Harket Khalfaoui

REPUBLIQUE ALGERIENNE DEMOCRATIQUE ET POPULAIRE
UNIVERSITE KASDI MERBAH-OUARGLA

Faculté des Nouvelles Technologies de l’information et de la communication
Département d’électronique et de télécommunication
Domaine : Electronique
Spécialité : Automatique
MEMOIRE MASTER ACADEMIQUE

Présenté par :
HARKET Fifi Inchirah et KHELFAOUI Amel
Thème:
Diagnostic de Défauts du Système

Hydraulique Cinq Cuves
Soutenu publiquement
Le : 25/05/2017
Devant le jury :
Mr Mancer Abdelghani M. MAA Président UKM Ouargla
Mr Djeddi Abdelghani M. MAA Encadreur UKM Ouargla
Mr Chakour Chouaib M.MAA Examinateur UKM Ouargla
Année Universitaire :
2016/2017
Liste des figures
Figure I.1 Principe général du diagnostic 4
Figure I.2 Principe du diagnostic des systèmes commandés 4
Figure I.3 Schéma représentant la redondance matérielle 5
Figure I.4 Les trois types de défauts distingués sur un procédé 6
Evolution temporelle des déférents types de défauts a) abrupt, b) graduel et
Figure I.5 7
c) intermittent.
Figure I.6 Procédure de détection et isolation des défauts 8
Figure I.7 Une classification générale des méthodes de diagnostic 9
Figure I.8 Principe de diagnostic avec modèle 21
Figure II.1 Schéma général d’un système dynamique 14
Figure II.2 Décomposition d’une fonction de transfert 19
Figure II.3 Principe d'estimation d’état 22
Figure II.4 Schéma bloc de la représentation d’état 26
Figure II.5 Schéma structurel de l’observateur de Leunberger 30
Figure II.6 La réponse du système pour trois valeurs différentes du gain d’observateur L 34
Figure III.1 Système hydraulique cinq cuves 36
Figure III.2 Entrées du système cinq cuves 46
Figure III.3 Estimation des sorties du système avec erreurs d’estimation 46
Figure IV.1 Schéma de principe de la génération de résidus à base d’observateur. 48
Figure IV.2 Structure d’observateur simple 49
Figure IV.3 Détection par observateurs dédiés 51
Figure IV.4 Détection par observateurs generalisés 53
Figure IV.5 Observateur DOS pour la détection de défauts d’actionneur 55
Figure IV.6 Observateur GOS pour la détection de défauts d’actionneur 55
Figure IV.7 Observateur DOS pour la détection de défauts de capteurs 56
Figure IV.8 Observateur GOS pour la détection de défauts de capteurs. 56
Figure IV.9 Entrées u1(t) et u2(t) 58
Figure IV.10 Entrées u1(t), défaut et bruits considérés 58
Figure IV.11 Sorties du système avec fixation des seuils de détection 59
Figure IV.12 Sorties et leurs estimées banc attaqué par u1(t) 60
Figure IV.13 Sorties et leurs estimées banc attaqué par u2(t) 60
Figure IV.14 Signal de défaut considéré 61
Figure IV.15 Fixation des seuils de détection de défauts capteurs 62
Figure IV.16 Sorties et leurs estimées avec résidus des 5 éléments du banc d’observateurs 63
IV
Abréviations et Symboles
Abréviations
ACP L'analyse en composantes principales
FDI Fault Detection and Isolation
GOS Generalised Observer Scheme
DOS Dedicated Observer Scheme
DSP Digital signal processeur
SLI Système Linéaire Invariant
Symboles
A Matrice de transition
B Matrice de commande
D Matrice de transmission directe
d(k) Vecteur de défaut
e(t) erreur d’estimation d’état
e(k) Vecteur des bruits des mesures
e (t) Dynamique de l’erreur d’estimation d’état
E Matrice qui traduit la direction des défauts
f (t) Vecteur de défaut
fa Défaut d’actionneur
fs Défaut de capteur
L Matrice du gain de l’observateur de Luenberger
M Matrice hurwitz
Q Matrice de variance-covariance de bruit d'état
r(t) un vecteur de résidus
R(s) Résidu du système

t temps
u(t) Commande du système
v(t) Vecteur des bruits d’état de mesure
VI
w (t) Vecteur des bruits d’état
x(k) Vecteur des variables a mesures
x (t) Dérivée de vecteur d’état
x̂ (t) Estimation optimale de vecteur d’état
x̂ ( t ) Dérivée d’estimation d’état
y(k) Vecteur des mesures
ŷ(t) Sortie estimée
z(t) Vecteur d’état de l’observateur
 Notion de dérivée
 et  Fonctions non-linéaires correspondant respectivement à l'équation
Dynamique de l'état
VII
Nous tenons tout d’abord à remercier ALLAH le tout
puissant et miséricordieux,
qui nous a donné la force et la patience d’accomplir ce
modeste travail.
Tous nos infinis remerciements à notre encadreur
Dr.DJEDDI Abdelghani pour son
aide, ses conseils et ses remarques qui nous ont permis de
présenter notre travail dans sa meilleure forme
Nous tenons à exprimer nos sincères remerciements à
tous les professeurs qui nous ont
enseignés et qui par leurs compétences nous ont
soutenues dans la poursuite de nos études.
Nos vifs remerciements vont également aux membres du
jury pour l’intérêt qu’ils ont
Porté à notre mémoire en acceptant d’examiner notre
travail et de l’enrichir par leurs propositions.
Enfin nous remercions tous ceux qui ont contribués de
près ou de loin à l’élaboration de
Ce modeste travail, trouvant ici l’expression de notre
profonde gratitude et profonds respects.
Merci à tous et à toutes.
Je dédie ce modeste travail à :
A l’homme de ma vie, mon exemple éternel, mon soutien

moral et source de joie et de bonheur, celui qui s’est
toujours sacrifié pour me voir réussir, que dieu te garde
dans son vaste paradis, à toi
Mon père.
A la mémoire de ma mère.
Aux personnes dont j’ai bien aimé la présence dans ce

jour, à mes frères, et mon fiancé.
A toute ma famille, et mes amis, A mon binôme Amel. Et

à tous ceux qui ont contribué de près ou de loin pour que
ce projet soit possible, je vous dis merci.
Je dédie ce modeste travail à :
A l’homme de ma vie, mon exemple éternel, mon soutien

moral et source de joie et de bonheur, celui qui s’est
toujours sacrifié pour me voir réussir, que dieu te garde
dans son vaste paradis, à toi
Mon père.
A la lumière de mes jours, la source de mes efforts, la

flamme de mon cœur, ma vie et mon bonheur ; maman
que j’adore.
Aux personnes dont j’ai bien aimé la présence dans ce

jour, à tous mes frères et mes sœurs, à mon fiancé
Houssam.
A toute ma famille, et mes amis, A mon binôme Fifi. Et à

tous ceux qui ont contribué de près ou de loin pour que ce
projet soit possible, je vous dis merci.
Titre Page
Sommaire I
Liste des figures IV
Liste des tableaux VI
Liste des symboles V
Introduction générale 1
Chapitre I: Généralités sur le diagnostic
I.1 Introduction 2
I.2 Définitions et concepts 2
I.3 Qu’est-ce que le diagnostic ? 3
I.4 Principe de diagnostic de défaut 5
I.4.1 Redondances matérielle 5
I 4.2 Redondance analytique 5
I .5 Modèles des défauts 6
I .6 Différentes origines de défaut 6
I.6.1 Défaut sur le capteur 6
I.6.2 Défaut sur l’actionneur 6
I.6.3 Défaut sur le système ou composants 6
I.7 Type de défauts 7
I.8 Procédure de détection et d’isolation des défauts 7
1.8.1 La détection 7
1.8.2 La localisation 8
1.8.3 L’identification 8
I.9 Classification des méthodes de diagnostic 8

