanent-magnet machine", Petroleum and Chemical Industry Technical
Conference, 2008. PCIC 2008. 55th IEEE , vol., no., pp.1,9, 22-24 Sept. 2008.
doi:10.1109/PCICON.2008.4663975.
[SAI 01] J. Saint-Michel, "Bobinage des machines tournantes à courant alternatif", D3420
Techniques de l’ingénieur, Février 2001.
[SEG 77] G. Seguier, et F. Notelet, "Electrotechnique Industrielle", Technique et

Documentation Lavoisier 1977.
[TAK 89] I. Takahashi, and Y.Ohmori, "High-Performance Direct Torque Control of an
Induction Motor", In Proceedings of IEEE Transactions on Industry Applications, Vol.25, pp.
257-264, March/April 1989.
[TAL 02] R. M. Tallam, T. G. Habetler, R. G. Harley, “Transient Model for Induction
Machines With Stator Winding Turn Faults”, IEEE Transactions on Industry Applications,
Vol. 38, No. 3, pp. 632 – 637, May –Jun 2002.
[TOU 06] B. Tounsi, S. Astier, "Comparative study of power electronics converters

associated to variable speed permanent magnet alternator", Power Electronics, Electrical
Drives, Automation and Motion, 2006. SPEEDAM 2006. International Symposium on , vol., no.,
pp.1332,1337, 23-26 May 2006.doi:10.1109/SPEEDAM.2006.1649974
[VAS 09] V. Babak, “CONTRIBUTION A L’ETUDE DES MACHINESELECTRIQUES EN

PRESENCE DE DEFAUTENTRE-SPIRES,Modélisation – Réduction du courant de défaut”,
these de doctorat deL’Institut National Polytechnique de Lorraine,France
[WEE 10] K.R. Weeber, M.R. Shah, K. Sivasubramaniam, A. El-Refaie, Qu Ronghai, C.

Stephens, S. Galioto, "Advanced permanent magnet machines for a wide range of industrial
applications", Power and Energy Society General Meeting, 2010 IEEE , vol., no., pp.1,6, 25-29
July 2010. doi:10.1109/PES.2010.5590104.
70
AMAR BECHKAOUI
[YAN 12] Xu Yang, D. Patterson, J. Hudgins, "Permanent magnet generator design and
control for large wind turbines", Power Electronics and Machines in Wind Applications
(PEMWA), 2012 IEEE , vol., no., pp.1,5, 16-18 July 2012. doi:10.1109/PEMWA.2012.6316367.
71
AMAR BECHKAOUI
Chapitre III Commande intelligente de la MSAP en tenant compte des défauts statoriques
Chapitre III
Commande intelligente de la MSAP en

tenant compte des défauts statoriques
III.1.Introduction
L
a technique de commande à structure variable (CSV) par mode glissant en anglais
Sliding Mode Control, est très connue par sa robustesse envers les incertitudes
internes (variations des paramètres de la machine), et externes (perturbations due à
la charge), et aux phénomènes ayant été omis dans la modélisation, tout en ayant
une très bonne réponse dynamique [REZ 09]. Cette commande a été proposée en premier lieu en
Union Soviétique par S.V. Emelyanov et elle a fait l’objet de nombreux travaux de recherche par
son équipe (Utkin, Taran, Kostyleva, etc.) et ce, à partir des travaux menés par le mathématicien
A.F. Philippov sur les équations différentielles à second membre discontinu [ALI 05].
Afin d'améliorer les caractéristiques de notre moteur et par conséquent, lui augmenter sa
durée de vie, un nouveau régulateur, appelée (RFT2), a été proposé. Régulateur. Le RFT2 sera
testé en utilisant un MSAP de 5kW fonctionnant sous différentes charges et lors de l’inversion
du sens de rotation, aussi bien pour l'état sain, que pour l’état dégradé suite au court circuit de
différents nombres de spires. Une étude comparative entre les deux régulateurs RFT1et RFT2 est
effectuée. Cette comparaison confirme la supériorité de notre régulateur du point de vue de la
commande et de la robustesse aux défauts statoriques.
III.2. Conception de la commande par mode glissant

Les avantages de la commande par mode de glissement sont importants et multiples, à savoir,
la haute précision, la stabilité, la simplicité, le temps de réponse très faible et notamment la
robustesse. Ceci lui permet d'être particulièrement adapté pour traiter les systèmes à modèle
imprécis, dû soit à un problème d'identification soit à un problème de modélisation [BOM 07].
Souvent, il est préférable de spécifier la dynamique du système durant le mode de convergence.
72
AMAR BECHKAOUI
Dans ce cas, la structure du contrôleur comporte deux parties. Une première continue,
représentant la dynamique du système durant le mode de glissement et une autre discontinue,
représentant la dynamique du système durant le mode de convergence. Cette deuxième est
importante dans la commande non linéaire, car elle a pour rôle d'éliminer les effets d'imprécision
et de perturbation sur le modèle [BOM 07].
La conception des contrôleurs par mode de glissement prend en compte les problèmes de
stabilité et de bonnes performances de façon systématique dans son approche, qui est divisée en
trois étapes principales : [SAI 06], [KEC 07]
• Choix de la surface
• L’établissement des conditions d’existence
• Détermination de la loi de commande
III.2.1.Choix de la surface de glissement

Le choix de la surface de glissement concerne non seulement le nombre nécessaire de ces
surfaces mais également leurs formes en fonction de l’application et de l’objectif visé. En
général, pour un système défini par l’équation d’état suivante [KHA 06] :
ɺ  = [ A ] .[ X] + [ B] .[ u ]
 X  (III.1)
Ou [ X ] ∈ℜn est le vecteur d’état, [ u ] ∈ℜm vecteur de commande, avec n>m
J.J Slotine propose une forme d’équation générale pour determiner la surface de glissement qui
assure la convergence d’une variable vers sa valeurs désirée:
n −1
 d 
S ( x, t ) =  + λ  e( t)
 dt  (III.2)
e ( t ) = X réf ( t ) − X ( t )
(III.3)
λ: est une constante positive.
n: est un degré relative, il présente le nombre de fois qu’il faut deriver la surface pour faire
apparaitre la commande.
73
AMAR BECHKAOUI
S(x)=0: est une équation différentielle linéaire dont l’unique solution est e(x) pour un choix
correct du gain λ et, c’est l’objectif de la commande.
III.2.2.Conditions d'existence de la convergence

Les conditions de convergence permettent aux dynamiques du système de converger vers les
surfaces de glissement. Nous retenons de la littérature deux conditions, celles-ci correspondent
au mode de convergence de l’état du système [KHA 06].
III.2.2.1.Fonction directe de commutation

C’est la première condition de convergence, proposée par Emilyanov et Utkin. Elle est sous la
forme :
S ( x ) .Sɺ ( x ) ≺ 0
(III.4)
Dans cette condition, il faut introduire pour S(x) et sa derivé S ( x ) , les valeurs justes à
ɺ
gauches et à droite de la surface de commutation. Puisque S(x) change de signe aux deux côtés
de la surface de commutation. La condition (III.4) est équivalente à exiger que la dérivée de
Sɺ ( x )
doit aussi changer de signe lorsqu'on passe d'un côté à l'autre de la surface de commutation
[BOM 07].
III.2.2.2.Fonction de Lyapunov
Il s’agit de formuler une fonction scalaire positive V(x)>0 pour les variables d’état du
système, et de choisir la loi de commande qui fera décroître cette fonction. Donc déterminer une
loi de commande, afin de garantir que la dérivée d'une certaine fonction scalaire, de Lyapunov
définie positive, et bien choisie, soit négative. Cette propriété doit être vérifiée le long de toutes
les trajectoires possibles du système en boucle fermée. Le problème consiste, alors, à trouver une
fonction de Lyapunov et une loi de commande qui répond aux spécifications. Pour des raisons de
stabilité, ces méthodes conviennent mieux aux systèmes non linéaires. Les solutions proposées
sont spécialement conçues pour ce type de système [BOM 07].
ɺ ( x ) ≺ 0 et V ( x ) ≻ 0
V
(III.5)
74
AMAR BECHKAOUI
En déduisant la fonction de Lyapunov et sa dérivée par :
ɺ ( x ) = 1 S2 ( x )
V
2
(III.6)
V ( x ) = S ( x ) S2 ( x )
ɺ
Pour que la fonction de Lyapunov décroît, il suffit d’assurer que sa dérivée soit négative, ceci est
vérifié si :
ɺ ( x ) = S ( x ) .Sɺ ( x ) ≺ 0
V
(III.7)
Cette équation montre que le carré de la distance vers la surface, mesuré par S2(x), diminue tout
le temps, contraignant la trajectoire du système à se diriger vers la surface des deux cotés figure
(III.1). Cette condition suppose un régime glissant idéal.
S(x)
Figure. III.1.Trajectoire de l’état vis-à-vis de la surface [BOM 07].
III.2.3.Détermination de la loi de commande
III.2.3.1.La commande équivalente

Un vecteur de commande équivalente Ueq se définit comme étant les équations du régime
glissant idéal. Nous nous intéressons au calcul de la commande équivalente et par la suite au
calcul de la commande attractive du système défini dans l’espace d’état par l’équation (III.1).
Le vecteur U est composé de deux grandeurs Ueq et Un soit [BEN 05] :
U ( t ) = U eq + U n
(III.8)
L’utilisation des équations (III.1) et (III.8) permet obtenir la commande équivalente Ueq :
75
AMAR BECHKAOUI
Nous avons :
dS ∂S ∂x ∂S ∂S
Sɺ ( x ) = = . =  f ( x, t ) + B ( x, t ) Ueq ( t )  +  B( x, t) Un 
(III.9)
dt ∂x ∂t ∂x ∂x
En mode de glissement et en régime permanent, la surface S(x) est nulle par conséquent sa
dérivée et la composante discontinue Un sont aussi nulles.
D'où, nous déduisons l'expression de la commande équivalente:
−1
 ∂S   ∂S 
U eq = −  B ( x, t )   f ( x, t )  , Un = 0 (III.10)
 ∂x   ∂x 
En portant Ueq dans l'équation (III.1), on obtient l'équation du régime glissant idéal :
−1
 ∂S  ∂S
xɺ ( t ) = f ( x, t ) − B ( x, t )  B ( x, t )  f ( x, t ) (III.11)
 ∂x  ∂x
Cette équation représente la dynamique du système équivalent dans la surface de glissement.
La commande équivalente Ueq peut être interprétée comme la valeur moyenne modulée ou
grandeur continue que prend la commande lors de la commutation rapide entre U+ (Umax) et U-
(Umin) figure (III.2) [BOM 07], [KEC 07].
Ueq
U
Umax
Umin
Figure. III.2.Commande équivalente Ueq [BOM 07].
Tant que le régime glissant est assuré [condition (III.7) vérifiée], le système décrit par
l'équation (III.1) est robuste ; il est indépendant des variations des paramètres de la partie
commandée et des perturbations qui agissent sur lui.
76
AMAR BECHKAOUI
III.2.3.2.La commande discontinue de base

L’addition du terme Un à la loi de commande permet d’assurer l’attractivité de la surface de
glissement S(x). Celle-ci est attractive si seulement si S ( x ) Sɺ ( x ) ≺ 0 . Cette condition permet de
définir la région dans laquelle le mode de glissement existe [BEN 05].
Durant le mode de convergence, on remplace le terme Ueq par sa valeur donné par (III.10) dans
l’équation (III.9). Nous obtenons donc une nouvelle expression de la dérivée de la surface, soit :
∂S
Sɺ ( x ) =  B ( x, t ) U n 
∂x  (III.12)
Le problème revient à trouver Un tel que :
∂S
S ( x ) Sɺ ( x ) = S ( x )  B ( x, t ) Un  ≺ 0 (III.13)
∂x
La solution la plus simple est de choisir Un sous la forme de relais. Dans ce cas, la commande
s’écrit comme suit:
S( x)
U n = k.sign ( S ( x ) ) = k.
S( x) (III.14)
En remplaçant l’expression (III.14) dans (III.13) on obtient :
∂S S( x)
S ( x ) Sɺ ( x ) = S ( x ) B ( x, t ) k ≺0
∂x S( x) (III.15)
∂S
Où le facteur B ( x, t ) est toujours négatif pour la classe de systèmes que nous considérons.
∂x
Le gain K doit être positif afin de vérifier les conditions de l’attractivité et de la stabilité. Le
choix de ce gain est très influent car, s’il est très petit le temps de réponse sera très long et, s’il
est choisi très grand, nous aurons des fortes oscillations au niveau de l’organe de la commande.
Ces oscillations peuvent exciter les dynamiques négligées (phénomène de Chattering), ou même
détériorer l’organe de commande.
77
AMAR BECHKAOUI
• Commande signe
Plusieurs choix pour la commande discontinue (Un) peuvent être réalisés. Le plus simple
consiste à exprimer la commande discontinue U n = [ U1 , U 2 ,...., U m ] avec la fonction ‘sign’ par
rapport à S = [S1 ,S2 ,....,Sm ]

.
sign ( S ( x ) ) = + 1 pour S ( x ) ≻ 0
sign ( S ( x ) ) = − 1 pour S ( x ) ≺ 0 (III.16)
Ce premier choix de la fonction discontinue est représenté sur la figure(III.3).
Un s’exprime donc comme :
U n = ksign ( S ( x ) )
(III.17)
Où K est un gain positif.

Un
+k
S(x)
-k
Figure.III.3.Fonction sign [BEN 05].
• Commande avec un seul seuil
Cette commande est caractérisée par un seuil figure (III.4) et la commande discontinue est
donnée par l’expression :
 U n = 0 si S ( x ) ≺ e

 (III.18)
 U n = k.sign ( S ( x ) ) si S ( x ) ≻ e
78
AMAR BECHKAOUI
Un
+k
S(x)
-e +e
-k
Figure. III.4. Fonction sign de la commande avec un seul seuil [BEN 05].
• Commande adoucie
Dans le but de diminuer progressivement la valeur de la commande Un en fonction de la

distance entre la trajectoire de la variation à régler, et la surface de glissement, donc il s’agit
d’encadrer la surface par une bande avec un ou deux seuils.
On peut distinguer trois zones qui dépendent de la distance du point à la surface de

glissement. Si la distance est supérieure au seuil e2, alors la fonction sign est activée. Si la
distance est inférieure au seuil e1 alors Un est nulle (zone morte). Si le point est dans la bande (e1,
k
e2), alors Un est une fonction linéaire de la distance (droite de pente ) figure III.5.
e 2 − e1
Un
+k
-e2 -e1 S(x)

e2 e1
-k
Figure. III.5.Fonction sign de la commande adoucie [BEN 05].
• Commande continue avec composante intégrale [SAI 06]
Les oscillations de hautes fréquences qui apparaissent sur les réponses en régime glissant
peuvent être évitées en rendant continue la commande Un et en remplaçant la fonction sign par la
fonction continue suivante figure III.6 :
S( x )
U n = k. (III.19)
S( x ) + λ
79
AMAR BECHKAOUI
Où λ: est un paramètre définissant le degré d'atténuation des oscillations. Lorsque λ →0 on tend

vers la commande K.sign (S(x)).
Un
+k
S(x)
-k
Figure .III.6. Commande rendue continue [SAI 06].
Afin d'augmenter la précision de la réponse du système, on peut utiliser une commande continue
incluant une composante intégrale.
La loi d'attractivité sera donc :
S( x )
U n = k. +η (III.20)
S( x ) + λ
Tel que :
λ = λ0 + γ
Avec :

 γ = γ 0 ∫ S ( x ) .dt si S ( x ) ≺ e

 = 0 si S ( x ) ≻ e
γ
Et
η = η S ( x ) .dt si S ( x ) ≺ e
 0∫

 = 0 si S ( x ) ≻ e
η
Où λ 0 , γ 0 , η0 , e sont des constantes ou paramètres adaptatifs en fonction des références.

L’utilisation de la commande rendue continue (intégrale), est l'une des meilleures solutions
proposées. Elle diminue considérablement l’amplitude des oscillations de hautes fréquences.
Pour cette raison, elle sera retenue comme loi d’attraction.
80
AMAR BECHKAOUI
III.2.4.Application de la commande par mode glissant à la MSAP [LI 09],

[CHA 10], [AIS 08]
Après avoir présenté la théorie de la commande par mode glissant figure(III.7), nous allons
analysé dans ce qui suit le comportement du système commandé par mode glissant. On reprend
le modèle du moteur synchrone à aimants permanents exprimé sous la forme suivante :
ɺ Rs L 1
Id = − I d + pΩ q I q + ud
 L d L d L d
ɺ Rs L 1 1
Iq = − I q − pΩ d I d − ϕ f pΩ + uq (III.21)
 L q L q L q L q

Ωɺ = p [(L − L )I I + I ϕ ] − 1 C − F Ω
d q d q q f r
 J J J
Synthèse de la commande par mode glissant :
On prend les surfaces suivantes :
S(Ω) = Ωref − Ω (III.22)
S(Id ) = Idref − Id (III.23)
S(Iq ) = Iqref − Iq (III.24)
III.2.4.1. Pour le régulateur de vitesse

L'erreur de la vitesse est défini par :
e = Ωref − Ω (III.25)
Pour n = 1, l'équation de contrôle de la vitesse peut être obtenue à partir de l'équation (III.2)
comme suit:
S( ɺ + F Ω − p ϕf I + 1 C
ɺ Ω) = Ω (III.26)
ref q r
J J J
Le contrôle du courant Iq est définie par :
Iqref = Ieq
q + Iq
n
(III.27)
Dans laquelle :
J ɺ F 1 
q =
Ieq  Ω ref + Ω + Cr  (III.28)
pϕf  J J 
81
AMAR BECHKAOUI
Iqn = K Ω sgn ( s(Ω ) ) (III.29)
K Ω : Constant positive
III.2.4.2.Pour la commande de la composante directe du courant statorique
L'erreur de courant Id est définie par :
ed = Idref − Id (III.30)
ɺ ) = ɺI − ɺI
S(I (III.31)
d dref d
D’après la dérivée de la surface du courant Id , on peut générer la tension sur l’axe d,
ɺ ) = ɺI + R s I − pΩ Lq I − 1 u
S(I (III.32)
d dref d q d
Ld Ld Ld
La tension de commande u dref est définie par
u dref = u eq
d + ud
n
(III.33)
ɺ Rs Lq 
d =  Idref +
u eq Id − pΩ Iq  L d (III.34)
 Ld Ld 
u dn = K d sgn ( s(Id ) ) (III.35)
K d : Constant positive
III.2.4.3. Pour la commande de la composante en quadratique du courant

statorique
L'erreur de courant Iq est définie par :
ed = Iqref − Iq (III.36)
ɺ ) = ɺI − ɺI
S(I (III.37)
q qref q
D’après la dérivée de la surface du courant Iq , on peut exprimer la tension du contrôle sur l’axe
q La tension de commande u qref est définie par :
u qref = u eq
q + uq
n
(III.38)
82
AMAR BECHKAOUI
 
ɺI + R s I + pΩ Ld I + pΩ ϕf
q =
u eq
 qref Lq q d  L q (III.39)
 Lq Lq 
(
u qn = K q sgn s(Iq ) ) (III.40)
K q : Constant positive.
Ωref Iqref Uq
+ S(Ω) + S(Iq)
Ωmot- - T-1 Onduleur
Idref=0 + Ud
S(Id)
-
ϴ
ʃ
Iq
Id T
Figure.III.7. Schéma globale de stratégie de la CMG avec trois surfaces [AIS 08].
III.3. Principe de la logique Floue
III.3.1. Logique Floue Type-1
Historiquement, La logique floue, ou plus généralement le traitement des incertitudes, est

l’une des classes de l’intelligence artificielle. Elle a pour objet l’étude et la représentation des
connaissances imprécises et le raisonnement approché [CHO11]. Elle a été présentée par le
philosophe Max Black dès 1937, le concept de la logique floue fut réellement introduit en 1965
par Lotfi Zadeh, un professeur d'électronique à l'université de Berkeley (USA). Sa théorie
"Fuzzy Set Theory" n'eut pas un succès immédiat. Elle fut développée surtout en Europe et au
Japon. L’idée de base a pris naissance lorsqu’on a constaté la difficulté de programmer un
automate en vue de la réalisation d’une tâche, cependant jugée simple à réaliser par un être
humain. Le mode de raisonnement humain et le moyen de formaliser la connaissance humaine
dans un langage accessible à une machine constituent, donc, les deux principaux sujets de
réflexion qui ont mené à l’apparition de la logique floue. Freinée par la réticence à appréhender
un nouveau concept et par des difficultés de réalisation pratique, la logique floue ne débouche
réellement qu'en 1990 avec l'apparition de produits et de systèmes utilisant cette technique
[AME05],[NAB10]. Et en 1995 grâce à Jang, l’application de la logique floue s’élargit aux
systèmes à réseaux de neurones et à l’intelligence artificielle [BAR03]. Aujourd'hui, la logique
floue est arrivée à maturité et est utilisée dans de nombreux produits destinés au "grand public"
notamment au Japon. Sa mise en œuvre est maintenant facilitée par la disponibilité de
83
AMAR BECHKAOUI
microprocesseurs dédiés et d'outils puissants de développement. La logique floue ne remplace

pas nécessairement les systèmes classiques de régulation. Elle est complémentaire et utilisée
particulièrement lorsqu’on ne dispose pas de modèle mathématique précis du processus à
commander, ou lorsque ce dernier présente de fortes non linéarités ou imprécisions. De plus,
l’intérêt de la logique floue réside dans sa capacité de traiter l’imprécis, l’incertain et le vague.
Ainsi, le succès de la commande en logique floue trouve en grande partie son origine dans sa
capacité à traduire une stratégie de contrôle d’un opérateur qualifié en ensemble de règles
linguistiques facilement interprétables [BAR03].
Le concept de la logique floue vient de la constatation que la variable booléenne, qui ne peut
prendre que deux valeurs (vrai ou faux) est mal adaptée à la représentation de la plupart des
phénomènes courants. En effet, cette logique classique considère qu'une proposition est soit vraie
soit fausse. Cela permet de répondre à de nombreuses situations, mais dans certains cas une
transition «abrupte» est gênante. En revanche la logique floue distingue une infinité de valeurs
de vérité (entre 0 et 1) [BüH94].
III.3. 1.Domaines d’application
Les systèmes flous ont été utilisés dans une large variété d’applications industrielles,
gestionnaires, et médicales. Parmi ses principaux domaines de recherche et d’application on peut
citer [AME05] :
• Systèmes audio-visuels (appareils de photos autofocus, caméscope à stabilisateur

d'images, photocopieurs, ...)
• Appareils électroménagers (lave-linge, aspirateurs, autocuiseurs, ...etc.)
• Systèmes autonomes mobiles
• Systèmes de transport (train, métro, ascenseur, ...)
• Systèmes de conditionnement d'ambiance
• Automatisation de la production du fer et de l’acier, purification de l’eau, chaînes de

montage et robots de fabrication
• Commande des instruments (capteurs, et instruments de mesure), et reconnaissance de

voix et de caractère
• Conception, jugement et décision (consultation, investissement et développement,

horaires de train), diagnostic, reconnaissance
84
AMAR BECHKAOUI
• Commande des unités arithmétique, micro-ordinateurs, et réalisation des opérateurs.

Traitement d’information telles que les données, recherche de l’information, modélisation
de systèmes,…etc.
• Systèmes de contrôle/commande dans la plupart des domaines industriels de production,

transformation, traitement de produit et déchet
III.3.2.Avantages et inconvénients de la commande par la Logique Floue
La commande par logique floue réunit un certain nombre d'avantages et de désavantages. Les
avantages essentiels sont [ELB09] :
• La non nécessité d’une modélisation mathématique rigoureuse du processus
• La possibilité d'implanter des connaissances (linguistiques) de l'opérateur de processus
• La maîtrise du procédé avec un comportement complexe (fortement non-linéaire et

difficile à modéliser)
• La réduction du temps de développement et de maintenance
• La simplicité de définition et de conception
Par contre les inconvénients sont [NAB10], [ELB09] :
• Le manque de directives précises pour la conception d'un réglage (choix des grandeurs à
mesurer, détermination de la fuzzification, des inférences et de la défuzzfication)
• L'approche artisanale et non systématique (implantation des connaissances des opérateurs

souvent difficile)
• La difficulté de montrer la stabilité dans tous les cas
• La cohérence des inférences non garantie a priori (apparition de règles d'inférence

contradictoires possible).
III.3.3.Structure générale d’un system Flou
La commande par la logique floue est en pleine expansion. En effet, cette méthode permet
d'obtenir une loi de réglage souvent très efficace sans devoir faire des modélisations
approfondies. Par opposition à un régulateur standard ou à un régulateur à contre-réaction d'état,
le régulateur par logique floue ne traite pas une relation mathématique bien définie, mais utilise
des inférences avec plusieurs règles, se basant sur des variables linguistiques. Par des inférences
avec plusieurs règles, il est possible de tenir compte des expériences acquises par les opérateurs
d'un processus technique [BüH94].
85
AMAR BECHKAOUI
Généralement le traitement d’un problème par la logique floue se fait en trois étapes
figure(III.8) :
• La quantification floue des entrées, appelée aussi la Fuzzification. Elle permet la
conversion des variables des entrées qui sont des grandeurs physiques, en grandeurs
floues, ou variables linguistiques
• L’établissement des règles liant les sorties aux entrées, appelé l’Inférence floue
• La Défuzzification qui est l’opération inverse de la fuzzification. Elle consiste à
transformer les variables linguistiques en variables réelles ou numériques.
Base de règles floues

Si-Alors
DEFUZZIFICATION
FUZZIFICATION
x y
Moteur d’inférence
INFERENCE
Figure.III.8. Système flou [BüH94].
Où :
x(t) : est le signal de commande.
y ( t ) : est la sortie du système à commander.
III.3.4.Elements de base de la Logique Floue

III.3.4.1.Variables floues et fonctions d'appartenance
Lotfi ZADEH a considéré la théorie des ensembles flous comme une extension à la théorie
classique. En effet, un ensemble flou est défini par une fonction d’appartenance dont les valeurs
varient entre 0 et 1, et qui représente le degré d’appartenance d’un élément à ensemble appelé
univers de discours. Ces fonctions peuvent avoir plusieurs formes figure(III.9): trapézoïdale,
triangulaire ou gaussienne ; seule l’expérience peut nous indiquer la forme adéquate [BAR 03].
L’entrée x varie dans un domaine appelé univers de discours X, divisé en un nombre fini
d’ensembles flous de telle sorte que dans chaque zone il y a une situation dominante. Afin de
faciliter le traitement numérique et l’utilisation de ces ensembles, on les décrit par des fonctions
86
AMAR BECHKAOUI
convexes dite d’appartenance [HUS 09]. Elles admettent comme argument la position de x dans
l’univers de discours, et comme sortie le degré d’appartenance de x à la situation décrite par la
fonction.
P2 P3 P2 P3 P3=P3 P2 P3
1
0
P1 P4 P1 P4 P1 P4 P1 P4
µ Degré de vérité de la
variable floue
1
Grandeur d'entrée
0
Figure. III.9.Différents formes d’une fonction d'appartenance [BAR 03].
III.3.4.2.Fuzzification
La fuzzification proprement dite consiste à définir des fonctions d’appartenance pour les
différentes variables linguistiques. Le but est la conversion d’une grandeur physique en une
variable linguistique. Il s’agit d’une projection de la variable physique sur les ensembles flous
caractérisant cette variable [ELB 09]. Cette opération permet d’avoir une mesure précise sur le
degré d’appartenance de la variable d’entrée à chaque ensemble flou. Afin de garantir la
couverture uniforme de l’univers de discours et d’éviter les indécisions ou les confusions entre
les règles, on doit vérifier les propriétés suivantes :
1. Complémentarité : Des ensembles flous E1, …, EN sont dits complémentaires, si pour tout
élément x de l’univers de discours, il existe au moins un ensemble flou Ei,1≤i≤N, tel que le
degré d’appartenance de x à Ei est non nul.
2. Consistance : des ensembles flous E1, …, EN sont dits consistants si un élément x vérifie µEi
(x)=1 alors, µEj (x)<1 pour tout j≠i.
III.3.4.3.Inférence
Les connaissances de l’opérateur humain sur un processus donné sont transformées en un ensemble de
règles floues de la forme suivante :
87
AMAR BECHKAOUI
Si prémisse Alors conclusion (III.41)
Où la prémisse est un ensemble de conditions liées entre elles par des opérateurs flous.
La partie conclusion peut être une description d’évolution dans le cas d’identification ou une
action dans le cas de commande. Les opérateurs flous utilisés dans la partie prémisse sont les
conjonctions : "ET" et "OU".
L’interprétation de ces conjonctions dépend directement du type du moteur d’inférence

adopté. La relation entre la prémisse et la conclusion "Alors" peut être traduite par le produit ou
le minimum.
SI x1 est E1 j ET x 2 est E 2 j ET… ET x n est E n j ALORS U j = C j (III.42)
Où x i ( i = 1,....., n ) sont les entrées du système flou, Ei j est l’ensemble flou correspondant à
ème
l’entrée x i , C j est un singleton et UJ est la sortie de la j règle. L’opérateur "ET" est interprété
par le produit algébrique et "Alors" par le produit.
La sortie du système flou fait intervenir, généralement, plusieurs règles floues. La liaison
entre ces règles se fait par l’opérateur "OU", ainsi la conclusion finale u sera :
u : Est : u1 OU u2 OU… OU um. (III. 43)
L’agrégation des règles définie par "OU" est obtenue par la somme algébrique.
III.3.4.4.Defuzzification
La transformation d’une information floue en une information déterminée est la

défuzzification (concrétisation). Pendant cette étape se fait la déduction de la grandeur de sortie
numérique à partir de l’inférence floue. Il s’agit de calculer à partir des degrés d’appartenance à
tous les ensembles flous des variables d’entrées et des ensembles flous de la variable de sortie,
une valeur numérique de la variable de sortie en utilisant un ensemble de règles. Parmi les
stratégies de défuzzification, on cite [BüH94], [BAR 03]:
1. la méthode du centre de gravité (qu’on a appliquée dans ce travail) ;