I.10 Méthodes sans modèle mathématique 9
I.11 Méthodes de diagnostic à base de modèle 11
I.11.1 Espace de parité 12
I.11.2 Méthodes d’estimation paramétrique 12
I.11.3 Méthodes à base d’estimation d’état 13
I.12 Conclusion 13
Chapitre II : Estimation d’état des systèmes linéaire
II.1 Introduction 14
II.2 Systèmes dynamiques 14
II.2.1. Système non linéaire 14
I
II.3 Linéarisation du système non linéaire 15
II.4 Linéarisation autour d’un point de fonctionnement 16
II.4.1 Exemple 1 17
II.5 Obtention des équations d'état à partir d'une fonction de transfert 18
II.6 Estimateurs d'état 20
II.7 Principe d'estimation d'état 21
II.8 Caractéristiques d'un système linéaire 22
II.8.1 Fonction de transfert 22
II.8.2 Stabilité 23
II.8.3 Variables d'état 23
II.8.4 Représentation des systèmes linéaires 24
II.9 Observabilité 25
II.9.1 Observabilité des systèmes linéaires 26
II.10 Observateurs des systèmes linéaires 27
II.10.1 Observateur de Luenberger 27
II.11 Exemple 2 31
II.12 Observateur à entrées inconnues 33
II.13 Conclusion 35
Chapitre III : Modélisation du système non linéaire Cinq cuves
III.1 Introduction 36
III.2 Modélisation du système hydraulique Cinque cuves 36
III.2.1 Description du système 36
III.2.2 Modèle mathématique du système 37
III.2.2.1 Le sous-système s/s1 37
III.2.2.2 Le Sous-système s/s2 38
III.2.2.3 Le Sous-système s/s3 39
III.3 Construction d'observateur a entrée inconnue 41
III.3.1 la synthèse de l’algorithme de l’observateur 42
III.4 Simulation sans défauts 45
III.5 Conclusion 47
Chapitre IV : Diagnostic de défauts du système hydraulique Cinq
cuves
IV.1 Introduction 48
IV.2 Diagnostic à base d’observateur 48
IV.3 Détection par observateur simplifié 49
II
IV.4 Détection de défaut par observateur 49
IV.4.1 Calcul des résidus 49
IV.4.2 Fixation du seuil de détection 50
IV.5 Détection par observateur généraliser et dédie 50
IV.5.1 Approche par observateur dédie (Dedicated Observer Scheme (DOS)) 50
IV.5.2 Approche par observateur généralisé (Generalised Observer Scheme 52

(GOS)
IV.6 Diagnostic de défauts actionneurs 53

IV.7 Diagnostic de défauts capteurs 55
IV.8 Diagnostic de défauts du système hydraulique 5 cuves 57
IV.8.1 Diagnostic de défaut actionneurs 58
IV.8.2 Diagnostic de défaut capteur 61
IV.8 Conclusion 64
Conclusion générale 65
Bibliographie VII
III
Introduction Générale
Le diagnostic est un système d’aide à la décision qui permet de détecter et localiser les
composants ou les organes défaillants d’un système et éventuellement de déterminer ses
causes.
De manière générale, le diagnostic est le raisonnement menant à l’isolation et
l’identification de la cause (l’origine) d’une défaillance, à partir des caractères ou symptômes
relevés par des observations, des contrôles ou des tests.
L’objectif du diagnostic consiste à détecter, localiser et éventuellement identifier le (ou
les) défaut(s) affectant le système étudié. Plusieurs méthodes utilisées pour faire le diagnostic
du système, on distingue des méthodes à base de modèle et d’autres méthodes sans modèle.
La nécessité du diagnostic de défauts pour les systèmes industriels a conduit au
développement de nouvelles techniques. Parmi ces nouvelles techniques développées,
l’automatique industrielle introduit les notions d’observation des systèmes.
L’objectif de ce travail consiste on l’utilisation des observateurs pour faire le diagnostic
de défauts affectant les capteurs et/ou les actionneurs d’un système hydraulique à cinq cuves.
Pour concrétiser l’objectif cherché, notre mémoire est composé de quatre chapitres
organisés de la façon suivante :
Chapitre 1 : Présente des concepts généraux sur le diagnostic. Il sera notamment
consacré aux concepts fondamentaux du diagnostic des systèmes à bases de modèles.
Chapitre 2 : Dans ce chapitre on présente un rappelle sur la représentation d’état, la
reconstruction de l’estimateur d’état (Observateur) d’un système et les deux type
d’observateurs (Luenberger et à entrées inconnues) pour les systèmes linéaires.
Chapitre 3 : Ce chapitre présente la description du système hydraulique à cinq
cuves, le modèle non linéaire du système considéré, la linéarisation du modèle non linéaire, et
l’estimation des états du système linéarisés.
Chapitre 4 : Ce chapitre sera consacré à l’application de la méthode de diagnostic basée
sur l’utilisation des bancs d’observateurs. On présente les étapes à suivre pour faire la
détection et localisation de défaut appliqué sur un système hydraulique cinq cuves.
Ce mémoire se termine par une conclusion générale et des perspectives.
Page 1
Chapitre I : Généralités sur le diagnostic
I.1 Introduction :
Selon, le contexte et le domaine d’application, le mot diagnostic peut avoir plusieurs

interprétations. Le diagnostic des procédés industriels a pour objet de trouver la cause d’une
défaillance ou d’un défaut, il est défini par les instances internationales de normalisation
comme étant un processus d’identification de la cause probable des défaillances à l’aide d’un
raisonnement logique fondé sur un ensemble d’informations provenant d’une inspection, d’un
contrôle ou d’un test. De manière générale, lorsqu’on parle de diagnostic des défauts, on se
réfère à la procédure de détection et d’isolation de ces derniers, que l’on retrouve souvent
sous le nom: FDI (Fault Détection and Isolation). Cette procédure nous permet d’avoir des
informations sur l’apparition d’un défaut et sur sa provenance le plus rapidement possible.
Les méthodes de détection et de localisation des défauts ont connu un essor considérable
depuis le début des années70 [1,2].
En effet, de nombreux chercheurs ont investi dans ce domaine proposant alors diverses
approches et techniques répondant à la diversité des applications. Nous proposons dans ce
chapitre de faire un bref rappel sur le diagnostic des défauts dans les systèmes physiques.
L’intérêt se portera essentiellement sur le problème de détection et d’isolation des
défauts. Il est question, dans un premier temps, de donner les différents concepts et notions
rencontrés dans la littérature concernant le diagnostic des défauts, car un bon diagnostic
nécessite une bonne compréhension de ces notions. Le principe de base du diagnostic sera
alors présenté ainsi que les différentes méthodes proposées dans ce domaine. D’autre part,
nous allons présenter la procédure générale de détection et d’isolation des défauts par les
méthodes à base de modèle mathématique. Cette dernière passe par deux étapes essentielles :
la génération et l’évaluation du vecteur résidu. Mais auparavant, nous allons introduire la
manière avec laquelle aborder un problème FDI [3].
I.2 Définitions et concepts :

Le diagnostic de défauts est une procédure qui consiste à détecter, localiser et identifier
un composant ou un élément défectueux dans un système dynamique. Pour pouvoir évoquer
les événements pouvant survenir dans un système nous allons définir les termes suivants [4] :
Une panne : Etat d’un système incapable d’assurer le service spécifié à la suite d’une
défaillance [4].
Un défaut : L’altération ou la cessation de l’aptitude d’un ensemble à accomplir ses fonctions
requises avec des performances définies dans les spécifications techniques [4].
Page 2
Une défaillance : Perte partielle ou totale des fonctionnalités du système qui le rend
incapable de délivrer le service pour lequel il a été conçu [4].
Une anomalie : est une particularité non conforme à la loi naturelle ou logique [5].
Une perturbation : entrée du système physique qui n’est pas une commande. Autrement dit,
c’est une entrée non commandée [6].
Un résidu : Un indicateur de défauts basé sur la différence entre les mesures et les calculs [7].
Un symptôme: est un caractère distinctif d’un état fonctionnel ou comportemental anormal [7].
Le diagnostic : Le diagnostic consiste à détecter, localiser et éventuellement identifier les
défauts qui affectent un système [8].
La surveillance : est une tâche continue, réalisée en temps réel, qui permet de déterminer
l'état d'un système physique, elle consiste en l'enregistrement des informations ainsi qu'en la
reconnaissance et l'indication des anomalies du comportement [3].
La sensibilité : représente la capacité d’un système de diagnostic à générer des résidus
sensibles aux défauts à détecter. Ces défauts sont généralement caractérisés par une certaine
amplitude [3].
La supervision : est la surveillance d'un système physique et la prise de décisions appropriées
en vue de maintenir son opération lors de l'apparition de défauts [3].
I.3 Qu’est-ce que le diagnostic ?
Le diagnostic est une procédure qui consiste à détecter et localiser un composant ou un