2. la méthode du maximum ;
3. la méthode de la moyenne des maximums.
88
AMAR BECHKAOUI
III.3.4.5.Défuzzification par la méthode du centre de gravité
Elle est plus performante. Elle consiste à tracer, sur un même diagramme, les différentes
zones trapézoïdales correspondant à chacune des règles, et à calculer le centre de gravité de la
zone consolidée. La méthode de défuzzification la plus mentionnées dans la littérature est celle
de la détermination du centre de gravité de la fonction d'appartenance résultante µ(x). Dans ce
contexte, il suffit de calculer l'abscisse xr.
L'abscisse de centre de gravité peut être déterminée à l'aide de la relation générale [MOK 04],
[BAR 03], [BüH94], [ELB 09] :
x1
∫x0
xµ ( x ) dx
xr = x1 (III.44)
∫ µ( x) dx
x0
L’intégrale au dénominateur donne la surface, tandis que l’intégrale au numérateur

correspond au moment de la surface. Ces deux cas intégrales sont sur l’univers de discours de la
variable de sortie ((∑x1x2) dans ce cas).
L’expression de la méthode du centre de gravité associée à la méthode d’inférence somme
produit est donnée par [AME 06 ]:
n
∑µ x Si
ci Gi
∆U = i =1
n
(III.45)
∑µ i =1
ci Si
III.3.4.6.Conception d’un estimateur Flou pour la regulation de vitesse de la

MSAP par la commande à mode glissant
Pour les systèmes mono variables simples, les entrées du contrôleur flou sont généralement
l’erreur (la différence entre la consigne et la sortie du processus) et sa variation (traduction de la
dynamique de système). La majorité des contrôleurs développés utilisent le schéma simple
proposé par Mamdani. Notre travail consiste à remplacer un régulateur PI classique par un
régulateur flou pour rendre la commande à mode glissant plus fiable et robuste. Donc, on a
retenu pour le régulateur PIF [CHO 11], [NAB 10], [ELB 09],[BECH 15], [BECH 16]:
Une structure proportionnelle-intégrale, où le régulateur flou reçoit dans ces deux

entrées l’erreur de la vitesse du MSAP par rapport à la référence e et sa variation ∆ e .
89
AMAR BECHKAOUI
Une sortie représentant la variation du couple électromagnétique comme le montre

la figure III.10 :
e
Ge E ∆u
Règles floues ∆U u
Fuzzification Défuzzification G∆U Ʃ
Inférence
∆e
Ωréf ∆E
+ Calcule ∆e G∆e
Ωr
-
Processus à commander
Figure. III.10.Schéma synoptique d’un contrôleur flou de vitesse.
Les deux entrées du contrôleur sont l’erreur de vitesse et sa variation :
L’erreur de vitesse notée est définie par :
e = Ω ref − Ω r (III.46)
La variation de l’erreur de vitesse notée est définie par :
∆ e = e ( t + ∆t ) − e ( t ) = e ( k + 1) − e ( k ) (III.47)
La sortie du régulateur correspond à la variation de la commande ou du couple électromagnétique

notée ∆u .
Les trois grandeurs, e, ∆e et ∆u sont normalisées comme suit :
E = G e e

∆E = G ∆e ∆e (III.48)
∆u = G ∆U
 ∆u
Où G e , G ∆e et G ∆u sont des gains de normalisation, et jouent un rôle déterminant sur les performances
statiques et dynamiques de la commande. Le choix adéquat de ces gains permet de garantir la stabilité et
d’améliorer la commande.
(i) (ii)
Figure. III.11. Les fonctions de membership de RF-1 (i) l’erreur de vitesse eω r et la variation de l’erreur de
vitesse ∆ eω r et (iii) le variable de sortie
*
Ce
La base des règles représente la stratégie de commande et le but désiré par le biais des règles
de commande linguistiques [GAD 09]. Elle permet de déterminer la décision ou l’action à la
90
AMAR BECHKAOUI
sortie du contrôleur flou et exprimer qualitativement la relation qui existe entre les variables
d’entrées et la variable de sortie.
A partir de l’étude du comportement du système, nous pouvons établir les règles de
commande, qui relient la sortie avec les entrées. Comme nous l’avons mentionné, chacune des
deux entrées linguistiques du contrôleur flou possède sept ensembles flous, ce qui donne un
ensemble de quarante sept règles. Celles-ci peuvent être représentées par la matrice d’inférence
suivante [KOU 08], [AME 10]:
∆e
NG NM NP ZE PP PM PG
e
NG NG NM NM NG NP NP ZE
NM NM NM NM NM NP ZE PP
NP NM NP NP NP ZE PP PP
ZE NP NP NP ZE PP PP PM
PP NP NP ZE PP PP PP PM
PM NP ZE PP PM PM PM PG
PG ZE PP PM PM PM PM PG
Tab. III.1.Matrice d’inférence des règles floues.
La logique de détermination de cette matrice des règles est basée sur une connaissance
globale ou qualitative du fonctionnement du système. A titre d’exemple, prenons les deux règles
suivantes [ELB 09]:
"Si E est EZ et ∆E est PG alors ∆U est PG "
"Si E est EZ et ∆E est PG alors ∆U est EZ"
Elles indiquent que si la vitesse est trop petite par rapport à sa référence ( E est PG ) , alors il
faut un appel de couple grand ( ∆U est PG ) pour ramener la vitesse à sa référence. Et si la
vitesse atteint sa référence et s’établit ( E est EZ et ∆E est EZ) alors garder le même
couple) ( ∆U est EZ ) .
On a adopté la méthode d’inférence ″Somme-produit″. Dans cette méthode l’opérateur

("ET") est représenté par la fonction Produit, l’opérateur ("OU") par la fonction Somme ou
Moyenne et pour la conclusion, l’opérateur ("Alors") est représenté par la fonction Produit.
Alors la sortie floue résultante du régulateur c’est la contribution des 49 règles floues de la
matrice d’inférence, elle est donnée par :
91
AMAR BECHKAOUI
1 49 (III.49)
µ rés ( x ) = ∑ µriµxi ( x )
49 i =1
Tels que :
µ ri :c’est le degré de vérification de la condition de la i ème règle (produit du degré
d’appartenance de E et ∆E aux deux ensembles flous de la i ème règle) ;
µ xi ( x ) :C’est l’ensemble flou de la commande ∆U correspondant à la conclusion de la i ème
règle et x est une valeur de la commande ∆U variant dans l’univers de discours.

On a adopté la méthode du centre dans notre travail.
L’abscisse du correspondant à la sortie du régulateur est donnée par la relation suivante :
1
∫ xµrés ( x ) dx
−1
x G = ∆U = 1 (III.50)
∫ µrés ( x ) dx
−1
La forme discrète la méthode centre de gravité suivante dans le cas de la méthode d’inférence
Somme-Produit est donnée par [AME 10], [ELB 09]:
49
∑ µri x GiSi
∆U = 1
49 (III.51)
∑ µriSi
1
Où Si est la surface de l’ensemble flou de la commande ∆U correspondant à la i ème règle et

x G est l’abscisse de son centre de gravité.
III.4. Généralités sur la logique Floue Type-2 [HUS 08]

Comme il est connu dans la littérature, les systèmes flous sont constitués par des règles. La
connaissance utilisée pour construire ces règles est d’une nature incertaine. Cette incertitude
mène alors à obtenir des règles dont les prémisses ou les conséquences soient incertaines, ce qui
donne des fonctions d’appartenance incertaines. Les systèmes flous type-1 dont les fonctions
d’appartenance sont des ensembles flous type-1, sont incapables de prendre en compte de telles
incertitudes de règles. Nous introduisons dans ce qui suit une nouvelle classe de systèmes flous
appelée système flou type-2 dans laquelle les valeurs d’appartenance des prémisses ou des
conséquences sont elles-mêmes des ensembles flous type-1. Les ensembles flous type-2 sont très
efficaces dans les circonstances où il nous est difficile de déterminer exactement les fonctions
92
AMAR BECHKAOUI
d’appartenance pour les ensembles flous ; par conséquent, ils sont très efficaces pour
l’incorporation des incertitudes.
La théorie des probabilités est utilisée pour modéliser l’incertitude aléatoire, dans laquelle la
fonction de distribution de probabilité (fdp) incarne la totalité des informations concernant les
incertitudes aléatoires. Dans la plupart des applications pratiques, il est impossible de connaître
ou de déterminer la fdp. Ainsi, on est obligé d’admettre le fait qu’une fdp serait complètement
caractérisée par l’ensemble de ses moments.
On considère que la sortie d’un système flou type-1 correspond à la valeur moyenne d’une
densité de probabilité fdp. Donc, nous devons considérer que la défuzzification pour un système
flou de type-1 est équivalente au calcul de la moyenne d’une fdp. La variance nous fournit une
mesure de dispersion autour de la valeur moyenne, et elle est généralement utilisée pour
considérer plus d’informations concernant les incertitudes statistiques. Par conséquent, les
systèmes flous ont aussi besoin d’une certaine mesure de dispersion pour leur permettre de tenir
compte des incertitudes de règles. La logique floue de type-2 permet d’introduire ces mesures de
dispersion.
Dans ce qui suit, nous allons introduire la logique floue type-2, et présenter tous les points
clefs de cette technique. Le concept des ensembles flous type-2 a été introduit par Zadeh [Zad,
75], [Joh 07] comme extension du concept de l’ensemble flou ordinaire appelé ensemble flou
type-1. Un ensemble flou type-2 est caractérisé par une fonction d’appartenance floue, c’est à
dire, la valeur d’appartenance (degré d’appartenance) de chaque élément de l’ensemble est un
ensemble flou dans [0, 1]. De tels ensembles peuvent être utilisés dans les situations où nous
avons de l’incertitude sur les valeurs d’appartenance elles mêmes. L’incertitude peut être soit
dans la forme de la fonction d’appartenance ou dans l’un de ses paramètres.
Considérons la transition des ensembles ordinaires vers les ensembles flous. Lorsque nous ne
pouvons pas déterminer le degré d’appartenance d’un élément à un ensemble par 0 ou 1, on
utilise les ensembles flous type-1. Du même, lorsque nous ne pouvons pas déterminer les
fonctions d’appartenance floues par des nombres réels dans [0, 1], on utilise alors les ensembles
flous type-2. Donc, idéalement, nous aurons besoin d’utiliser des ensembles flous type-∞ pour
compléter la représentation de l’incertitude. Bien sur, nous ne pouvons pas réaliser cela
pratiquement, parce que nous devons utiliser des ensembles flous de type fini. De ce fait, les
ensembles flous type-1 peuvent être considérés comme une approximation du premier ordre de
l’incertitude, alors que les ensembles flous type-2 seront considérés comme approximation du
93
AMAR BECHKAOUI
deuxième ordre. La structure d’un système flou type-2 est représentée dans la figure (III-12)
[Hag 07]. Nous allons supposer dans cette section que les fonctions d’appartenance des
prémisses et des conséquences sont de type-2.
Traitement de sortie
Base de
Règles Sortie non
Défuzzification floue
Ensemble
Fuzzification Réduction de flou de type
Entrée type
réduit
Non floue
Moteur
Ensembles flous d’entrée d’Inférence Ensemble flou de sortie
Figure (II1-12). Structure d’un système flou type-2, avec ses deux sorties :(a) l’ensemble de type réduit
(b) la sortie défuzzifiée.
III.4.1. Fuzzification
Contrairement à la fonction d’appartenance type-1, La fonction d’appartenance type-2 donne

plusieurs degrés d’appartenance (ou dimensions) pour chaque entrée. Par conséquent,
l’incertitude sera mieux représentée. Cette représentation va nous permettre de tenir compte de
ce qui a été négligé par le type-1.
Pour illustrer cet aspect, nous allons considérer une fonction gaussienne avec:
1. une incertitude au niveau de la variance (figure (III-13)).