élément défectueux dans un système dynamique. On désigne par détection la capacité à mettre
en évidence l’apparition d’un ou plusieurs défauts. On parle de localisation quand on est, de
plus, capable de préciser la nature du ou des défauts occurrents. La structure générale d’une
procédure de diagnostic est représentée sur la figure I.1 où le module de diagnostic est
alimenté par toute la connaissance disponible (observation et modèle) sur le système. Cette
connaissance inclut les mesures des variables et toute autre information pouvant être utile
pour le diagnostic comme, par exemple, la structure du système. Le module de diagnostic
traite les observations et produit un "diagnostic" qui est une liste de défauts possibles pouvant
affecter le système au cours du temps [9].
Page 3
Entrées Système Sorties
Génération d’indicateurs de défaut
Détection /décision Diagnostic
Identification/ localisation
Variables connues (observations)
Figure I.1 : Principe général du diagnostic
Souvent, le système est régulé par un contrôleur dans le but d’améliorer ses
performances. Dans ce cas, les variables connues sont les sorties du contrôleur et les mesures
de sorties fournies par les capteurs. Ce cas est illustré par la figure I.2 qui illustre une
complication fondamentale pour la synthèse du module de diagnostic due à la présence non
seulement des défauts mais aussi de perturbations. Ces deux types d’entrées non contrôlées et
généralement non mesurables affectent l’évolution du système et dégradent ses performances.
Les perturbations appelées aussi entrées inconnues, ne sont pas considérées comme des
défauts mais influencent également l’évolution du système [9].
Contrôleur
défaut
Système muni de sa stratégie de
Signaux de controle
Signaux de controle Système
commande
perturbation
Module de diagnostic
Figure. I.2 : Principe du diagnostic des systèmes commandés
Le module de diagnostic doit distinguer de ce fait l’influence provoquée par ces entrées
inconnues et celle causée par les défauts [9].
Page 4
I.4 Principe de diagnostic de défaut :
I.4.1 Redondances matérielle :
Le principe de base du diagnostic des défauts repose sur la notion de redondance, qui
fournit au système plusieurs informations différentes sur une même variable. Des tests vont
alors permettre de vérifier la cohérence de ces informations. Cependant, il existe deux
approches: La première dite traditionnelle consiste à ajouter des capteurs afin d’obtenir des
informations supplémentaires sur l’état du système. C’est la redondance matérielle [10].
Capteur1 Mesures 1
Capteur2 Mesures 2
Figure I.3: Schéma représentant la redondance matérielle
L’inconvénient majeur de cette approche est le coût additionnel en équipement. La

deuxième approche est dite redondance analytique. Elle consiste à développer des algorithmes
de détection et de localisation des défauts en utilisant les mesures disponibles sur le système.
Une équation de redondance analytique est une équation dans laquelle toutes les variables
sont connues. Pour éviter les fausses alarmes ou les manques de détection, ces algorithmes
doivent tenir compte des bruits de mesure, des perturbations ainsi que des erreurs de
modélisation. Les méthodes basées sur cette approche sont plus simples, plus flexibles, moins
coûteuses et plus écologiques que l’approche traditionnelle [3, 10].
I .4.2 Redondance analytique :
Un complément à la redondance physique consiste à exploiter les contraintes liant les

différentes variables du système. Ces contraintes peuvent souvent s’exprimer sous la forme de
relations analytiques liant les variables connues (relations d’entrée/sortie ou de sortie/sortie).
Ces relations sont appelées relations de redondances analytiques. Le principe de la
surveillance consiste à vérifier la fermeture algébrique de ces relations en utilisant les
mesures prélevées en ligne sur le système. Le concept de redondance analytique repose sur
l’utilisation d’un modèle mathématique du système à surveiller [11]. Pour cette raison, les
méthodes utilisant la redondance analytique pour la surveillance sont appelées méthodes à
Page 5
base de modèle. Le principe de la surveillance utilisant un modèle peut être sépare en deux
étapes : la génération de résidus et la prise de décision [12].
I .5 Modèles des défauts :
Un modèle de défaut est une représentation formelle de la connaissance des défauts et

de leurs façons d’influencer le système. En général, l’utilisation de modèles de défauts assure
une meilleure performance du diagnostic. Plus précisément, des défauts de faibles amplitudes
peuvent être détectés et différents types de défauts peuvent être localisés. Dans la suite, nous
allons décrire les concepts fondamentaux de la détection de défauts et leur diagnostic en
utilisant la redondance analytique [9].
I .6 Différentes origines de défaut :
On observe plusieurs origines de pannes possibles pouvant modifier les relations de

causes à effets d’un processus. Les défauts sont des événements qui apparaissent à différents
endroits du système. Dans la littérature, les défauts sont classés en fonction de leur
localisation, définissant alors trois types de défauts. Sur un procédé, on distingue trois types
de défauts[13] :
I.6.1 Défaut sur le capteur : se traduit par le fait que la mesure fournie par le capteur ne
correspond pas à la réalité car elle est entachée d’une erreur [13].
I.6. 2 Défaut sur l’actionneur : se traduit, quand à elle, par le fait que l’actionneur ne réagit
pas correctement à la commande qui lui est imposée [13].
I.6.3 Défaut sur le système ou composants : correspond à une modification permanente et
suffisante de ses caractéristiques physiques [13].
Défaut d’actionneurs Défaut de composant Défaut de capteur
Actionneur Processus Capteur
perturbation perturbation perturbation
Figure I.4: Les trois types de défauts distinguer sur un procédé
Page 6
I.7 Type de défauts :
Les défauts peuvent être différenciés selon leur forme et leur comportement dans le
temps. En générale on distingue trois types:
 Défaut abrupt : il est caractérisé par une discontinuité de l’évolution temporelle de la

variable [14].
Il est caractéristique d’une panne brutale : arrêt total ou partiel de connexion [3].
 Défaut intermittent : Ce défaut est un cas particulier de défaut abrupt avec la propriété
particulière que le signal revient de façon aléatoire à sa valeur normale. Ce type de défauts
caractérise les faux contacts [3].
 Défaut graduel: c’est un défaut caractéristique d’une usure d’une pièce ou d’un
encrassement. Il est très difficile à être détecté à cause de son évolution temporelle qui peut
être confondue à une modification paramétrique lente représentant le non stationnarité du
procédé [15].
Figure I.5 : Evolution temporelle des déférents types de défauts

a) abrupt, b) graduel et c) intermittent.
I.8 Procédure de détection et d’isolation des défauts :

Comme elle est représentée par la figure I.3, La procédure de détection passe par trois
étapes à savoir la localisation, la localisation et l’identification des défauts [3]:
1.8.1 La détection : C’est l’étape qui décide si le système est soumis à un défaut ou pas. Elle
consiste dans la plus part des cas à générer le vecteur résidu, qui est nul en fonctionnement
normal et est comparé en ligne aux signatures de pannes.
La détection de pannes est souvent suivie d'une procédure d'isolation de pannes, qui sert à
distinguer (isoler) une panne particulière. Un seul résidu peut suffire pour détecter les pannes,
cependant plusieurs résidus (ou un vecteur de résidus) sont souvent requis pour l'isolation de
panne.
Page 7
1.8.2 La localisation : Consiste à remonter vers l’origine de défaut (capteur, actionneur ou

composant du système).
1.8.3 L’identification : L’ampleur et le type des défauts sont estimés dans cette phase.
Procédé
Détection Localisation Identification
Modèle
Figure I.6: Procédure de détection et d’isolation des défauts.
I.9 Classification des méthodes de diagnostic :
Les méthodes de diagnostic se distinguent selon différents critères: la dynamique de

procédé (discret, continu ou hybride), sa complexité, l’implémentation de diagnostic en ligne
et/ou hors ligne, la nature d’information (qualitative et/ou quantitative), sa profondeur
(structurelle, fonctionnelle et/ou temporelle), sa distribution (centralisée, décentralisée ou
distribuée)…etc. Dans ce contexte, plusieurs classifications sont proposées dans la littérature
[16][17][18][19]. Ces classifications sont influencées par les terminologies et les contextes
particuliers de chaque communauté et ne pas toujours homogènes. Nous présentons une
classification non exhaustive des méthodes de diagnostic en deux grandes familles (figure
(I.7)):
- Les méthodes sans modèle mathématique qui ne nécessitent pas de connaissances accrues du
système physique, mais des connaissances superficielles,
- Les méthodes à base de modèles qui nécessitent une connaissance approfondie du système
physique.
Page 8
Méthodes de diagnostic
Méthodes à base de modèle Méthodes sans modèle
Méthodes Méthodes Méthodes Méthodes

quantitatives qualitatives qualitatives quantitatives
Estimation Graphe ACP L'AMDEC

d'états d'influence
Espace de parité Reconnaissance de Arbre de

Modèle forme défaillance
AQT
Estimation
Paramétrique Systèmes
Analyse spectrale experts
Réseau de neurone
Figure I.7 : Une classification générale des méthodes de diagnostic.
I.10 Méthodes sans modèle mathématique :

Tout d'abord, les méthodes n'utilisant pas de modélisations mathématiques sont passées
en Revue. Gertler, dans[23], donne une classification de ces différentes méthodes.
a. Les méthodes dites mono-signal :
 Vérification de seuils atteint :

Les mesures sont comparées à des seuils critiques définis par avance. Le fait de
dépasser Cette limite présente des dangers quant à l'utilisation du processus ; le système est
mis en Défaut. Dans beaucoup de systèmes, deux niveaux limites sont définis : les services du
Page 9
Premier niveau conduisent seulement à l'avertissement préalable de l'existence d'un

défaut,Tandis que le deuxième niveau déclenche des mesures d'urgence [8].
 Mise en place de capteurs dédiés :