2. une incertitude au niveau du centre (figure (III-14)).
Dans notre thèse, seule la fuzzification de type singleton sera utilisée, en d’autres termes,
l’entrée floue est un point singulier possédant une valeur d’appartenance unitaire. Malgré cela, la
fuzzification produit des degrés d’appartenance nombreux.
Afin de faciliter le calcul, nous ne prenons que deux degrés ; le plus grand et le plus petit.
Mathématiquement, pour une entrée x nous aurons µ Aɶ ( x ) et µ Aɶ ( x ) tel que, µ Aɶ ( x ) et µ Aɶ ( x )
sont respectivement la valeur minimale et maximale de l’intervalle d’activation correspondant à

l’entrée x . Si nous avons x = 4 comme entrée, donc nous aurons µ Aɶ ( x ) = 0.05 et µ Aɶ ( x ) = 0.45
(selon la figure (1-3)) ou µ Aɶ ( x ) = 0.29 et µ Aɶ ( x ) = 0.69 (selon la figure (III-14)).
94
AMAR BECHKAOUI
Les figures (III-13) et (III-14) montrent aussi la construction d’un ensemble flou type-2 à partie
d’un ensemble flou type-1.
Gaussienne
1
0.9
0.8
0.7
0.6
Intervalle d’activation
0.5 correspondant à x = 4
0.4
0.3
0.2
0.1
0
0 1 2 3 4 5 6
m
Figure (III-13). Ensemble flou type-2 représentant un ensemble flou type-1 avec une incertitude de variance
Gaussienne
1
0.9
0.8
Intervalle d’activation
0.7 correspondant à x = 4
0.6
0.5
0.4
0.3
0.2
0.1
0
0 1 2 3 4 5 6
m
Figure (III-14). Ensemble flou type-2 représentant un ensemble flou type-1 avec une incertitude de valeur moyenne
III.4.2. Inférence
La différence entre le type-1 et le type-2 réside seulement dans la nature des fonctions
d’appartenance, donc, la structure des règles dans le cas du type-2 va rester exactement la même.
La seule différence étant que quelques (ou toutes) les fonctions d’appartenance seront de type-2 ;
alors, la jème règle d’un système flou type-2 aura la forme [Men 02]:
95
AMAR BECHKAOUI
SI x1 est Eɶ1j ET x2 est Eɶ 2j ET… ET xn est Eɶ nj ALORS u j = cɶ j (III-52)
où xi ( i = 1,..., n ) sont les entrées du système flou, Eɶi j est l’ensemble flou de type-2
correspondant à l’entrée xi , cɶ j est un singleton de type-2 et u j est la sortie de la j ème règle.
L’opérateur "ET" est interprété par le produit algébrique et "Alors" par le produit.
Il n’est pas nécessaire que toutes les fonctions d’appartenance des prémisses et des conséquences
soient de type-2. Il suffit qu’une seule fonction d’appartenance dans une prémisse ou dans une
conséquence soit de type-2 pour que tout le système le soit aussi.
Le degré d’activation correspondant à la jème règle est alors :
E j (x °) =  e (x °) , e (x °)  ≡  e , e 
j j j j
   
(III-53)
j
où e (x°) et e (x°) peuvent être écrits sous la forme :
j
1
( ) n
( )
e j ( x° ) = µ Aɶ j x1° ∗⋯ ∗ µ Aɶ j xn° = ∏ i =1 µ Aɶ j xi°
n
i
( ) (III-54)
( )
µ Aɶ j x1° est la valeur minimale de l’intervalle d’activation correspondant à x = x1° .
1
e
j
( x°) = µ Aɶ
1
j ( x ) ∗⋯ ∗ µ ( x ) = ∏
°
1 Aɶnj
°
n
n
i =1 ( )
µ Aɶij xi° (III-55)
( )
µ Aɶ1j x1° est la valeur maximale de l’intervalle d’activation correspondant à x = x1° .
tel que * représente l’opérateur de multiplication.
III.4.3. Défuzzification
Pour obtenir la sortie non floue, nous allons transformer l’ensemble flou type-2 en ensemble
flou type-1 utilisant la méthode des centres d’ensembles [Men 07]. Karnik et Mendel ont proposé
l’équation (III-56) pour faire cette réduction :
∑
M
cɶ j e j
Y ( C ,…,C ,E ,…,E
1 M 1 M
)=∫ ⋯∫ ∫ ⋯∫ 1 j =1
= [ cL ,cR ] (III-56)
∑
C1 CM E1 EM M
j =1
ej
où Y est l’ensemble de type réduit caractérisé par ses deux points : à gauche yl et à droite yr .
cɶ j est un élément de l’intervalle type-2 C j =  cLj , cRj  .
e j est un élément de l’intervalle d’activation E j =  e , e  .

j j
 
96
AMAR BECHKAOUI
Le type réduit par (III-56) sera déterminé par le point le plus à droite et celui le plus à gauche, yl
et yr respectivement.
En appliquant le centre de gravité au type réduit, la sortie non floue sera donnée par:
yl + yr
Y = (III-57)
2
yl peut être écrit comme un vecteur de fonctions à base floue (FBF) :
∑c e l
j
l
j
M
= ∑ cljξ l j = cl ξ l ( x)
j =1 T
yl = M (III-58)
∑ elj
j =1
j =1
où
j j
elj est le degré d’activation (soit e ou e ),
ξ l ( x) = ξl1 ,… , ξlM  , et
cl =  cl1 ,… , clM  est la conclusion de système floue type-2.

T
elj
ξl j = M
(III-59)
∑e
j =1
l
j
De la même façon,
∑c e j j
r r M
= ∑ crjξ rj = cr ξ r ( x)
j =1 T
yr = M (III-60)
∑e
j =1
r
j j =1
erj
ξ =
r
j
M
(III-61)
∑e
j =1
r
j
Finalement, (III-57) peut être réécrite:
97
AMAR BECHKAOUI
cTl ξ l + cTr ξ r (III-62)

Y=
2
Dans notre étude nous avons utilisé les fonctions de membechip montré dans la
figure (III.15).
(i) (ii)
Figure. III.15. les fonctions de membership de RF-2 (i) l’erreur de vitesse eω r et la variation de l’erreur de vitesse
∆ eω r et (iii) le variable de sortie C e *
III.5.Résultats de simulation
Les paramètres de MSAP utilisé pour la simulation se trouvent dans l’annexe –A-
III. 5.1. Cas d'une machine saine

Dans ce cas, on pose la résistance de défauts Rf=200, et on applique plusieurs couples de
charge (Cr=1n.m à t=0.1 ; Cr=3n.m à t=0.2 ; Cr=5n.m à t=0.3 ) ensuite on inverse le sens de
rotation de la MSAP à l’instant t=0.5s de +100rd/sec à -100rd résultats de simulation . Les
résultats montrent que le flux statorique, le couple électromagnétique et la vitesse de rotation
suivent convenablement leurs consignes pour les deux régulateurs intelligents. De plus, on
remarque qu’avec l’utilisation de RFT2, le temps de réponse et la rejection par le couple de
charge est très petit rapport au RFT1 ; les figures (III.16, III.17, III.18) illustrent ces résultats.
La figure III.19 montre l’analyse spectrale du courant statorique pour les deux régulateurs
intelligents, on remarque que le THD diminue lorsqu’on utilise RFT2 par rapport au régulateur
RFT1. 100 CMG-RFT2
100,5
CMG-RFT1
50
99,5
98,5
0 0,2 0,202
100
-50 50
0 0,004
-100
-150
0 0.2 0.4 0.6 0.8
Temps (s)
Figure.III.16. Evolution de la vitesse de rotation de la MSAP de deux régulateurs intelligents.
98
AMAR BECHKAOUI
Le couple éléctromagnétique (n.m)

7
6
5
4
3
2
1
0 CMG-RFT2
CMG-RFT2
-1
0 0.2 0.4 0.6 0.8
Temps (s)
Figure.III.17. Evolution de couple électromagnétique de la MSAP de deux régulateurs intelligents.
CMG-RFT2
CMG-RFT1
Le flux statorique (wb)
0.135
0.13
0.125
0 0.2 0.4 0.6 0.8

Temps (s)
Figure.III.18. Evolution de flux statorique de la MSAP de deux régulateurs intelligents.
Fundamental (66.67Hz) = 10.03 , THD= 7.03% 10 Fundamental (66.67Hz) = 9.742 , THD= 3.67%
b)
10
A m plitude (A )
Am plitude (A)
a) 8
6
5
4
2
0 0
0 5 10 15 20 0 2 4 6 8 10 12
Harmonic order Harmonic order
Figure.III.19. Analyse spectrale de la phase (a) de la MSAP pour les deux régulateurs intelligents :a)RFT1 ; b)
RFT2
99
AMAR BECHKAOUI
III. 5.2. La machine à l’état dégradé
III. 4.2.1. On garde Rf=0.1 Ohm et on variera le nombre de spires en court-circuits : Ncc=5 spires ; Ncc=25
spires.
100 CMG-RFT2 100 CMG-RFT2

L a v ite s s e d e r o ta tio n (r d /s )
CMG-RFT1 CMG-RFT1
L a vites se d e ro tatio n (rd /s)

50 50
99,6 102
0 0
99,2
0,215 0,235
94
-50 -50 0,32 0.345
-100 -100
a) b)
-150 -150
0 0.2 0.4 0.6 0.8 0 0.2 0.4 0.6 0.8
Temps (s) Temps (s)
Figure.III.20. Evolution de la vitesse de rotation de la MSAP pour les deux régulateurs intelligents avec différents
nombres de court-circuits à l’instant t=0.15s :a) 5 sp ;b) 25sp
8
CMG-RFT2 CMG-RFT2
a) b)
7 8
CMG-RFT1 CMG-RFT1
6
6
5
4
4,95
4
3
5.5
2 5
4,85
2
4.5
1
0,54 0,58 0.54 0.56
0 0
-1
0 0.2 0.4 0.6 0.8 0 0.2 0.4 0.6 0.8
Temps (s) Temps (s)
Figure.III.21.Evolution de couple électromagnétique de la MSAP pour les deux régulateurs intelligents avec
différents nombres de court-circuits à l’instant t=0.15s :a) Ncc =5 sp ;b) Ncc = 25sp
100
AMAR BECHKAOUI
0.14
0.15
CMG-RFT2 b) CMG-RFT1
a)
0.145 CMG-RFT2
L e flux statoriqu e (wb )

0.128
CMG-RFT1 0,128
0.135 0.126
0.14 0,735 0,745 0,755
0.33 0.34 0.35
0.135
0.13
0.13
0.125 0.125
0.12
0.12
0 0.2 0.4 0.6 0.8 0 0.2 0.4 0.6 0.8
Temps (s) Temps (s)
Figure.III.22. Evolution de flux statorique de la MSAP pour les deux régulateurs intelligents avec différents
nombres de court-circuits à l’instant t=0.15s : a) Ncc =05 sp ;b) Ncc =25sp.
III. 4.2.2. On garde Ncc=25 spires et on varier la résistance de défauts :Rf=0.1 Ohm ; Rf=0.7 Ohm.
100 CMG-RFT2
100 CMG-RFT2
L a vitesse d e ro tation (rd /s)
CMG-RFT1
CMG-RFT1
50 50
100 100
0 95
0
0,25 0,26
0.28 0.3
-50 -50
-100 -100
a) b)
-150 -150
0 0.2 0.4 0.6 0.8 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8
Temps (s) Temps (s)
Figure.III.23. Evolution de la vitesse de rotation de la MSAP pour les deux régulateurs intelligents avec différents
degrés de sévérités à l’instant t=0.15s : a) Rf =0.1 Ohm ;b) Rf =0.7 Ohm.
a)
8 8
CMG-RFT1 CMG-RFT1
6 6
4 4
5
5
2 4 2
4,6
0,55 0,57
0,52
0 0
0 0.2 0.4 0.6 0.8 0 0.2 0.4 0.6 0.8

Temps (s) Temps (s)
Figure.III.24. Evolution de couple électromagnétique de la MSAP pour les deux régulateurs intelligents avec
différents degrés de sévérités à l’instant t=0.15s : a) Rf =0.1 Ohm ;b) Rf =0.7 Ohm.
101
AMAR BECHKAOUI
0.15 0.15
a) 0,12
0,13 CMG-RFT1
0.145 CMG-RFT1 0.145
0,12
0.125
Le flu x statoriq ue (wb)

0,24 0,25
0.14 0.14
0.12
0.24 0.25 0.26
0.135 0.135
0.13 0.13
0.125 0.125
0.12 0.12
0 0.2 0.4 0.6 0.8 0 0.2 0.4 0.6 0.8
Temps (s) Temps (s)
Figure.III.25. Evolution de flux statorique de la MSAP pour les deux régulateurs intelligents avec différents degrés
de sévérités à l’instant t=0.15s : a) Rf=0.1 Ohm ;b) Rf =0.7 Ohm .
Discussions
Pour la première phase, nous avons testé la robustesse de deux régulateurs intelligents avec
différents nombres spires en court-circuit tout en maintenant la résistance de défaut fixe est égal
0.1 ohm (figures III.20, III.21 et III.22). Pour la deuxième phase, afin d’observer la robustesse
de trois régulateurs intelligents par rapport aux degrés de sévérité de Rf, on fixe le nombre de
spires de court circuit à 25 tout en variant la résistance de défauts Rf (figures III.23, III.24 et
III.25).
Les figures (III.20, III.23) illustrent le profil de la vitesse pour les deux contrôleurs ; on
constate que la vitesse reste presque constante et insensible aux variations du nombre de spires
en court circuit et de la sévérité de défauts Rf. Ceci est une preuve que les performances du
contrôleur RFT2 est plus robustes par rapport au régulateur RFT1.
Pour les figures du couple et du flux statorique (III.21, III.22, III.24, III.25), il faut noter
qu’avec l’utilisation du régulateur RFT2 le taux d’ondulation est moindre relativement à celui
obtenu avec le RFT1. Le régulateur RFT2 contribue ainsi à diminuer les ondulations qui sont à
l’origine de la dégradation rapide des enroulements statoriques. Par conséquent, il favorise la
croissance de la durée de vie du bobinage du stator.
102
AMAR BECHKAOUI
Conclusion
Dans ce chapitre une étude comparative a été développée entre deux régulateurs intelligents
associés à la commande à mode glissant dédiée au diagnostic des défauts statoriques. Notre
objectif consiste à sélectionner le régulateur le plus robuste aux défauts (moins d’ondulation,
moins THD) et en même temps le meilleur s’agissant de la commande (temps de réponse). Les
résultats obtenus par simulation numérique montrent bien la supériorité de notre régulateur
intelligent proposé (RFT2) associé à la commande à mode glissant comparativement au
régulateur RFT1.
103
AMAR BECHKAOUI
[AIS 08] A.G.Aissaoui, M. Abid, A. Tahour, A.C. Megherbi, “Sensorless Control of Permanent Magnet
Synchronous Motors”, 2nd international Conference on Electrical Systems Design & Technologies,
Hammamet Tunisia, Nov. 8-10, 2008.
[ALI 05] M. Ali-Bey," Commande en Effort des Robots Manipulateurs ", Thèse de magistère, Ecole
nationale polytechnique, El-Harrach, 2005.
[AME 06] A. Ameur, B. Mokhtari, L. Mokrani et B. Azoui, "Compensateur Flou de la Variation de

Résistance statorique d’un Moteur Synchrone à Aimants Permanents Commandé par DTC", in Proc,
ICEEA2006, pp.260-265, 22-23 Mai 2006, Sidi Bel-Abbès, Algérie.
[AME 10] F. Ameur, ″Commande Floue Optimisée d’une Génératrice Asynchrone Double Etoile utilisée
dans un Système Eolien à Vitesse Variable″, Mémoire de Master, Université de Laghouat ,2012.
[AME05] A. Aissa «Commande sans capteur de vitesse par DTC d’une Machine Synchrone à Aimant
Permanent dotée d’un Observateur d’ordre Complet à Mode Glissants» Thèse de Magister, Université de
Batna 2005.
[AOU 11] A. Aoufi," Utilisation d’observateurs à modes glissants pour le contrôle direct de couple et le
contrôle vectoriel d’une machine asynchrone à cage", Thèse de magistère, Université de Biskra, 2011.
[BAR03] J.-C de Barros, "Application de la logique Floue à la Commande Optimale du Moteur

Asynchrone" , Thèse de doctorat, Université Aix-Marseille III, France, 2003.
[BEN 05] F. Benchabane," Commande en position et en vitesse par mode de glissement d’un moteur
synchrone triphasé à aimants permanents avec minimisation du chattring", Thèse de magistère, Université
de Biskra, 2005.
[BOU 07] A. Boumediene," Recherche et Développement de Nouvelles Approches de Commandes

d’une Machine Synchrone Autopilotée Alimentée en Tension", Thèse de doctorat, Ecole nationale
polytechnique, El-Harrach, 2007.
[BüH94] H. Bühler, "Réglage par Logique Floue", Collection électricité, Presses Polytechniques et
Universitaires Romandes, 1994.
[CHA 10] S. H. Chang, P. Y. Chen, Y. H Ting, and S. W. Hung, “Robust current control-based sliding
mode control with simple uncertainties estimation in permanent magnet synchronous motor drive system”
IET Electric Power Application, 2010, Vol. 4, Iss. 6, pp. 441–450
[CHO11] N.CHOUG, « Etude de la Robustesse des Contrôleurs Flous d’une Machine Synchrone à
Aimants Permanents avec Pilotage Vectoriel » Thèse de magister Magister de l’Université de Batna 2011.
[ELB09] Y. Elbia ″ Commande Floue Optimisée d’une Machine Asynchrone à Double Alimentation et à
Flux Orienté ″, Mémoire de Magister, Batna, 2009.
[GAD 09] S. M. gadoue, ″artificial intelligence applied to speed sensorless induction motor drives″
doctorat thesis from newcastle university united kingdom 2009
[HAG 07] H. Hagras, ″Type-2 FLCs: A New Generation of Fuzzy Controllers″, IEEE Computational
Intelligence Magazine, vol. 2, no. 1, pp. 30-43, 2007.
104
AMAR BECHKAOUI
[HUS 08] A.Hussain″ Contribution à la commande adaptive robuste par mode glissants ″thèse de
doctorat de l’Université de Reims Champagne Ardenne,France, 2008.
[HUS 09] A. HUSSAIN, “ Contribution à la Commande Adaptative Robuste par Modes Glissants”, Thèse
de Doctorat, Université de Reims Champagne Ardenne, France, 2009.
[JAN07] J. Jantzen, ″Foundations of Fuzzy Control″, John Wiley & Sons Ltd, 2007.
[KEC 07] A. Kechich, B. Mazari, I. K. Bousserhane," Application of Nonlinear Sliding-Mode Control to

Permanent Magnet Synchronous Machine", International Journal of Applied Engineering Research ISSN
0973-4562 Vol.2, No.1 (2007), pp. 125–138.
[KHA 06] A.E. Khaldi," Diagnostic et commande d’une machine synchrone a aimants permanents",
Thèse de magistère, Ecole nationale polytechnique, El-Harrach, 2006.
[KOU 08] K. Kouzi ,"Contribution des techniques de la logique floue pour la commande d’une machine à
induction sans transducteur rotatif ", Thèse de Doctorat en science, Université de Batna, 2008.
[LI 09] Y. Li, and J. Son and J. Lee, “MSM Speed Controller Using switching algorithm of PD and
Sliding Mode Control”, ICROS-SICE International Joint Conference 2009 August 18-21, 2009, Fukuoka
International Congress Center, Japan.
[MEN 02] J.M. Mendel et R.I.B. John, ″Type-2 fuzzy sets made simple″, IEEE Trans. Fuzzy Systems,
vol. 10, no. 2, pp. 117-127, 2002.
[MOK04] B. Mokhtari, "Implantation de la DTFC par des Techniques de l’Intelligence Artificielle

Neuronale et Floue : Application à la Machine Asynchrone Alimentée par des Onduleurs de Tension à
deux et trois Niveaux", Thèse de Magister; université de Batna, 2004.
[NAB10] K . NABTI " Stratégies de commande et techniques intelligentes appliquées aux machines de
type synchrone ", Thèse de Doctorat en science, Université de constantine, Batna, 2010
[NEZ 99] L. Nezli, D. Boudana, M.S. Boucherit," Réglage par Mode de Glissement en Cascade d’une
Machine Synchrone Auto-pilotée Alimentée en Courant", Conférence nationale SMAPDIMA’99 Annaba.
[REZ 09] S, E. Rezgui," Commande de machine électrique en environnement Matlab/Simulink et Temps

Réel, Application à la machine asynchrone: Commande Vectorielle Sans Capteurs Mécaniques, SVPWM,
Mode Glissant, MRAS",Thèse de magistère, Université de Constantine, 2009.
[SAI 06] A. Saibi," Commande par Régulateurs IP et par Mode de Glissement d'une Machine Synchrone
à Double Etoile", Thèse de magistère, Ecole nationale polytechnique, El Harrach, 2006.
105
AMAR BECHKAOUI
Chapitre IV Prédiction de la sévérité du défaut statorique dans les MSAP par
l’approche Neuro-Floue
Chapitre IV
Prédiction de la sévérité du défaut

statorique dans les MSAP par
Neuro-Floue
IV.1.Introduction
L
e présent chapitre est organisé en deux parties. La première partie fait l’objet d’une
synthèse bibliographique sur la théorie des réseaux de neurones artificiels. Après
une brève présentation de quelques notions générales sur les réseaux de neurones
artificiels (ANN), nous présentons l’une des grandes familles de structures
neuronales les plus utilisées. Nous abordons également le problème d’apprentissage des
paramètres de cette structure, nous nous intéressons particulièrement à l’algorithme de rétro-
propagation. Dans la deuxième partie, nous aborderons la technique d’hybridation entre la
logique flou présentée dans le chapitre trois et les réseaux de neurones (FL et ANN), appelée
aussi système d'inférence flou à base de réseaux de neurones adaptatifs (ANFIS). Enfin, la
quatrième partie sera consacrée à l’utilisation des deux approches :la logique flou et ANFIS de
type Takagi Sugeno (TK) pour la prédiction de la sévérité du défaut statorique.
106 AMAR BECHKAOUI

IV.2. Réseaux de neurones et systèmes Neuro-flous
IV.2.1.Réseaux de neurones
Un neurone formel est un automate très simple imitant
grossièrement la structure et le fonctionnement d’un neurone
biologique. La première version de ce dernier est celle de Mc
Culloch et W. Pitts et date de 1943 [MCH 43].
S’inspirant de leurs travaux sur les neurones biologiques, ils ont proposé le neurone formel qui
se voit comme un opérateur effectuant une somme pondérée de ses entrées suivie d’une fonction
d’activation (ou de transfert) comme indiqué par la figure IV.1.
Ui représente la somme pondérée des entrées du neurone, elle est donnée par :
U i = ∑ wij x j + bi (IV.1)
j
où: xj représente l’entrée j connectée au neurone i. bi le seuil interne du neurone.

wij désigne le poids de la connexion reliant l’entrée j au neurone.
Oi = g(Ui) est la sortie du neurone et g sa fonction d’activation.
Entrées
x1
wi1
xj wij Sortie
Ui Oi
win
xn
bi
Figure IV.1 Modèle de base d’un neurone formel
La fonction d’activation de chaque neurone détermine ses propres caractéristiques. Par

conséquent, le type du neurone est caractérisé par sa fonction d’activation. Conformément au
neurone biologique, les fonctions d’activation sont généralement croissantes et continues. Les
fonctions les plus utilisées sont la fonction linéaire et la fonction sigmoïde.
Leur choix revêt une importance capitale et dépend souvent du type de l’application et du
domaine de variation des variables d’entrée/sortie.
Un réseau de neurones est un système informatique qui a des caractéristiques semblables aux
réseaux de neurones biologiques. Il est constitué de plusieurs unités (neurones) organisées sous
107 AMAR BECHKAOUI
forme de niveaux différents appelés couches du réseau. Les neurones appartenant à la même
couche possèdent les mêmes caractéristiques et utilisent le même type de fonction d’activation.
Entre deux couches voisines les connexions se font par l’intermédiaire de poids qui jouent le rôle
des synapses. L’information est portée par la valeur de ses poids, tandis que la structure du
réseau de neurones ne sert qu’à traiter l’information et l’acheminer vers la sortie. La structure ou
la topologie d’un réseau de neurones est la manière dont les neurones sont connectés. Les
structures résultantes peuvent être très variées mais elles sont souvent réparties en deux grandes
familles à savoir : les réseaux de neurones non bouclés et les réseaux de neurones bouclés
[CHE 02].
IV.1.1.1.Réseaux non bouclés

Dans ce type de structure dite feedforward, la propagation de l’information se fait uniquement
de l’entrée vers la sortie. Les neurones de la même couche peuvent se connecter uniquement
avec les neurones de la couche suivante. L’architecture la plus utilisée est le Perceptron
multicouches. Les neurones composant ce réseau s’organisent en Nc couches successives (Nc ≥3).
Dans l’exemple suivant (figure IV.2), nous présentons un perceptron à trois couches. Les
neurones de la première couche, nommée couche d’entrée, voient leur activation forcée à la
valeur d’entrée. La dernière couche est appelée couche de sortie. Elle regroupe les neurones dont
les fonctions d’activation sont généralement de type linéaire. Les couches intermédiaires sont
appelées couches cachées. Elles constituent le cœur du réseau. Les fonctions d’activation
utilisées sont de type sigmoïde.
1
w11
x1 1 a12
b 1
1
w12
x2
b12
x3 b21 a22
1
w12
1
b22
b3
Couche 0 Couche 1 Couche 2
Figure IV.2 Perceptron à une couche cachée
108 AMAR BECHKAOUI

l l
Sur la figure 2, les termes bi et wij désignent respectivement le biais du neurone i de la couche l
et le poids de connexion entre le neurone j de la couche l-1 et le neurone i de la couche l. Tenant
compte de ces notations, la sortie du neurone i dans la couche l est peut être donnée par :
N l −1
U = ∑ wijl O lj−1 + bil
l
i (IV.2)
j
Oil = g l (U il ) l = 1,2 (IV.3)
où gl(.) est la fonction d’activation des neurones de la couche l.

Le perceptron multicouche présente une alternative prometteuse pour la modélisation des
systèmes complexes. Avec une seule couche cachée, il constitue un approximateur universel. Les
études menées dans [HOR 89],[CYB 89] montrent qu’il peut être entraîné de manière à
approximer n’importe quelle fonction sous réserve de mettre suffisamment de neurones dans la
couche cachée et d’utiliser des sigmoïdes comme fonctions d’activation.
IV.1.1.2. Réseaux bouclés

Un réseau dynamique ou récurrent possède la même structure qu’un réseau multicouche muni
de rétroactions. Les connexions rétroactives peuvent exister entre tous les neurones du réseau
sans distinction, ou seulement entre certains neurones (les neurones de la couche de sortie et les
neurones de la couche d’entrée ou les neurones de la même couche par exemple). La figure IV.3
montre deux exemples de réseaux récurrents. Le premier est un simple multicouche qui utilise un
vecteur d’entrée qui contient les copies des activations de la couche de sortie du réseau et le
deuxième est un réseau à mémoire se distingue du premier par la présence des unités mémoires
[SAS 94].
Neurone
x1(k) Neurone mémoire

y1(k+1)
x2(k)
x1(k)
x3(k)
y(k+1)
y2(k+1)
y1(k)
x2(k)
Z-
y2(k)
Z- (a) (b)
Figure IV.3 Réseaux de neurones récurrents
109 AMAR BECHKAOUI

IV.1.1.3.Apprentissage dans les réseaux de neurones

L’apprentissage dans le contexte des réseaux de neurones est le processus de modification des
poids de connexions (y compris les biais) ou plus rarement du nombre de couches et de neurones
[MAN 97], afin d’adapter le traitement effectué par le réseau à une tache particulière.
On distingue trois familles d’apprentissage :
apprentissage supervisé: Dans ce cas, un superviseur (ou expert humain) fournit une valeur
ou un vecteur de sortie (appelé cible ou sortie désirée), que le réseau de neurones doit
associer à un vecteur d’entrée. L’apprentissage consiste dans ce cas à ajuster les paramètres
du réseau afin de minimiser l’erreur entre la sortie désirée et la sortie réelle du réseau.
apprentissage semi-supervisé ou apprentissage par renforcement: Ce mode
d’apprentissage, suppose qu’un comportement de référence n’est pas possible, mais en
revanche, il est possible d’obtenir des indications qualitatives (vrai, faux, ...) sur les
performances du réseau.
apprentissage non supervisé: Dans cet apprentissage, les données ne contiennent pas
d’informations sur la sortie désirée. Il n’y a pas de superviseur. La tâche du réseau consiste,
par exemple dans ce cas, à créer des regroupements de données selon des propriétés
communes (classification).
IV.1.1.4.Algorithme de rétro-propagation du gradient

L’algorithme de rétro-propagation (backpropagation) est l’un des algorithmes supervisé les
plus utilisés pour l’apprentissage des réseaux de neurones. C’est d’ailleurs à sa découverte au
début des années 80 [RUM 86] que l’on doit le renouveau d’intérêt pour les réseaux de neurones.
L’objectif de cet algorithme est de modifier les poids du réseau dans le sens contraire du gradient
du critère de performance. Dans ce qui suit, nous allons présenter les équations constituant
l’algorithme en utilisant un réseau multicouches. Une mise sous forme matricielle sera aussi faite
afin de faciliter l’implantation de l’algorithme sous un logiciel bien adapté aux calculs matriciels.
Considérons le réseau multicouche décrit précédemment. Pour alléger l’exposé, on suppose que
l’apprentissage se fait à chaque présentation d’un couple entrée/sortie de l’ensemble
d’apprentissage. Le critère de performance à minimiser peut être alors exprimé par :
NL
J (t ) = 0,5∑ (OiL (t ) − d i (t )) 2 (IV.4)
i =1
avec:
J(t)est la valeur du critère à l’instant t.
110 AMAR BECHKAOUI
di(t) est la ième sortie désirée à l’instant t.
Les paramètres du réseau sont modifiés suivant la règle du gradient comme suit:
∂J (t )
wijl (t + 1) = wijl (t ) − η (IV.5)
∂wijl (t )
∂J (t )
bil (t + 1) = bil (t ) − η (IV.6)
∂bil (t )
avec η est une constante positive appelée taux d’apprentissage.