Ces capteurs peuvent être soit des détecteurs vérifiant de manière simple si les
valeursCritiques sont atteintes ou non (par exemple, température limite ou pression) ou soit
desCapteurs mesurant des variables spécifiques (par exemple : bruit, vibration, élongation) [8].
 Le traitement statistique :
Le traitement statistique du signal consiste à calculer les paramètres statistiques
decertaines variables significatives du processus tels que les moments statistiques
(moyenne,variance,...), la somme cumulée, ... Chacune des valeurs statistiques est testée afin
de détecter un défaut présent sur le signal [8].
 L'analyse spectrale :
Certaines mesures ont un spectre typique de fréquence sous des conditions normales de
Fonctionnement ; toute déviation de celui-ci est une indication d'anomalie. Certains
types de défaut peuvent même avoir une signature caractéristique dans le spectre qui peut être
utilisé Pour l'isolation des défauts [24].
b. Les méthodes dites multi-signal :
 La redondance matérielle :
La redondance matérielle consiste en la mise en place d'une série de capteurs mesurant
la même grandeur physique sur un même organe du système. Les comparaisons par différence
des mesures des capteurs deux à deux forment alors les résidus. Si un des capteurs est
défaillant, il est alors détecté et isolé facilement, car il affecte tous les résidus où il intervient.
De nombreuses applications industrielles appliquent cette méthode de diagnostic [25] [26].
Cette méthode est pour les systèmes présentant des hauts risques, comme Les centrales
nucléaires, l'aéronautique. il s'agit de systèmes sur lesquels la sécurité prime sur Le coût et la
maintenance des capteurs.
 Les systèmes experts :

L'approche par systèmes experts est différente des méthodes précédentes, dans le sens
où elle vise à évaluer les symptômes obtenus par la détection matérielle ou logicielle. Le
système expert se compose habituellement d'une combinaison de règles logiques du genre :
Page 10
SI [état du système i] ET (fait observable)

ALORS [état du système j],
Où chaque conclusion peut, alternativement, servir d'état dans une prochaine règle
jusqu'à ce que la conclusion finale soit atteinte. Le système expert peut soit fonctionner grâce
à l'information qui lui est présentée par la détection matérielle ou logicielle ou soit interagir
avec un opérateur humain, s'enquérant auprès de lui des symptômes particuliers et le guidant
au travers des processus entièrement logiques [27].
 Méthodes qualitatives :
Les méthodes qualitatives ont pour cadre l'approche logique provenant de la

communauté Intelligence Artificielle. Ces méthodes reposent sur la quantification des signaux
d'entrées et de sorties. Dès lors, tous les signaux sont partitionnés en valeurs discrètes tout en
s'assurant que le modèle fournit les informations nécessaires afin de distinguer le cas sans
défaut du cas avec défaut. L'identification du modèle qualitatif peut être faite grâce à un
automate où chaque région est représentée par un mode. Le passage d'un mode à l'autre se fait
par le franchissement de valeurs frontières et cela avec une probabilité donnée. Le diagnostic
consiste à regarder la concordance entre les régions des sorties vis-à-vis des régions des
entrées et cela pour un certain nombre de défauts définis [8].
 L'analyse en composantes principales – ACP :

L'analyse en composantes principales (ACP) est une technique descriptive permettant
d'étudier les relations qui existent entre les variables, sans tenir compte, a priori, d’un
quelconque modèle [8, 28].
I.11 Méthodes de diagnostic à base de modèle :
Le principe de ces méthodes consiste à comparer le comportement du système avec le

comportement du modèle qualitatif et/ou quantitatif établi. Tout écart est alors synonyme
d’une défaillance, comme indiqué dans le schéma de la figure I.8. Il est nécessaire donc
d’avoir des connaissances approfondies sur le procédé à diagnostiquer sous la forme d’un
modèle représentatif, qui fournit des grandeurs caractéristiques du procédé qui seront
constamment comparées aux grandeurs issues du procédé réel. Selon le type du modèle
(qualitatif et/ou quantitatif), on peut distinguer deux branches de méthodes : les méthodes
quantitatives issues de la communauté FDI (Fault Detection and Isolation) et les méthodes
qualitatives issues des communautés intelligence artificielle. La dissociation entre les
Page 11
méthodes qualitatives et les méthodes quantitatives n’implique pas que ces deux aspects sont
disjoints. En réalité, ces deux types d’approche peuvent coexister au sein d’une même
méthode de diagnostic [3].
Comportement
Système physique
observé
Ecart=détection Isolation
Comportement
Modèle de système
prédit
Figure I.8: Principe de diagnostic avec modèle
I.11.1 Espace de parité :
Cette méthode est utilisable à la fois dans le cas des systèmes déterministes et dans le
cas des systèmes stochastiques. Elle s’appuie sur l’élaboration de signaux permettant de tester
la cohérence des mesures par rapport à leurs valeurs calculées à l’aide d’un modèle (on parle
aussi de consistance des mesures, de leur parité). D’un point de vue général, la méthode
consiste à vérifier les relations algébriques entrées/sorties du modèle en utilisant les mesures
réelles. Pour cela, les signaux recueillis sur le système sont injectés dans les relations
entrées/sorties et les signaux ainsi créés sont utilisés comme résidus. La méthode a été
développée au début pour le cas statique, puis elle été généralisée plus tard pour cas des
systèmes dynamiques. Cette généralisation utilise la redondance temporelle, c’est à- dire des
relations faisant intervenir les valeurs des sorties des capteurs et les entrées des actionneurs à
différents instants. Enfin, la redondance fréquentielle est également utilisée [3].
I.11.2 Méthodes d’estimation paramétrique :
Quand la structure du modèle est connue la détection et la localisation des défauts

peuvent être effectuées en utilisant des techniques d’identification. L’idée de base consiste à
estimer les paramètres du système en temps réel et de les comparer aux paramètres non
affectés par les défauts [20].Pour cela on doit établir un modèle mathématique du système à
diagnostiquer et décrire toutes les relations qui existe entre les constantes physiques et les
paramètres du modèle, puis estimer les paramètres du système ainsi que ceux du modèle à
Page 12
partir des entrées et sorties du système. Le vecteur de résidus est obtenu en faisant la
différence entre les grandeurs estimées et les valeurs nominales [3].
I.11.3 Méthodes à base d’estimation d’état :
Cette approche s’appuie sur une bonne connaissance du modèle et de ses

paramètres, et nécessite l’intégration des diverses relations qui, contrairement aux relations de
parité, sont différentielles. Le diagnostic de défaut à base d’observateurs est basé sur le
principe de génération de résidus en comparant les grandeurs disponibles du système réel
aux grandeurs estimées (issues de l’observateur). L’état du système est reconstruit en se
recalant à l’aide de certaines mesures [22], le gain de l’estimateur dépendant des objectifs et
des performances désirées. Dans le cas des systèmes linéaires, la structure de base des
reconstructeurs est toujours la même, un modèle parallèle corrigé à l’à l’aide de l’erreur
d’estimation multipliée par un gain adéquat, mais dans le cas non linéaires le problème
s’avère difficile En diagnostic, la construction d’observateur est beaucoup plus complexe
que ce que il en est dans le cas de commande dans la mesure où les paramètres d’observateurs
jouent un rôle aussi sur la manière dont les défauts vont affecter les résidus. En plus d’assurer
la stabilité, ces paramètres doivent permettre de structurer les résidus afin de localiser les
défauts. Cependant, pour ce type de stratégie, si une anomalie apparaît, elle affecte en général
toutes les composantes des vecteurs résidus ; de ce fait, le problème de localisation est plus
complexe que ce qu’il en est dans le cadre de l’espace de parité. Pour résoudre ce problème,
une solution consiste à construire des bancs d’observateurs où chacun d’entre eux surveille un
défaut [21].
I.12 Conclusion:
Dans ce chapitre, nous avons présenté, un bref rappel sur le concept et la terminologie
propre au diagnostic de défauts. Les méthodes de diagnostic sans modèle et les méthodes à
base de modèle ainsi que les différentes natures de défauts ont été déployées.
Page 13
Chapitre II : Estimation d’état des systèmes linéaires
II.1Introduction:
En automatique et en théorie de l'information, un observateur d'état est une extension

d'un modèle représenté sous forme de représentation d'état. Lorsque l'état d'un système n'est
pas mesurable, on conçoit un observateur qui permet de reconstruire l'état à partir d'un modèle
du système dynamique et des mesures d'autres grandeurs [29].
L’estimation d’état d’un système joue un rôle important dans le diagnostic des
systèmes, car elle permet de générer des symptômes de défaillance du système à partir d’une
comparaison entre les variables mesurées et celles estimées.
Dans ce chapitre, nous allons présenter un rappel sur les systèmes dynamique, par la
suite, nous allons examiner la construction des estimateurs d’état, qui vont servir pour le
calcul des résidus.
II.2 Systèmes dynamiques :
Un système est dit dynamique si son comportement évolue au cours du temps. Il peut
être représenté du point de vue conceptuel par le schéma suivant [30] :
Entrée Système Sorties