∂J ∂b
Le calcul des quantités et fait intervenir les décompositions ci-dessous:
∂ w ij ∂wi
∂J (t ) ∂J (t ) ∂U il (t )
= (IV.7)
∂wijl (t ) ∂U il (t ) ∂wijl (t )
∂J (t ) ∂J (t ) ∂U il (t )
= (IV.8)
∂bil (t ) ∂U il (t ) ∂bil (t )
De l’équation IV.2, on déduit que:
∂U il (t )
= O lj −1 (IV.9)
∂wij (t )
l
∂U il (t )
=1 (IV.10)
∂bil (t )
∂J (t )
En posant, δ il ( t ) = , on obtient:
∂ U il
∂J (t )
= δ il (t )O lj−1 (IV.11)
∂wij (t )
l
∂J (t )
= δ il (t ) (IV.12)
∂bi (t )
l
La quantité δil exprime la sensibilité du critère de performance aux changements du potentiel

Uil du neurone i de la couche l. Dans le cas où i est l’indice d’un neurone de sortie (l = L), on
obtient :
111 AMAR BECHKAOUI

∂J (t ) ∂J (t ) ∂OiL
δ (t ) =
i
L
= = (OiL (t ) − d i (t )) g .l (U iL (t )) (IV.13)
∂U iL
∂Oi ∂U i
L L
dg L (U iL (t ))
avec g .l (U iL (t )) = .
dU iL (t )
Dans le cas où i est l’indice d’un neurone caché (1 < l <L-1), on peut vérifier aisément que les
fonctions de sensibilité satisfont la relation récurrente ci-dessous [HAG 94]:
δ l = G .l (U l )(W l +1 )T δ l +1 (IV.14)
 g .l (U1l (t )) 0 ⋯ 0 
 
 0 g .l (U 2l (t )) ⋯ 0 
G .l (U l ) =   (IV.15)
 ⋮ ⋮ ⋯ ⋮ 
 0 0 ⋯ g (U1 (t )) 
.l l

Pour résumer l’algorithme de mise à jour des paramètres du réseau se déroule comme suit :
premièrement le vecteur d’entrée U0 = (x1, x2, · · ·, xN0)T est propagé vers la sortie en utilisant les
équations IV.2 et IV.3. Ensuite, on calcule les fonctions de sensibilités par rétro-propagation de
l’erreur de sortie à l’aide des équations IV.13 et IV.14. Finalement on modifie les poids et les
biais en utilisant les équations IV.11, IV.12, IV.5 et IV.6.
Cet algorithme présenté ici dans sa version la plus simple, possède de nombreuses variantes.
Elles correspondent pour la plupart à l’adaptation du coefficient d’apprentissage η [MAG 99] ou
à l’utilisation de méthodes du deuxième ordre pour le calcul du gradient [HAG 94]. Nous
pouvons également citer parmi ces variantes la méthode avec un terme de momentum [VOG 98],
[OUA 09], qui utilise une version légèrement différente des équations IV.5 et IV.6 pour ajuster
les paramètres du réseau:
∂J (t )
p (t + 1) = p (t ) − η + α ∆p ( t ) (IV.16)
∂p (t )
où α est une constante appelée momentum et p représente un paramètre du réseau qui peut être
soit un poids de connexion ou un biais. Cette version introduit un autre terme proportionnel à la
dernière adaptation ∆p du paramètre p.
112 AMAR BECHKAOUI

IV.1.1.5.Conception d'un réseau de neurones

Les réseaux de neurones réalisent des fonctions non linéaires paramétrées. Leurs mises en
œuvre nécessitent (figure IV.4) [OUA 09]:
La détermination des entrées et des sorties pertinentes, c’est à dire les grandeurs qui ont
une influence significative sur le phénomène que l’on cherche à modéliser.
La collecte des données nécessaires à l’apprentissage et à l’évaluation des performances
du réseau de neurones.
La détermination du nombre de neurones cachés nécessaires pour obtenir une
approximation satisfaisante.
La réalisation de l’apprentissage.
L’évaluation des performances du réseau de neurones à l’issue de l’apprentissage.
IV.1.1.5.1 Détermination des entrées/sorties du réseau de neurones

Pour toute conception de modèle, la sélection des entrées doit prendre en compte deux points
essentiels :
Premièrement, la dimension intrinsèque du vecteur des entrées doit être aussi petite que
possible, en d’autre terme, la représentation des entrées doit être la plus compacte
possible, tout en conservant pour l’essentiel la même quantité d’information, et en
gardant à l’esprit que les différentes entrées doivent être indépendantes.
En second lieu, toutes les informations présentées dans les entrées doivent être
pertinentes pour la grandeur que l’on cherche à modéliser : elles doivent donc avoir
une influence réelle sur la valeur de la sortie [OUA 09].
IV.1.1.5.2 Choix et préparation des échantillons

Le processus d'élaboration d'un réseau de neurones commence toujours par le choix et la
préparation des échantillons de données. La façon dont se présente l'échantillon conditionne le
type de réseau, le nombre de cellules d'entrée, le nombre de cellules de sortie et la façon dont il
faudra mener l'apprentissage, les tests et la validation [OUA 09], [BIS 95]. Il faut donc
déterminer les grandeurs qui ont une influence significative sur le phénomène que l’on cherche à
modéliser.
Lorsque la grandeur que l’on veut modéliser dépend de nombreux facteurs, c'est-à-dire
lorsque le modèle possède de nombreuses entrées, il n’est pas possible de réaliser un « pavage »
régulier dans tout le domaine de variation des entrées : il faut donc trouver une méthode
permettant de réaliser uniquement des expériences qui apportent une information significative
113 AMAR BECHKAOUI
pour l’apprentissage du modèle. Cet objectif peut être obtenu en mettant en œuvre un plan
d’expériences. Pour les modèles linéaires, l’élaboration de plans d’expériences est bien
maîtrisée, par ailleurs, ce n’est pas le cas pour les modèles non linéaires.
Afin de développer une application à base de réseaux de neurones, il est nécessaire de
disposer de deux bases de données, une pour effectuer l’apprentissage et l’autre pour tester le
réseau obtenu et déterminer ses performances.
Notons qu’il n’y a pas de règle pour déterminer ce partage d’une manière quantitative,
néanmoins chaque base doit satisfaire aux contraintes de représentativité de chaque classe de
données et doit généralement refléter la distribution réelle, c’est à dire la probabilité
d’occurrence des diverses classes.
IV.1.1.5.3.Elaboration de la structure du réseau

La structure du réseau dépend étroitement du type des échantillons. Il faut d'abord choisir le
type de réseau : un perceptron standard, un réseau de Hopfield, un réseau à décalage temporel,
un réseau de Kohonen, un ARTMAP etc...
Par exemple, dans le cas du perceptron multicouches, il faudra aussi bien choisir le nombre de
couches cachées que le nombre de neurones dans cette couche [YES 07].
Nombre de couches cachées :
Mises à part les couches d'entrée et de sortie, il faut décider du nombre de couches
intermédiaires ou cachées. Sans couche cachée, le réseau n'offre que de faibles possibilités
d'adaptation. Néanmoins, il a été démontré qu’un Perceptron Multicouches avec une seule
couche cachée pourvue d’un nombre suffisant de neurones, peut approximer n’importe quelle
fonction avec la précision souhaitée [HOR 89], [YES 07].
Nombre de neurones cachés :
Chaque neurone peut prendre en compte des profils spécifiques de neurones d'entrée.
Un nombre plus important permet donc de mieux ″coller″ aux données présentées mais diminue
la capacité de généralisation du réseau. Il faut alors trouver le nombre adéquat de neurones
cachés nécessaire pour obtenir une approximation satisfaisante.
Il n’existe pas, à ce jour, de résultat théorique permettant de prévoir le nombre de neurones
cachés nécessaires pour obtenir une performance spécifique du modèle, compte tenu des modèles
disponibles. Il faut donc nécessairement mettre en œuvre une procédure numérique de
conception de modèle.
114 AMAR BECHKAOUI

IV.1.1.5.4.Apprentissage
L’apprentissage est un problème numérique d’optimisation. Il consiste à calculer les
pondérations optimales des différentes liaisons, en utilisant un échantillon. La méthode la plus
utilisée est la rétro-propagation, qui est généralement plus économe que les autres en termes de
nombres d’opérations arithmétiques à effectuer pour évaluer le gradient.
IV.1.1.5.5.Validation et tests
Alors que les tests concernent la vérification des performances d'un réseau de neurones hors
échantillon et sa capacité de généralisation, la validation est parfois utilisée lors de
l'apprentissage. Une fois le réseau de neurones développé, des tests s’imposent afin de vérifier la
qualité des prévisions du modèle neuronal.
Cette dernière étape doit permettre d’estimer la qualité du réseau obtenu en lui présentant des
exemples qui ne font pas partie de l’ensemble d’apprentissage. Une validation rigoureuse du
modèle développé se traduit par une proportion importante de prédictions exactes sur l’ensemble
de la validation [YES 07].
Si les performances du réseau ne sont pas satisfaisantes, il faudra, soit modifier l’architecture
du réseau, soit modifier la base d’apprentissage.
Algorithme
Base de données
d’apprentissage
-Constitution d’architecture du RNA

-Nombre de couches cachés
-Nombre de neurones cachés
Modèle validé Non

?
Oui
Figure IV.4.Organigramme de conception d’un réseau de neurones
IV.1.1.6.Avantages des réseaux de neurones

Les réseaux de neurones représentent plusieurs avantages parmi lesquels on peut citer par
exemple:
La rapidité et l'efficacité de traitement des grands corpus.
115 AMAR BECHKAOUI
Un taux d'erreur très faible par rapport aux autres méthodes d’intelligence artificielle.
Les réseaux de neurones ne nécessitent pas l'utilisation de modèles mathématiques très
complexes pour leur fonctionnement. En effet, grâce à leur capacité d'apprentissage, ils se
basent principalement sur les modèles de données à traiter.
IV.1.1.7.Inconvénients des réseaux de neurones

Malgré les grands avantages que représentent les réseaux de neurones, ils ont aussi des
inconvénients qu'on peut résumer dans les points suivants:
La lenteur d'apprentissage.
Les résultats obtenus ne sont pas interprétables. En effet, le réseau généré par ce type
d'algorithmes est considéré comme une boîte noire, c'est-à-dire que l'utilisateur n'a
aucune information explicite sur le fonctionnement interne. En cas d'erreurs, il est
impossible de déterminer la cause de cette erreur.
La convergence des résultats des réseaux de neurones est incertaine.
Les réseaux de neurones ne permettent pas l'intégration des connaissances a priori
pour le traitement de nouvelles données.
IV.1.3.Système d’inférence flou basé sur les réseaux de neurones
adaptatifs
Les réseaux de neurones (ANN) multicouches constituent des approximateurs universels.
L’atout principal de ces réseaux réside dans leur capacité d’apprentissage. Par contre, leur
structure et leurs paramètres n’ont pas toujours des justifications physiques. De plus, la
connaissance humaine ne peut pas être exploitée pour les construire. Les systèmes d’inférence
flous sont également des approximateurs universels. Ces systèmes possèdent deux points forts
par rapport aux ANN. D’une part, ils sont généralement construits à partir de la connaissance
humaine, d’autre part, ils ont une capacité descriptive élevée due à l’utilisation de variables
linguistiques. Il est donc apparu naturel de construire des systèmes hybrides qui combinent les
concepts des systèmes d’inférence flous et des ANN. Ainsi l’approche neuro-floue est apparue
[JAN 93],[JAN 95], [SUG 88],[TAK 85]. Plusieurs auteurs ont utilisé cette approche. Nous
présentons ici un type spécial de réseaux neuro-flous. Il s’agit de l’approche ANFIS (Système
d'inférence neuro-flou adaptatif) proposée par Jang.
IV.1.3.1.Structure d’un Système d'inférence neuro-flou adaptatif

ANFIS met en application un système d'inférence flou de type Takagi Sugeno [SUG 88],
[TAK 85] et a une architecture composée de cinq couches comme le montre la figure IVI.10.
116 AMAR BECHKAOUI

Pour simplifier la compréhension et sans perte de généralité, nous considérons un système à deux
entrées x1 et x2 et une sortie y. Considérons aussi un modèle flou de type TSK de ce système,
composé des deux règles suivantes:
Règle 1 : Si x1 est A1 et x2 est B1 alors y1 = f1 (x1, x2) = a1 x1 + b1 x2 + c1 (IV.20)

Règle 2 : Si x1 est A2 et x2 est B2 alors y2 = f2 (x1, x2) = a2 x1 + b2 x2 + c2
Jang a proposé de représenter cette base de règles par le réseau adaptatif de la figure IV.10.
x1 x2
A1 w1 N
w1 y1=w1f1
x1 ∏ N
A2 y
B1 w2
x2 w2 y2=w2f2
∏ N
B2 x1 x2
Layer 1 Layer 2 Layer 3 Layer 4 Layer 5
Figure IV.10.Architecture équivalente d'ANFIS
Le réseau adaptatif ANFIS est un réseau multicouches dont les connexions ne sont pas
pondérées, ou ont toutes un poids de 1. Les nœuds sont de deux types différents selon leur
fonctionnalité: les nœuds carrés (adaptatifs) contiennent des paramètres, et les nœuds circulaires
(fixes) n’ont pas de paramètres. Toutefois, chaque nœud (carré ou circulaire) applique une
fonction sur ses signaux d’entrées. La sortie Oik du nœud i de la couche k (appelée nœuds (i,k))
dépend des signaux provenant de la couche k-1 et des paramètres du nœuds (i, k), c’est-à-dire,
Oik = f (O1k −1 ... Onkk−−11 , a, b, c...) (IV.21)
Où nk-1 est le nombre de nœuds dans la couche k-1, et a, b, c ... sont les paramètres du nœud (i,
k). Pour un nœud circulaire ces paramètres n’existent pas.
Couche 1 : Fuzzyfication
Les neurones de cette couche réalisent les ensembles flous qui serviront dans les antécédents
des règles. Dans le modèle de Jang, les fonctions d’appartenance sont des gaussiennes.
Oi1 = µ Ai ( x ), i = 1,2
(IV.22)
où x est l’entrée du nœud i, et Ai le terme linguistique associé à sa fonction. En d’autres termes,

1
Oi est le degré d’appartenance de x à Ai. Les paramètres d’un nœud de cette couche sont ceux de
la fonction d’appartenance correspondante.
117 AMAR BECHKAOUI

Couche 2 : Pondération des règles floues

Chaque neurone dans cette couche correspond à une règle floue Sugeno. Il reçoit les sorties
des neurones de fuzzification et calcule son activation. La conjonction des antécédents est
réalisée avec l’opérateur produit.
Oi2 = wi = µ Ai ( x1 )µ Bi ( x 2 ), i = 1,2 (IV.23)
Couche 3 : Normalisation
Chaque neurone calcule le degré de vérité normalisé d’une règle floue donnée. La valeur
obtenue représente la contribution de la règle floue au résultat final.
wi
Oi3 = wi = , i = 1,2 (IV.24)
w1 + w2
Couche 4 : Defuzzyfication
Chaque neurone i de cette couche est relié à un neurone de normalisation correspondant et aux
entrées initiales du réseau. Il calcule le conséquent pondéré de la règle.
Oi4 = w i f i = w i (ai x + bi x + ci ), i = 1,2 (IV.25)
où wi est la sortie de la couche 3, et {ai, bi, ci} est l’ensemble des paramètres de sortie de
la règle i.
Couche 5 : Calcul de la sortie
Comprend un seul neurone qui fournit la sortie de l’ANFIS en calculant la somme des sorties
de tous les neurones de défuzzification.
 2 
2
 ∑ wi f i 
Oi5 = ∑ wi f i =  i =1  (IV.26)
i =1 w 1 + w2
L’apprentissage à partir d’un ensemble de données concerne l’identification des paramètres

des prémisses et des conséquences, la structure du réseau étant fixée. L’algorithme
d’apprentissage commence par construire un réseau initial, ensuite on applique une méthode
d’apprentissage par rétro-propagation de l’erreur. Jang [JAN 93], [JAN 95] a proposé d’utiliser
une règle hybride d’apprentissage qui combine un algorithme de descente de gradient avec une
estimation par moindres carrées.
118 AMAR BECHKAOUI

IV.1.4.Prédiction de la sévérité du défaut
IV.1.4.1. L’utilisation de logique Floue
IV.1.4.1.1.Fuzzification
La première étape de diagnostic par la logique floue est la fuzzification, pour cela, les
courants statoriques sont définies comme des variables d'entrée dans le système de diagnostic,
les valeurs des variables d'entrée (les valeurs efficaces du courants statorique) ont été traduites
dans l'intervalle [0.30] voire figure(1). Les valeurs linguistiques définies pour l'ensemble d'entrée
sont définies en tant qu'étant : très bas (TB), bas (B), moyenne (M), haut (H). Basé sur les
données mesurées, un ensemble de règles ont été définis. La sortie de système flou est associée à
4 fonctions d'adhésion qui tracent l’état de l’enroulement statorique (valeurs linguistiques) : (S)
sain et défaut mineur (DMI), défaut majeur (DMA), défaut grave (DG).
TB B M H
1
Degree of membership
0.8
0.6
0.4
0.2
0
0 5 10 15
RMS de: Ia,Ib,Ic (A)
Figure IV.11.la fonction d’appartenance des entrées
119 AMAR BECHKAOUI

IV.1.4.1.2.Les règles de la logique floue

Les règles pour l'inférence basée brouillée sont décrites dans le tableau suivant:
Règles Si Ia est Si Ib est Si Ic est L’état du moteur
1 TB TB TB S
2 B B B S
3 B B M DMI
4 M B B DMI
5 B M B DMI
6 TB TB B DMI
7 B TB TB DMI
8 TB B TB DMI
9 B M M DMA
10 M M B Donc DMA
11 M B M DMA
12 M M M DMA
13 M M H DMA
14 H M M DMA
15 M H M DMA
16 H H M DG
17 M H H DG
18 H M H DG
Tab .IV.1. Table des règles de la logique Floue
IV.1.4.1.3.Deffuzification
La méthode centroïde a été employée pour le processus de deffuzification. Bien que
d'autres méthodes de deffuzification aient été essayées, la méthode centroïde était celle
qui a produit les meilleurs résultats. Des fonctions trapézoïdales et de triangulaire forme
d'adhésion ont été également définies pour la variable de rendement (l’état du moteur). La
gamme de rendement pour cette variable est définie en tant qu'étant l'intervalle [0-100]
divisé en 4 sections comme peut être vu dans figure. IV.12.
Etat de stator Court-circuit (%)

Sain 0%
Défaut Mineur 0< Court-circuit ≤ 6
Défaut Majeur 6< Court-circuit ≤14
Défaut Grave Court-circuit >14
Tab .IV.2. La relation entre l’état de la machine et la sortie floue.
120 AMAR BECHKAOUI

DG DMA DMI S
1
Degree of membership
0.8
0.6
0.4
0.2
0
0 20 40 60 80 100
L'état du Moteur
Figure.IV.12.la fonction d’appartenance de sortie (l’état du moteur).
IV.1.4.1.4. Simulation et Résultats
1. On fixe la résistance du défaut, le couple de charge : Cr=5N.m, Rf=0 ohm et avec une
vitesse de 104.8 rd/s
Les figures (IV.13, IV.14, IV.15) montrent respectivement le couple électromagnétique, les
courants statoriques, la vitesse de rotation, le courant du défaut et la sortie de la logique floue à
l’état sain et dégradé avec différents pourcentages de court circuit (5%,10% et 15% de spires).
D’après ces résultats la logique floue décrit bien l’état de la machine avec une grande précision.
Le couple electomagnétique (N.m)
6 30
a) b) Ib
Ia
5
20 Ic
4
10
3 15% CC
0
10% CC
2
05% CC -10
1
-20
0
-1 -30
0 0.2 0.4 0.6 0.8 1 0 0.2 0.4 0.6 0.8 1
Temps(s) Temps(s)
Figure. IV.13.a) couple électromagnétique ; b) les courants statoriques avec différents sévérité de défauts
121 AMAR BECHKAOUI

120 40
a) b)
Le courant du défaut(A)
30
100
20
80
15% CC 10
60 10% CC
0
05% CC
40
-10
20 -20
0 -30
0 0.2 0.4 0.6 0.8 1 0 0.2 0.4 0.6 0.8 1
Temps(s) Temps (s)
Figure. IV.14.a) la vitesse de rotation ; b) le courant du défaut
100
80
L'état du Moteur
60
MSAP Saine
40
Défaut Mineur
Défaut Majeur
20
Défaut Grave
0
0 0.2 0.4 0.6 0.8 1
Temps (s)
Figure. IV.15..L’état du Moteur par différents sévérité du défaut
2. On fixe : la résistance du défaut Rf=0 ohm et V=104.8 rd/s tout et nous faisons varier le
couple de charge : Cr=3÷8N.m
Dans cette section nous fixons la valeur de résistance du défaut à 0 ohm et faire varie le couple
de charge de 3÷8N.m pour voire la robustesse de notre système de surveillance.les résultats
obtenus montrent que la sortie de logique floue n’est pas robuste aux variations de charge ce qui
donne des fausses alarmes à l’opérateur (figure. IV.18).
122 AMAR BECHKAOUI

Le couple éléctromagnétique (N.m)
9 40
a) b) Ib
8 Ia

30
Ic
7
20
6
15% CC
10
5
10% CC
4 0
05% CC
3
-10
2
-20
1
0 -30
0 0.2 0.4 0.6 0.8 1 0 0.2 0.4 0.6 0.8 1
Temps (s) Temps (A)

Figure. IV.16..a) le couple électromagnétique ; b) les courants statoriques
120 40
a) b)
30
100
20
80
10
60 15% CC
0
10% CC
40
05% CC -10
20
-20
0 -30
-20 -40
0 0.2 0.4 0.6 0.8 1 0 0.2 0.4 0.6 0.8 1
Temps (s) Temps (s)
Figure. IV.17.a) la vitesse de rotation ;b) le courant du défaut
100
MSAP Saine
80
L'état du Moteur
60
40
Fausse Alarme
20
0
0 0.2 0.4 0.6 0.8 1
Temps (A)
Figure. IV.18.L’état du Moteur par différents sévérité du défaut
123 AMAR BECHKAOUI

3. On fixe : le couple de charge Cr=5N.m et une vitesse de V=104.8 rd/s et nous faisons
varier la résistance du défaut
Cette fois ci, nous fixons le couple de charge et nous faisons varier la résistance du défaut afin
d’étudier efficacement la robustesse de notre système de surveillance suite aux changements de
sévérité de court circuit. Les résultats de simulations obtenus prouvent que la sortie de logique
floue n’est pas robuste aux variations de sévérité du défaut ce qui par conséquent peut donner de
des informations erronées à l’état de la machine (figure. IV.19).
100 90
80
80 70
L 'é ta t d u M o teu r
L'état du Moteur
60
60
50 MSAP Saine
MSAP Saine
40
40 Défaut Mineur
Défaut Mineur
30
Défaut Majeur
Défaut Majeur 20
20
10 Fausse Alarme
Fausse Alarme
a) b)
0 0
0 0.2 0.4 0.6 0.8 1 0 0.2 0.4 0.6 0.8 1
Temps (s) Temps (s)
100 90
80
80
L'état du M oteur
70
L'état du Moteur
60 Fausse Alarme
60
50 MSAP Saine
MSAP Saine
40
40
Défaut Mineur
30
20 Fausse Alarme 20
10
0 c) 0
d)
0 0.2 0.4 0.6 0.8 1 0 0.2 0.4 0.6 0.8 1
Temps (s) Temps (s)
Figure. IV.19.L’état du Moteur par différents variations de résistance du défaut

a) Rf=0.3ohm ; b) Rf=0.6ohm ; c) Rf=1ohm ; d) Rf=5ohm
124 AMAR BECHKAOUI

IV.1.4.2. L’utilisation de Neuro-Floue

Dans cette section, nous avons proposé une autre approche d'estimation de la sévérité du
défaut basée sur la technique d’hybridation des réseaux de neurones et de la logique floue
(ANFIS), les réseaux de neurones avec leurs capacités d’apprentissage, et la logique floue avec
sa capacité de modélisation de connaissances imprécises. En combinant ces deux techniques
pour bénéficier de leurs avantages et concevoir une approche prédictive neuro-floue (ANFIS)
adaptative et optimale.
Les données du modèle mathématique (les valeurs efficaces des courants statoriques) sont
utilisées pour entraîner l’approche ANFIS et tester ses performances.
Il y a beaucoup de paramètres qu’on peut choisir pour obtenir de meilleurs résultats par
l’approche ANFIS. Pour le cas le plus fréquent, ces paramètres sont les suivants:
Le nombre et le type de la fonction d'appartenance (MFs : membership function) pour
chaque entrée.
Le type de la fonction d'appartenance de sortie (soit ‘linéaire ou ‘constante’).
Le nombre d’itérations (the training epoch number).
Le pas initiale (the initial step).
Le taux de décroissement (decrease rate).
Le taux d’accroissement (increase rate).
L’approche hybride ANFIS a été développée pour différents types de fonctions
d'appartenance (MFs) tels que : la fonction d'appartenance triangulaire (trimf), gaussienne
(gaussmf), trapézoïdale (trapmf) et la fonction bell-shaped (gbellmf),
Ces fonctions d'appartenances sont données par les équations suivantes :
1
bell ( x; at , bt , c ) = 2b
(IV.28)
x − ct
1+
a
 x − c 2

−
t

 at 
gauss ( x; σ t , ct ) = e (IV.29)
  x − at d −x  
trap( x; at , bt , ct , d t ) = max min ,1, t ,0
 (IV.30)
  bt − at d t − ct  
  x − at ct − x  
triang( x; at , bt , ct ) = max min , ,0
 (IV.31)
 b
 t − a t ct − bt  
125 AMAR BECHKAOUI

où {at, bt, ct, dt, σt} sont les paramètres des fonctions d'appartenances (MFs).
L’approche ANFIS a été entraînée par l'algorithme d'apprentissage hybride (hybrid learning
algorithm).
IV.1.4.2.1.Résultats et discussions
Le résultat du processus d’apprentissage de l’approche ANFIS est présenté sur la figure
IV.21.d, ainsi que la comparaison entre les valeurs prédites de sévérité du défaut et celles du test
pour évaluer la performance de l’approche par différentes valeurs de Rf est illustrée à les figures
(IV.21.f,g,h,i,j) et(IV.22.i,j) .les figures (IV.20.a,b) et (IV.21. c,e) montrent respectivement :les
entrées et sortie de l’ANFIS,L’interface de l’NFIS et l’erreur l’apprentissage de l’ANFIS .
Ces résultats ont été réalisés dans les conditions suivantes: le nombre des MFs est 8, le type
des MFs est gaussien, le pas initial égal à 0,01, le taux de décroissement et le taux
d'accroissement sont respectivement 0,90 et 1,1, le nombre maximal d'itérations est 300, le mode
d’apprentissage est hybride, la fonction d'appartenance de sortie est linéaire. Par conséquent, le
nombre de règles floues équivaut à 512 règles.
Les résultats de simulation montrent la précision et la robustesse de l’approche l’ANFIS de la

détection de différente sévérité du défaut statorique.
a) 1
in1mf1 in1mf2 in1mf3 in1mf4 in1mf5 in1mf6 in1mf7 in1mf8
b)
input1 (8)
D egree of membership
0.8
anfis
0.6 (sugeno) f(u)
input2 (8)
512 rules
0.4 output (512)
0.2
input3 (8)
0
2 4 6 8 10 12 14 16 18 20 22 System anfis: 3 inputs, 1 outputs, 512 rules
Les entreés et la sortie
Figure. IV.20. Résultats de simulation par ANFIS : a)les entrées et la sortie de l’ANFIS, b) L’interface de l’ANFIS
126 AMAR BECHKAOUI

20
c) 18 d)
15% de sp en cc
16
Sévérité du Défaut (%)

0 14
-500 12
10% de sp en cc
output
10
-1000
8
-1500 5% de sp en cc
6
-2000 4
20 2
La MSAP Saine
15 20 l'apprentissage de L'ANFIS
0
10 15
10 Sortie de L'ANFIS
5 5 -2
0 50 100 150 200 250
input2 input1 La base d'apprentissage de L'ANFIS
0.5 20
0.45
e) 18 f)
15% de sp en cc
16
0.4
14
0.35 12
10% de sp en cc
Erreur
10
0.3
8
0.25 5% de sp en cc
6
0.2 4
2
La MSAP Saine
0.15
0 Teste de L'ANFIS
Sortie de L'ANFIS
0.1 -2
0 50 100 150 200 250 300 0 5 10 15 20
Nombre d iterations Nombre de points de teste del'ANFIS
20 20
g)
g)
18 18 h)
15% de sp en cc 15% de sp en cc
16 16
Sévérité du D éfaut (%)
14 14
12 12
10 10
8 8
6 6
4 4
2 2
La MSAP Saine La MSAP Saine
0 Teste de L'ANFIS 0 Teste de L'ANFIS
Sortie de L'ANFIS Sortie de L'ANFIS
-2 -2
0 5 10 15 20 0 5 10 15 20
Nombre de points de teste del'ANFIS Nombre de points de teste del'ANFIS
Figure. IV.21. Résultats de simulation par ANFIS à l’état sain et dégradé : c)La surface de l’ANFIS ;d) Apprentissage de
ANFIS ;e)L’erreur de l’ANFIS,f) Rf=0ohm ; g) Rf =0.1ohm ; h) Rf =0.3ohm
127 AMAR BECHKAOUI

20 20
i) j)
18 18
16 16
S évérité d u D éfau t (% )
S év é rité d u D éfa u t (% )
14 14
12 12
10 10
8 8
6 6
4 4
2 2
La MSAP Saine La MSAP Saine
0 Teste de L'ANFIS 0 Teste de L'ANFIS
Sortie de L'ANFIS Sortie de L'ANFIS
-2 -2
0 5 10 15 20 0 5 10 15 20
Nombre de points de teste del'ANFIS Nombre de points de teste del'ANFIS
Figure. IV.22. La prédiction par L’ANFIS pour :i) Rf =0.6ohm ; j) Rf =1ohm
Conclusion
Le présent chapitre décrit une approche neuro-floue (ANFIS) de type Takagi Sugeno (TK),
développée pour la prédiction de sévérité du défaut statorique. L’approche ANFIS, qui combine
les techniques floues et neuronales en formant un réseau à apprentissage supervisé, a été
appliquée en utilisant les valeurs efficaces des trois courants statorique comme des variables
d'entrées et, la sévérité de court circuit, comme une variable de sortie.
Les résultats obtenus par l’approche ANFIS ont été comparés avec ceux obtenus par la logique
floue (FL). Nous remarquons que les résultats obtenus par l’approche ANFIS sont plus
performants par rapport à ceux trouvés par la logique floue. Seulement, l’approche ANFIS
possède l’inconvénient d’avoir un temps de réponse relativement long.
128 AMAR BECHKAOUI