s
x ( t )
Figure. II.1 : Schéma général d’un système dynamique
II.2.1 Systèmes non linéaires:
La plupart des systèmes qui nous entourent se modélisent par des systèmes non
linéaires. En raison des différents types de non linéarités pouvant intervenir dans la
modélisation, il est très difficile d’établir des méthodes génériques comme dans le cas des
Systèmes linéaires [30].
La représentation d'état d'un système dynamique non linéaire supposé définis dans les
conditionsnominales est donnée par les équations:
Page 14
x ( t )  ( x, u, t )
(II.1)
y( t )   ( x , u , t )
Où la variable t représente le temps, x   n le vecteur d'état, u   m le vecteur de

commande ou entrée, y   p le vecteur de mesure ou de sortie  et  , sont les fonctions non-
linéaires correspondant respectivement à l'équation dynamique de l'état et à l'équation de
mesure [31].
Nous allons considérer le système autour d’un équilibre, qui peut être constant ou pas.
Dans le premier cas il s’agira d’un point de fonctionnement et dans le deuxième, nous
envisagerons une trajectoire. Mais ce qui est important, c’est que nous allons considérer des
variations autour de cet équilibre. Le modèle linéaire obtenu ne sera donc pas entre les
variables initiales mais entre les écarts de ces variables.
II.3 Linéarisation du système non linéaire:
Malgré les différents travaux réalisés dans le cadre de diagnostic des systèmes non
linéaires, mais lors de leur mise en place pratique, ces méthodes ont un coût assez prohibitif.
Souvent les méthodes linéaires ou linéarisés sont préférées. La linéarisation du système non-
linéaire passe par l'écriture du développement limiter d'ordre 1 du système. Ainsi l'écriture
d'un système non-linéaire sous une forme linéarisée va être définie par le système (II.2) en
définissant les matrices A(t) B(t) C(t) D(t) de la façon suivante [32] :
 ( x, u, t ) ( x, u, t )
A(t )  x 0, u 0, t 0 B( t )  x 0, u 0, t 0
x(t ) u ( t )
(II.2)
 ( x, u, t ) ( x, u, t )
C (t )  x 0, u 0, t 0 D ( t )  x 0, u 0, t 0
x(t ) u ( t )
Où le symbole ∂ désigne la notion de à dérivée partielle, x 0, u 0 et , t 0 respectivement l'état,

la Commande et l'instant où la linéarisation est appliquée.
Il existe plusieurs méthodes de linéarisation, parmi lesquelles on cite:
Page 15
 Linéarisation, autour d’un point de fonctionnement.

 linéarisation, autour de plusieurs points de fonctionnements.
 linéarisation tangente.
 Approchemultimodales.
Chacune de ces méthodes de linéarisation à des avantages et des inconvénients, et le

choix de L’une d’entre elle est liée au cahier de charge du système à linéariser ainsi qu’à
sonapplication on va se limetier dans ce chapitre de présenter la méthode de linéarisation
autour d’un point de fonctionnement.
II.4 Linéarisation autour d’un point de fonctionnement:
Considérons un point d’équilibre constant du système (II.1) que l’on note

E  (ye , xe ,ue )  0 , ce point d’équilibre est défini par [30]:
φ(0, xe ,u e )  0
(ye , xe ,u e )  0 (II.3)
On a introduit les variables d’écart :
δ x  x-xe
δ y=y-ye (II.4)
δ z=z-ze
et en effectuant un développement limite au premier ordre des équations non

linéaires(II.1) on obtient [30] :

 φ(α,β,γ   φ(α,β,γ)   φ(α,β,γ)  (II.5)
φ(x (t),x(t),u(t))  φ(0,xe,ue)    (t)  
 δx
 δx(t)    δu(t)
   
 α  
E  β  E  γ  E
0 0
 ψ(  ,,  )   ψ(  ,,  )   ψ(  ,,  ) 

ψ(y(t), x(t), u(t))  ψ(ye, xe, ue)   δy(t)    δx(t)    δu(t)
        E    E
E
0 0 (II.6)
Page 16
Ce qui nous donne :

φ(α, β, γ   φ(  ,,  )   φ( , ,  ) 
0    δx(t)    δx(t)    δu(t) (II.7)
   E   E   E

 ( , β, γ   (  , ,  )   ( ,  ,  ) 
0    δy(t)    δx(t)    δu(t)
  E

   E   E
 φ(  ,,  )   (  ,,  ) 

Ainsi lorsque les matrices   et   sont non singulières, on obtient
  E   E
le système d’état suivant linéarisée autour de E [33].
 (t)  AX(t)  BU(t)

X
Y(t)  CX(t)  DU(t) (II.9)
X(t )  x(t) ,U(t)  δu(t) , Y(t)  δy(t) et :
1 1
 ( ,  ,  )   ( ,  ,  )   ( ,  ,  )   ( ,  ,  ) 
 -    , B  -   
  E   E   E   E
1 1
(II.10)
  ( ,  ,  )    ( ,  ,  )    ( ,  ,  )    ( ,  ,  ) 
C  -    , D  -   
  E   E   E   E
II.4.1 Exemple 1:
Considérons le système de Lotka-volterra [33] :
 x  (1  Z)x
s (II.11)
Z  (1  x)Z
Page 17
 x  1
Rappelons que  e     est un point d’équilibre autour de ce dernier. En utilisant
 z e  1
l’équation (II.11) on obtient [37]:
 f(x, z)   f(x, z) 
y  f ( xe , z e )    ( x  xe )    (z  ze )
 x  xe , ze  x  xe , ze
(II.12)
 0  1  z e  xe  x  xe 
      
 0  z e  1  x e   z  z e 
 0  1  x  1  - z  1
      
 1 0   z  1  x  1 
II.5 Obtention des équations d'état à partir d’une fonction de transfert:
Pour simplifier les calculs, nous ne considérerons que le cas mono-entrée, mono-sortie.
Considérons donc la fonction de transfert d’un système mono-entrée, mono-sortie [34].
y(p) b n p n  b n 1p n 1    b1p  b 0

H ( p)   n (II.13)
u ( p) p  a n 1p n 1    a 1p  a 0
Pour ce système, nous introduisons une variables auxiliaire (état partiel) (p) tel que
H(p) de se décompose la façon suivante [34]:
U (p) Y(p)
V(p)
.
FigureII.2: Décomposition d’une fonction de transfert
Page 18
V(p) 1
 (II.14)
U(p) p n  a n1p n1    a1p  a 0
Y(p) (II.15)
 b n p n  b n 1p n 1    b1p  b 0
V(p)
De (II.15), on tire que :
y(t )  b n v n (t )  b n 1p n 1    b1 v (t )  b 0 v(t ) (II.16)
De même, de(II.14) on a :
u(t )  v n (t )  a n 1 v n 1 (t )    a 0 v(t ) (II.17)
Soit,
v n (t )  a n 1 v n 1 (t )    a 0 v(t )  u(t ) (II.18)
En posant :
 x1  v
 x  v
 2

 
(II.19)
 x n  v n 1
On obtient,
x 1  x 2
x  x
 2 3


(II.20)
x n  v n  -a0 x 1  a1 x 2  a n-1 x n  u

Page 19
En outre, de (2.14) et (2.15), la sortie y(t) prend la forme :
y(t)  (b  bn a 0 )x1  (b1  bn a 1 )x    bn1  bn an1 )xn bn u

0 2 (II.21)
Soit, sous forme vectorielle.
 x1 
 
x2 
 bn u (II.22)
y(t)  (b  bn a 0 b 1  bn a 1  bn 1  bn a n 1 )  
0  
 xn 
 
II.6 Estimateurs d’état:

Un estimateur est défini comme un système dynamique dans lequel ses grandeurs
d’état sont des estimations des variables d’état d’un autre système, par exemple, une
machine électrique. Principalement, il y a deux façons de réaliser un estimateur : en boucle
ouverte ou en boucle fermée. La différence entre ces deux méthodes est basée sur
l’existence, ou non, d’un terme de correction, liéà l’erreur d’estimation, utilisé pour affiner
la réponse de l’estimateur. Un estimateur en boucle fermée est connu sous le nom
d’observateur.
Les estimateurs, de par leur principe, sont sensibles aux variations paramétriques.
L’utilisation d’un observateur améliore la robustesse des estimations vis-à-vis des variations
paramétriques et des bruits de mesure. La performance d’un observateur est liée souvent à
une augmentation de sa complexité. Il faudra donc trouver un compromis afin de satisfaire
une bonne précision des estimations sans trop pénaliser le temps de calcul. Sous l’hypothèse
de linéarité du modèle du processus, la structure de base de l’estimateur est toujours la
même, mais sa réalisation dépendra du contexte choisi : continu ou discret, déterministe ou
stochastique [35].
Page 20
II.7 Principe d’estimation d’état:
Un observateur est un système dynamique qui permet la reconstruction (asymptotique

ouexponentielle) de l’état d’un système, à partir de ses entrées, de ses sorties, et de
laconnaissance de son modèle dynamique, qui sont les seules informations disponibles.
Ceprincipe est illustré par la figure (II.3) [8].
U : entrée S
y : sortie
x : état
O : état
x̂(t)
Figure II.3:Principe d’estimation d’état
Le problème de la conception d’un observateur pour un système donné est posé comme
suit :
Soit le système (II.23) [8] :
x (t)  f(x(t),u(t))
(II.23)
y(t)  h(x(t), u(t))
x n 1   n : est le vecteur d’état, u   m est le vecteur d’entrée, y   p est le vecteur de

sortie, et les conditions initiales sont données par : x0 = x(0) [8].
Page 21
II.8 Caractéristiques d’un système linéaire :
II.8.1 Fonction de transfert :
Définition:
Considérons un système linéaire quelconque possédant une entrée e(t) et une sortie s(t).
On suppose qu’il est régi par une équation différentielle de degré n [36]:
d ns d me
an n    a1  a0 st   bm m    b1  b0 et 
ds de
(II.24)
dt dt dt dt
Si nous appliquons la transformation de Laplace aux deux membres de cette équation,

tout en supposant nulles les différentes conditions initiales, il vient :
Soit :
a n p n Sp    a 1pSp  a 0S(p)  b m p m Ep    b1pEp  b 0 Ep (II.25)
a n   
p n    a1 p  a0 S  p   bm p m    b1 p  b0 E p  (II.26)
bm p m    b1 p  b0 S P 
D’où :  (II.27)
a n p n    a1 p  a0 E  p 
Cette fraction rationnelle de deux polynômes de la variable complexe p est appelée

fonction de transfert duSystème et communément notée [36] :
S P 
G p   (II.28)
E p
Comme cette fonction est une fraction rationnelle de deux polynômes en p, il est
possible de factoriser cesdeux polynômes dans le corps des complexes. On obtient [36] :
b m p  z m p  z m1   p  z1 
Gp   (II.29)
a n p  p n p  p n 1   p - p1 
Page 22
Les racines z i qui annulent le numérateur sont appelés les zéros de la fonction de
transfert. Les racines pi quiannulent son dénominateur sont les pôles de la fonction de
transfert. Ces paramètres peuvent être complexes.ou réels. Nous verrons plus loin que l’étude,
le signe ou l’appartenance à l’ensemble des réels de ces pôlesou zéros, jouent des rôles très
importants dans l’étude des systèmes [36].
II.8.2 Stabilité:
Dans le cas des systèmes linéaires représentés par une fonction de transfert, l’analyse
des pôles permet de conclure sur la stabilité du système. On rappelle que les pôles d’une
fonction de transfert sont les complexes p0, p1…. qui annulent le dénominateur.
▪ Dans le cas d’une fonction de transfert continue, utilisant la transformée de Laplace,

tous les pôles doivent être à partie réelle strictement négative pour que le système
soitstable.
▪ Dans le cas d’une fonction de transfert discrète, utilisant la transformée en Z, tous les
pôles doivent avoir un module inférieur à 1 afin que le système soit stable.
En automatique, le terme stabilité doit être défini précisément car il existe une dizaine
de sortes de stabilités différentes. En général, on fait référence à une stabilité asymptotique.
Dans le cas des systèmes non linéaires, la stabilité est généralement étudiée à l’aide de la
théorie de Lyapunov [13].
II.8.3 Variables d’état:
Un système peut être entièrement décrit à l’aide d’un ensemble de variables minimal.
Les variables d’état sont des grandeurs physiques continues du système (elles doivent être
dérivables) et doivent être indépendantes les unes des autres. Elles sont généralement
rassemblées dans un vecteur x . La connaissance de toutes les variables d’état à un instant t
doit permettre de connaître toutes les valeurs du système à un instant t  dt . Cette

représentation n’est pas unique, un même système peut être décrit avec des variables d’état
différentes mais leur nombre est toujours le même. Ce nombre, désigné par la lettre n,
Page 23
représente l’ordre du système [13].
II.8.4 Représentation d'état des systèmes linéaires :
En automatique, une représentation d'état permet de modéliser un système

dynamique sous forme matricielle en utilisant des variables d'état. Cette représentation, qui
peut être linéaire ou non, continue ou discrète, permet de déterminer l'état du système à
n'importe quel instant futur si l'on connaît l'état à l'instant initial et le comportement des
variables exogènes qui influent sur le système [37].
La représentation d’état la plus générale pour les systèmes linéaires est la suivante en
continue[40] :
x (t)  Ax(t)  Bu(t)

(II.30)
y(t)  Cx(t)  Du(t)
Avec :
 x   n : vecteur qui représente les n variables d’état.
 y   q :vecteur qui représente les q mesures.
 u   y :vecteur qui représente les n variables d’état.
 A   n m : matrice dynamique.
 B   n  p : matrice d’observation
 C   q  n : matrice de commande.
 D   qv : matrice de commande.
Définir une loi de commande u(t) nécessite la connaissance de l’état x(t) ; lors de la
mesure, nous pouvons avoir de mauvais signaux entachés de bruit de mesure. Ces bruits
constituent des perturbations affectant les performances d’une chaîne de régulation. Dans ce
Page 24
cas, il existe une théorie permettant de palier au problème en essayant de considérer la partie
fiable de la mesure et de reconstruire la partie manquante par un capteur soft (observateur,
estimateur, reconstructeur d’état, filtre). Ce capteur exploite la connaissance des entrées
appliquées au système et ses mesures afin de délivrer un état estimé noter x̂(t) [37].
Le but est de modéliser et d’analyser la stabilité des systèmes linéaires dans le cadre
d’un objectif de commande ou d’estimation d’état [37].
Ceci est le cas le plus général .Les matrices A ,B ,C,D sont souvent invariantes selon
le temps ; elles deviennent alors des matrices constantes et on parle de représentation d’état
continue indépendante du temps.
Cette représentation d’état est représentée sous forme de schéma bloc figure suivante [37]:
Figure II.4: Schéma bloc de la représentation d’état
Les valeurs propres de la matrice d’état A représentent les pôles du système si ces
valeurs propres ne représentent pas des modes cachés du système c'est-à-dire si les valeurs
propres sont observables et commandables. Si ces pôles sont à partie réelle négative, alors le
système est asymptotiquement stable [37].
II.9 Observabilité :
Avant d’entamer une procédure de conception d’observateur pour un système

dynamique,il est important et nécessaire de s’assurer que l’état de ce dernier peut être estimé à
Page 25
partir desinformations sur l’entrée et la sortie. L’observabilité d’un système est la propriété
qui permetde dire si l’état peut être déterminé uniquement à partir de la connaissance des
signauxd’entrée et de sortie. Dans le cas des systèmes non linéaires, la notion d’observabilité
est liée aux entrées et aux conditions initiales [8].
Définition II.9 : Le système (II.1) est dit observable en x0 si x0 est Distinguable de tout
x∈𝓡n. En outre, le système (2.1) est observable si x0∈𝓡n, x0 est distinguable.
II.9.1 Observabilité des systèmes linéaires:
Les critères d’observabilité d’un système linéaire sont décrits dans de nombreuses
références [38], [39], [40], etc. Considérons le système dynamique linéaire :
x (t )  Ax (t )  Bu (t )
(II.31)
y (t )  Cx(t )
Où x(t) ∈𝓡n, u(t) x(t) ∈𝓡m et y(t) ∈𝓡p. Les matrices Où A, B et C ont des
dimensionsAppropriées. La matrice d’observabilité du système (2.31) est définie [48] par :
C 
 
 CA 
ο  (II.32)

 
 CA n 1 
 
L’observabilité du système (2.2) est garantie si le rang de la matrice d’observabilité O

estégal à n [39]. [40] a présenté un deuxième critère ; le système (2.31) est complètement
Observable si :
 sΙ  A  (II.33)
rang   n
 C 
Page 26
pour tout s complexe. Si un système linéaire est complètement observable, il est

globalementobservable, c’est-à-dire que toutes les composantes du vecteur d’état du système
sontobservables, et donc peuvent être reconstruites par un observateur. Si le système est
nonlinéaire, nous devons distinguer l’observabilité globale de l’observabilité locale [8].
II.10 Observateurs des systèmes linéaires :
Une solution simple et optimale au problème de l’estimation de l’état des systèmes

linéaires a été proposée par Luenberger dans le cadre déterministe [41], on considère le
modèle dynamique d’un système linéaire défini comme suit :
x (t)  Ax(t)  Bu(t)

(II.34)
y(t)  Cx(t)
Où t ≥ 0, x(t)∈ 𝓡n, u(t)∈ 𝓡m, y(t)∈𝓡p. sontrespectivementle vecteur d’état, d’entrée et de

sortie.
Les matrices A, B, C, sont connues de dimension appropriée.Pour le système (II.34)

parfaitement connu, et puisqu’on suppose que l’entrée u(t) est connue, on peut donc
remmener l’étude de l’observabilité à l’étude de la paire (A, C). On dira donc indifféremment
que « la paire (A, C) est complètement observable », ou que « le système est complètement
observable » [30].
II.10.1 Observateur de Luenberger :
Ce type d’observateur a été proposé par David G. Luenberger en 1966, dans le cas
général, le cas d’uneseule sortie, ayant été publié dès1964 [13].
Cette méthode suppose connaitre avec une très bonne précision les coefficients du
système, car les valeurs propres sont très sensibles aux variations des coefficients du
Page 27
polynôme caractéristique [13]. On cherche à estimer l’état d’un système déterministe définir
par :
x (t)  Ax(t)  Bu(t)