[BIS 95] C. Bishop, “Neural networks for pattern recognition”, Oxford University Press, 1995
[CHE 02] Chen, C.C. Wong, “Self-generating rule-mapping fuzzy controller design using a
genetic algorithm”, IEE Proceedings on Control Theory and Applications. Vol. 49. pp. 143-148,
2002
[CYB 89] G. Cybenko, “Approximation by superpositions of a sigmoidal function. Mathematics

of Control”, Signals and Systems Vol.2, pp. 303-314, 1989
[HAG 94] M.T. Hagan and M.B. Menhaj, “Training feedforward networks with marquardt
algorithm”. IEEE Trans. On Neural Networks, Vol.5, No. 6, pp. 989-993, 1994
[HOR 89] K. Hornik, M. Stinchcombe and H. White, “Multilayer feedforward networks are
universal approximators”, Neural Networks Vol.2, No. 5, pp. 359-366, 1989
[JAN 93] J.S.R. Jang, “ANFIS Adaptive network based fuzzy inference system”. IEEE
transactions on systems. Man Cybern., Vol.23, No.3, pp. 665-683, 1993
[JAN 95] J.S.R. Jang and C.T. Sun, “Neuro-Fuzzy modeling and control”, Proceedings of the
IEEE, Vol.83, No. 3, pp.378-406, 1995
[MAG 99] G.D. Magoulasb, M.N. Vrahatis and G.S. Androulakis, “Improving the convergence
of the backpropagation algorithm using learning rate adaptation methods”, Neural Computation
Vol.11, pp. 1769-1796, 1999
[MAN 97] K.F. Man, and W.A. Halang, “Genetic algorithms for control and signal processing”,
In: Proceedings of the 23rd Inter. Conf. on Industrial Electronics, Control and Instrumentation.
Vol. 4. New Orleans, LA, USA. pp. 1541-1555, 1997
[MCH 43] W. McCulloch and W. Pitts., “A logical calculus of the ideas immanent in nervous
activity. Bulletin of Mathematical Biophysics”, Vol.7. pp. 115-133, 1943
[OUA 09] Ouahib GUENOUNOU, “Méthodologie de conception de contrôleurs intelligents par

l'approche génétique : application à un bioprocédé”, Thèse de doctorat, Université Toulouse III -
Paul Sabatier, 2009
[RUM 86] D.E. Rumelhart and J. L. McClelland, “Parallel Distributed Processing : Explorations
in the Microstructure of Cognition”, M.I.T. Press, Vol.1, 1986
[SAS 94] P.S. Sastry, G. Santharam and K.P. Unnikrishnan, “Memory neuron networks for
identification and control of dynamical systems”, IEEE Trans. on Neural Networks Vol.5, No. 2,
pp. 306-319, 1994
[SUG 88] M. Sugeno, G.T. Kang, “Structure identification of fuzzy model”, Fuzzy Sets and
Systems, Vol.28, pp. 15-33, 1988
129 AMAR BECHKAOUI

[TAK 85] T. Takagi, M. Sugeno, “Fuzzy identification of systems and its applications to
modeling and control”, IEEE Trans. Syst., Man, Cybern. Vol.15, pp.116-132, 1985
[VOG 98] T.P. Vogl, J.K. Mangis, A.K. Zigler, W.T. Zink and D.L. Alkon, “Accelerating the
convergence of the back-propagation method. Biological Cybernetics”, Vol. 59, pp. 256-264,
1988
[YES 07] A.Yessin, “Mise en œuvre de réseaux de neurones pour la modélisation de cinétiques
réactionnelles en vue de la transposition Batch/Continu”, Thèse de Doctorat, I.N.P. Toulouse, 17
juillet 2007
Articles et Conférences personnels

A. Bechkaoui , S. Bouras , A.Ameur , D. Taibi “ Fault Diagnosis for Stator Winding of
Permanent Magnet Synchronous Motor Using Extended Kalman Filter”journéée d’étude
en Automatique et ces Applications 24 avril 2014 l’université Amar Telidji de
Laghouate.
B. Amar Bechkaoui, Aissa Ameur, Slimane Bouras, Kahina Ouamrane “Diagnosis of Turn
Short Circuit Fault in PMSM Sliding-mode Control based on Adaptive Fuzzy Logic-2
Speed Controller.” AMSE JOURNALS –2015-Series: Advances C; Vol. 70; N° 1; pp 29-
45Submitted Dec. 2014; Revised July 28, 2015; Accepted Sept. 15, 2015.
C. Amar BECHKAOUI, Aissa AMEUR, SLIMANE Bouras,Djamel TAIBI, Kahina

OUAMRANE “Intelligent control using type-2 fuzzy for diagnosis of inter-turn short
circuit fault in PMSM” ELECTROTEHNICĂ, ELECTRONICĂ, AUTOMATICĂ,vol
64(2016),Nr .1.
D. A. Bechkaouia,A.Ameurb, S. Bouras and A. Hadjadj “Open-circuit and inter-turn short-

circuit detection in PMSG for wind turbine applications using fuzzy logic. ” Energy
Procedia 74 ( 2015 ) 1323 – 1336.
E. Amar Bchkaoui, Aissa Ameur ,Slimane Bouras ,Kahina Ouamrane“Hybrid Control Using
Adaptive Fuzzy Sliding Mode for Diagnosis of Stator fault in PMSM” promesse de
publication dans le journal Periodica Polytechnica Transportation Enginering Vol 44, No.
3. (2016). DOI: 10.3311/PPtr.8242
130 AMAR BECHKAOUI

Conclusion générale
Le travail de recherche exposé dans cette thèse a porté sur les machines synchrones à
aimants permanents (MSAP). L’étude de l’état de l’art de la surveillance des machines
électriques a démontré que le défaut de court-circuit entre spires statoriques est le plus néfaste
pour les MSAP. Il a été également démontré que les techniques actuellement utilisées
dans la surveillance des MSAP nécessitent leur modélisation précise et rapide vis-à-vis
des défauts. Cette étape majeure dans le processus de surveillance et de commande des
MSAP a été donc, le premier centre d’intérêt de cette thèse.
En ce qui concerne le défaut de court-circuit entre spires dans les MSAP, un modèle
dynamique a été développé. Il a comme caractéristique importante la mise en équation de la
machine de façon décomposée : les équations de la machine saine et celles apparaissant en
présence du défaut. Cette décomposition facilite la compréhension des effets induits dans
les grandeurs électromagnétiques et mécaniques (courant, tension, couple, vitesse,…),
lorsque on est en présence du défaut. Les résultats de simulation montrent qu’un court-circuit
entre spires produit des ondulations de fréquence double au niveau du couple et de la
vitesse ainsi que l’harmonique d’ordre 3 dans les courants statoriques.
Dans la troisième partie, notre objectif s’est orienté vers l’analyse et la synthèse d’une
commande robuste des grandeurs de la MSAP : courants, couple, flux et vitesse. Il s’agit de
trouver des correcteurs assurant une robustesse en stabilité ainsi que des performances
acceptables. Le correcteur synthétisé doit garantir à la grandeur régulée une dynamique
rapide, une sensibilité réduite par rapport aux variations paramétriques et une bonne
atténuation des bruits.
Pour cela, nous avons fait une étude comparative de deux régulateurs intelligents (RFT1et
RFT2) associé à la commande à mode glissant. Grâce à cette étude, nous avons montré
l’efficacité et la robustesse de notre régulateur proposé (RFT2) vis-à-vis des changements
paramétriques (court-circuit statoriques), le couple de charge et la variation de la vitesse de
rotation.
Dans le quatrième chapitre nous avons traité la prédiction de la sévérité du défaut statorique
par les systèmes neuro flous. Ces systèmes sont nés de l’association des réseaux de neurones
131
AMAR BECHKAOUI
avec la logique floue, de manière à tirer profit des avantages de chacune de ces deux techniques.
Les principales propriétés des systèmes neuro-flous sont leur capacité à traiter dans un même
outil des connaissances numérique et symboliques d’un système.
Ils permettent donc d’exploiter les capacités d’apprentissage des réseaux de neurones d’une
part et les capacités de raisonnement de la logique floue d’autre part. Nous terminons le chapitre
se termine par une étude comparative entre deux méthodes de l’intelligence artificielle enrichies
par des résultats de simulations dans le seul but d’en sélectionner la meilleure pour la
prédiction et la surveillance du défaut électrique statorique.
Ce travail a permis d’ouvrir les perspectives suivantes :

1. les conditions de déroulement de notre thèse nous ont obligés à limiter notre travail à une
étude théorique et à des résultats de simulation. Il serait donc intéressant de tester sur un
banc expérimental, la validité des algorithmes proposés dans ce travail surtout ceux
dédiés au découplage et à la commande robuste, vis à vis des défauts statoriques ou des
défauts mécaniques.
2. Faire une étude de spécification pour créer une méthode ou paradigme qui intègre toutes
les méthodes de L’IA « RNA, AG, RNF, LF, SVM… » ou leurs combinaisons «à
deux ou plus », pour faire une décision multi critères et pouvoir choisir la meilleure
approche pour un module de diagnostic d’un système.
3. Utilisation des algorithmes d’optimisation (PSO, GA, RN…) pour optimiser les gains de
régulateurs de vitesse.
Sur un plan plus généralisé, plusieurs prolongements à ce travail sont envisageables et

permettront la validation et l’amélioration de l’approche proposée.
132
AMAR BECHKAOUI
Annexe
Paramètres du moteur synchrone à aimants permanents étudié [VAS 09]
Caractéristique Valeur Valeur Unité

Nombre d’encoche statoriques 24 -
Nombre de spire / encoche 40 -
Nombre de paire de pole 03 -
Type d’enroulement Distribué -
Connexion d’enroulement Etoile (Y) -
Rayon extérieur du stator 73.3 mm
Rayon intérieur du stator 37.3 mm
Rayon intérieur du rotor 28.8 mm
Epaisseur de la frette 1 mm
Entrefer magnétique 1.5 mm
Type d’aimant NdFeB -
Longueur utile 44 mm
Résistance de phase 0.44 Ω
Inductance de phase 2.8 mh
Tension de phase 50 V
Fréquence d’alimentation 66.67 Hz
Vitesse synchrone 1000 Rpm
Fém (à 1000 rpm) 34 V
Courant de phase 19 A
Couple nominal 10.5 N.m
133
AMAR BECHKAOUI

These Bechkaoui Amar

Transféré par

Droits d'auteur :

Formats disponibles

These Bechkaoui Amar

Transféré par

Informations du document

Description originale:

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

These Bechkaoui Amar

Transféré par

Droits d'auteur :

Formats disponibles

‫وزارة التعليم العالي والبحث العلمي‬

BADJI MOKHTAR –ANNABA UNIVERSITY ‫عنابة‬- ‫جامعة باجي مختار‬

Faculté des sciences de l’ingéniorat

Président : Pr.HEROUS Lazhar Université Badji Mokhtar -Annaba

Rapporteur : Dr. BOURAS Slimane Université Badji Mokhtar -Annaba

Examinateurs : Pr.HADJADJ Aouel Elias Université Badji Mokhtar -Annaba

Pr.NACERI FARID Université de Batna

Pr.MOUSSAOUI Abdelkrim Université de Guelma

Dr.BELKACEM Sebti Université de Batna

Un Remerciement particulier à Monsieur Bouras Slimane, Maître de Conférences au sein du

Je tiens à remercier très vivement Monsieur Herous Lazhar, Professeur au sein du

Mes remerciements vont également à, Monsieur Hadjadj Aouel Elias Professeur,

Je tiens à remercier Monsieur Taibi Djamel Maitre de conférences au sein du département

A mes chers parents, pour leurs soutien inconditionnel, leurs encouragements, et

A la mémoire de ma cherie Ouamrane Tenhinene;

A ma femme, pour m’avoir soutenu, accompagné et surtout supporté tout au long

A mes frères Faycele, Redouane et Abdelhak ;

A mes sœurs Wided et Mounira et tout ma familles ;

A ceux qui m’ont soutenu pendant toute la durée de mes études.

…je dédie ce modeste travail.

Mots clés : Machine synchrone à aimants permanents, surveillance, court-circuits statoriques,

Table Des Matières

I.4. Types des défauts dans les machines électriques 9

I.4.1. Défauts Statoriques 10

I.4. 2. Défauts rotoriques 13

I.4.3. Les défauts des aimants 14

I.4. 4. Excentricité statique et dynamique 15

I.4.5. Défauts du roulement 16

I.6. Les techniques de surveillance d’état 19

I.6.1. Surveillance électromagnétique 19

I.6.2. Surveillance du courant 20

I.6.3. Surveillance de la tension 24

I.6.4. Surveillance mécanique 26

I.6.5. Surveillance thermique 27

I. 7. Les techniques du traitement de signal 28

I. 7.1. Transformée en Série de Fourier 28

I. 7.2. Les techniques de types non stationnaires 28

I.8.Surveillance et Diagnostic des défauts de court-circuits statoriques 31

RÉFÉRENCES BIBLIOGRAPHIQUES DE CHAPITRE-I 33

II.2. Généralités sur les MSAP 39

II.3. Constitution des MSAP 40

II.3.1. Les aimants permanents 40

II.3.2. Structure du rotor 41

II.3.3. Structure du stator 43

II.4. Modélisation de MSAP 44

II.4.1. Hypothèses considérée pour la modélisation 44

II.4.2. Modèle circuit électrique de la machine saine 45

II.4.3. Modèles circuit électrique d’une MSAP en présence de défaut 48

II.4.4. Modèle de la MSAP en présence d’un défaut entre-spires 49

II.5. Modélisation de l’alimentation du MSAP à vitesse variable 51

II.5.1 Système d'alimentation 52

II.5.2.Onduleur de tension triphasé 53

II.6.Commande Direct du Couple de la MSAP 57

II.6.1.Contrôle du flux statorique et du couple électromagnétique 57

II.6.2.Choix du vecteur de tension 59

II.6.3.Estimation du flux et du couple électromagnétique 59

II.6.4.Élaboration de la table de commutation avec séquences nulles 60

II.6.5.La table de commutation avec séquences nulles 61

II.6.6.Elaboration de la table de commutation sans séquences nulles 61