(II.35)
y(t)  Cx(t)
Ou u(t), y(t) et x(t) sont des vecteurs de dimension m, p et n, et représentent

respectivement la commande, la sortie (mesurée) et l’état du système. Les matrices A, B et C
sont des matrices respectivement d’état constant, de contrôle et de mesure de dimension
convenable. Comme l’état n’est pas en général accessible, l’objectif d’un observateur
consiste, en vue de réaliser une commande par retour d’état, estimer cet état par une variable
que nous noterons (t)[42].Cette estimation est réalisée par un système dynamique dont la
sortie sera précisément x(t) et l’entrée sera constituée de l’ensemble des informations
disponibles, c’est-à-dire u(t) et y(t) [13]. Le principe de reconstruction d’un observateur
consiste à estimer l’état tout en tenant compte de lacorrection de l’estimation suite aux
perturbations (utilisation du gain L) [42]. La théorie de l’observation de Luenberger repose
essentiellement sur des techniques de placement de pôles. On se place dans le cas
déterministe, les bruits w et v et v sont nuls, et Luenberger propose l’observateur suivant pour
le système [43] :
x (t)  Ax̂(t)  Bu(t)  L(y(t)  ŷ(t))

(II.36)
y(t)  Cx̂(t)
Page 28
Figure II.5 : Schéma structurel de l’observateur de Leunberger
Ou apparait clairement le terme correctif en fonction de l’erreur de reconstruction de la

sortie y(t)  yˆ(t) , et le gain de correction L appelé gain de l’observateur de dimension (n, m)
qui est calculé en fonction de la condition de stabilité de l’observateur [13].
Posant A  A  LC , alors devient :
xˆ(t)  A xˆ(t)  Bu(t)  L(y(t) (II.37)
L’observateur est dit asymptotiquement stable si l’erreur d’observation e (t)  x(t)  xˆ(t)
Converge vers le zéro quand t   . La stabilité de l’observateur est conditionnée

(convergence de l’erreur d’estimation) par le choix approprie de la matrice de gain L [13].
Il faudra choisir L tel que toutes les valeurs propres de la matrice A soient à partie réelle
strictement négative : lim t  x(t)  xˆ(t)
Page 29
Ceci rend l’observateur très sensible aux perturbations. Il faut trouver un bon
compromisentre stabilité et précision. Dans un système linéaire, l’observabilité se
détermineclassiquement par une condition de Rang. Cette condition a pour but de fixer
arbitrairementles valeurs propres de Ā tel que la paire (A, C) soit observable [42].
La dynamique de l’erreur d’estimation :
e (t)  x(t)  xˆ(t) (II.38)
e (t)  Ax(t)  Bu(t) - Axˆ(t)  Bu(t)  L(y(t) - yˆ(t)) (II.39)
Il y’a Cx(t) et yˆ(t)  C xˆ(t)
Donc :
e (t)  (Ax(t)  Bu(t)) - Axˆ(t)  Bu(t)  L(Cx(t) - Cxˆ(t)) (II.40)
e (t)  (A  LC) x ( t )  x̂ ( t )
e (t)  (A  LC) e ( t )
En utilisant une technique de placement de pôles, il suffit alors de choisir le gain K

del’observateur de telle sorte que les valeurs propres de la matrice A  KC soient dans le
demi-plancomplexe gauche. Pour une meilleure estimation de l’état, la dynamique de
l’observateurest choisie plus rapide que celle du système. Pour cela, on fixe les valeurs
propres del’observateur dans le demi-plan gauche du plan complexe de sorte que leurs parties
réellessoient plus grandes en valeur absolue que celles de la matrice d’état A. En général, les
pôlesseront 5 à 6 fois plus rapides, mais ils doivent rester lents par rapport aux bruits de
mesures[8].
On remarque que cette dynamique ne dépend pas de l’entrée, et qu’elle peut être
régléearbitrairement par le théorème de placement des pôles et qu’elle utilise le fait que la
matriced’observation soit de rang plein. Cette hypothèse n’est pas restrictive car il suffit
alorsd’éliminer les composantes de la sortie redondante, Un système est dit observable si
uneapplication entrée-sortie sur ce système est inversible [42].
Page 30
C  C 
   
 CA   CA 
det   0  rang   n
 
   
 CA n 1   CA n 1 
   
(II.41)
L’observateur de Luenberger converge → (A-LC) est stable [13].
Or, il n’est pas suffisant d’avoir un processus qui converge, il fait que celui-ci le fasse
assez vite, pour pouvoir disposer à temps d’une évaluation correcte de l’état, mais pas trop, de
manière à avoir un résultat peu sensible au bruit. Le choix des valeurs est donc le résultat d’un
compromis délicat, qui devient très aléatoire si les valeurs des coefficients sont trop
incertaines [13].
On peut, si l’on dispose de r sorties indépendantes, construire un observateur d’ordre n-

rseulement. En effet, tel que nous l’avons décrit, l’observateur recalcule la valeur de la sotie.
Ceci n’est pas nécessairement un inconvénient, car la valeur recalculée peut être meilleur
quecelle d’origine, bruitée [13].
II.11 Exemple 2:
1.8097 0.8187  0.5

x (t)    x(t)    u(t)
0.1810 0.1810  0 
y(t)  0 0.5x(t)
la réponse du système (état et état estimé) dans les conditions suivantes :
- 1 0 
x(0)    x(t) ; xˆ(0)    x(t) pour u(t)  0.1
1  0 
 Résultats de simulation :
Le gain est donné comme suit :
Page 31
- 83.1877 
l 
 - 86.556 
La réponse du système pour trois valeurs différentes du gain d’observateur L:
50
x1
0 x1estim
-50
0 5 10 15 20 25 30 35 40
temps (s)
20
x2
0 x2 estim
-20
0 5 10 15 20 25 30 35 40
temps (s)
100
x3
0 x3estim
-100
0 5 10 15 20 25 30 35 40
temps (s)
Figure II.6 : La réponse du système pour trois valeurs différentes du gain d’observateur L
On constate que l’observateur construit estime bien les états du système, sauf à
l’origine, cela est à cause du choix des valeurs initiales.
Bien que l’observateur de Luenberger est plus simple, et facile pour la mise en œuvre,
mais il ne donne pas des résultats satisfaisante dans le cas d’un système dynamique bruité.
Pour estimer l’état d’un système en présence de bruit. Il faut choisir L telle que les valeurs
propres de la matrice (A-LC) sont tous dans le cercle unitaire pour que l’erreur d’estimation
t’envers à 0.
Page 32
II.12 Observateur à entrées inconnues:
Un processus physique est souvent soumis à des perturbations qui ont comme origine
desbruitsdusà l’environnement du processus, des incertitudes de mesures, des défauts
decapteurs ou d’actionneurs ; ces perturbations ont des effets néfastes sur le
comportementnormal du processus et leur estimation peut servir à concevoir un système de
commandecapable d’en minimiser les effets. Les perturbations sont appelées entrées
inconnues lorsqu'’elles affectent l’entrée du processus et leur présence peut rendre difficile l’
estimation de l’état du système [10].
Il est fréquent, lors de la modélisation d'un système de faire intervenir des entrées qui
ne sont pas mesurables on utilise alors le vocable d'entrées inconnues pour les désigner et la
reconstruction d'état de tels système ne peut se faire que sous certaines conditions et cette
reconstructions à un grand critère dans la pratique, cette approche s'applique aussi en cas de
systèmes à entrée toutes connue mais pour lesquels on voudrait reconstruire l'état avec
seulement une partie des entrées cela permet notamment de découpler l'influence des entrées
sur la reconstruction et construire le principe de base de la génération de bancs d'observateur
pour la localisation de défaut.
Les incertitudes de modèle peuvent être modélisées par des entrées inconnues au même
titre que les perturbations, si la façon dont elles agissent sur le système est connue.
La conception d'un observateur à entrées inconnues permettra de s'affranchir de ces
incertitudes sous réserve de l'observabilité du système [32].
Considérons le système dynamique linéaire soumis à l’influence d’entrée inconnus
décrit par les équations suivantes :
x (t)  Ax(t)  Bu(t)  Ed t 
(II.42)
y(t)  Cx(t)
Où d (t)   est une entrée inconnue et E est une matrice de rang plein de dimension
q
appropriée.
Pour le système :
~
x(t)  x(t)  x̂(t) (II.43)
y(t)  y(t) - ŷ(t)
Page 33
On dit qu’un observateur est à entrées inconnu si l’erreur d’estimation tend vers zéros
en présence d’entrées inconnus. Sa structure est donnée par [3] :
 (t)  F z(t)  TB u(t)  Ky t 
Z (II.44)
x̂ (t)  z(t)  Hy t 
Où z(t)   est le vecteur d’état de l’observateur et xˆ(t)   est le vecteur d’état estimé du
n n
système, les matrices F , T , K et H qui seront déterminées pour stabiliser l’observateur et
découpler les entrées inconnus. En posant K  K1  K 2 , la dérivée de l’erreur d’estimation

par rapport au temps sera donnée par :
e(t )  x (t )  xˆ
 ( A  HCA  K 1C )e  [ F  ( A  HCA  K 1C ]z (t )
(II.45)
 [T  ( I  HC)]Bu (t )  ( I  HC) Ed (t )
 [ K 2  ( A  HCA  K 1C ) H ] y (t )
Ainsi les conditions permettant le découplage de l’entrée inconnue sont :
( HC  I ) E  0
T  I  HC

 F  A  HCA  K 1C (II.46)
 K  FH
 2
 K  K 1  K 2
Si ces conditions sont satisfaites alors l’erreur dynamique sera : e(t )  Fe(t )
Afin que l’erreur d’estimation tend asymptotiquement vers zéros, les valeurs propres de F
doivent être à partie réelle négative. Les conditions nécessaires et suffisantes pour l’existence
~
x(t)  x(t)  x̂(t)
d’un tel observateur pour un système décrit par l’équation ~ sont :
y(t)  y(t) - ŷ(t)
 rang(CE )  rang( E)
(C , Al ) Al  A  E[(CE ) T CE ] 1 (CE ) T CA
 est
Page 34
La première condition signifie que le nombre de lignes linéairement indépendantes de la

matrice 𝐶 ne doit pas être inférieur au nombre de colonnes linéairement indépendant de la
matrice E , c’est-à-dire, le nombre de mesures indépendantes doit être supérieur ou égale au
nombre d’entrées à découpler [3].
II.13 Conclusion :
Dans ce chapitre, nous avons présentées l'estimation d'état des systèmes linéaire. Tout
d’abord nous avons présenté la linéarisation du système dynamique non linéaire autour d'un
point de fonctionnement. Puis, nous avons présenté la méthode d’obtention des équations
d’état à partir de la fonction de transfert du système linéaire. Ensuite, nous avons présenté la
méthode de construction de l’observateur de Luenberger, et pour estimer les états en présence
des entrées inconnues (bruit, incertitudes de modélisation) nous avons présenté l’observateur
à entrées inconnues qui va être utilisé dans les parties qui viennent.
Page 35
Chapitre III : Estimation des états du système hydraulique 5 cuves
III.1 Introduction :
Dans ce chapitre, nous allons présenter la description physique du système hydraulique
à cinq cuves, et le modèle non linéaire qui gouverne son fonctionnement. Après linéarisation
du modèle mathématique, nous allons construit un observateur à entrées inconnues.
III.2Modélisation du système hydraulique Cinque cuves :

Dans cette partie, nous allons présenter les équations dynamiques du système
hydraulique à cinq cuves.
III.2.1 Description du système :

Nous considérons le réseau de distrubance de l'eau montré dans la figure III.1.
Figure III.1 : Système hydraulique 5 cuves
Le réseau se compose de différents cuves à la section à la terre s i , Où i indique le

nombre des cuves (de 1 à 5) Connecté à la section des tuyaux. Le réseau est alimenté par deux
flux de volume q e1 et q e 2 se monter à les cuves 1et 4 respectivement.
Ces deux flux sont contrôlés par pompe d'alimentation. On négligeant les pertes accumulées
dans les tuyaux.
Page 36
Le système peut être modélisé Le système peut être modélisé par les étapes suivantes.
Alors nous étudions le système hydraulique de la figure (1) Comme la cuve 5 est alimentée
par deux sources, un des deux cuves 1 et 2, et l’autre de la cuve 3 et 4. Où l'ensemble du
système à deux quantités d'entrée q e1 et q e 2 , et Une variable de sortie q s .
Pour simplifier la modélisation de système Il a été classé décomposé en trois sous-
systèmes s / s1 (Cuves 1 et 2), s / s 2 (cuves 3 et 4), s / s 3 (cuve 5).
Nous avons d'abord produit en modélisant chaque sous-système considérant Le flux
laminaire de fluide. Cela se fait en utilisant l'équation pour la résistance et la capacité.
III.2.2 Modèle mathématique du système :
Les équations de résistance et capacité :
R h  h q (s m2 ) (III.1)
 Ah  A
dv d dh
q e (t)  q s (t)  (III.2)
dt dt dt
Avec :
h : Le débit ; q : le flux de volume
C1  2; C 2  2; C 3  2; C 4  2; C 5  8
R 1  3; R 2  3; R 3  3; R 4  3; R 5  6
III.2.2.1 Sous-système s/s1 :

On a noté que il y’a une connexion rigide à travers la vanne R1 entre les deux cuves
1 et 2.
Alors On peut écrire :
dh 1
q e1  q e  C1 (III.3)
dt
h1  h 2
R1  (III.4)
q
Pour la cuve 3 on a :
dh1
q e1  q1  c1 (III.5)
dt
Page 37
h2
R2  (III.6)
q1
en combinant les deux équations (III.3) (III.4) avec (III.5) et (III.6) on obtient les
équations différentielles suivantes :
dq dq
q e1  q1  R 1C1  R 2c2 1 (III.7)
dt dt
dq1
q e1  q1  R1C1 (III.8)
dt
On éliminant q de les équations (III.7) et(III.8) on obtient l’équation de sous-système1,

tel que :
d2 d
R 2 R1C2C1 q  (R1C1  R 2C1  R 2C2 ) q1  q1  q e1
2 1
(III.9)
dt dt
L’équation (III.9) représente l’équation différentielle de la description de sous-système

s/s2.
III .2.2.2 Le Sous-système s/s2 :

On écrit pour la cuve 4 :
dh 4
q e 2  q1  C 4 (III.10)
dt
h4  h3
R4  (III.11)
q
Pour la cuve 3, on a :
dh 3
q  q 2  C4 (III.12)
dt
h3
R3  (III.13)
q2
En combinant les deux équations (III.10) et (III.11) avec (III.12) et (III.13), on obtient
les équations différentielles suivantes :
Page 38
dq dq 2
q e2  q  R 4 C 4  R 3c 4 (III.14)
dt dt
dq 2
q  q 2  R 3C3 (III.15)
dt
On éliminant q de les équations (III.14) et(III.15) on obtient l’équation de sous

système2, tel que :
d2 d
R 3R 4 C3C 4 2
q 2  (R 4 C 4  R 3 C 4  R 3 C 3 ) q 2  q 2  q e 2 (III.16)
dt dt
III .2.2.3 Le Sous-système s/s3 :
On écrit pour la cuve 5 :

d
(q 1  q 2 )  q s  C 5 h5 (III.17)
dt
h5
R5  (III.18)
qs
En combinant les deux équations (III.17) et (III.18) on obtient les équations

différentielles pour ce sous-système :
d
R 5C5 q s  q s  q1  q 2 (III.19)
dt
Le modèle mathématique de système est la combinaison des modèles décrit par les
équations(III.9), (III.16) et (III.19), comme suit :
d2 d
R 2 R 1C 2C1 q  (R 1C1  R 2C1  R 2C 2 ) q1  q1  q e1
2 1
dt dt
2
d d
R 3R 4C3C 4 2 q 2  (R 4C 4  R 3C 4  R 3C3 ) q 2  q 2  q e 2 (III.20)
dt dt
dq
R 5C5 s  q s  q1  q 2
dt
Lorsque le système à deux entrés q e1 et q e 2 ,et une sortie q s , on a l’avantages pour écrire
deux équations différentielles.
Page 39
On mettre :
a1  R 1 R 2 C1 C 2
a1  R 2 R 1 C 2 C1
b 1  R 1 C1  R 2 C1  R 2 C 2
b 2  R 4 C 4  R 3C 4  R 3C3
f  R 5C5
On peut représenter le système par des équations on utilise la transformé de la place. On

obtenir :
a1p 2Q1 (p)  b1Q1 (p)  Q1 (p)  Qe1 (p) (III.21)
a2 p2Q2 (p)  b 2Q2 (p)  Q2 (p)  Qe 2 (p) (III.22)
f pQs (p)  Qs (p)  Q1 (p)  Q2 (p) (III.23)
On choisir les variables des états :

d d
x1 ( t )  q 1 ( t ) , x 2 ( t )  q 1 ( t ) , x3 ( t )  q 2 ( t ) , x3 ( t )  q 2 ( t ) , x4 ( t )  q 2 ( t ), x5 ( t )  q s ( t )
dt dt
On a :
d2 d
q e1 ( t )  a 2 2 q 1 ( t )  b 2 q 1 ( t )  q 1 ( t )
dt dt
2
d d
q e 2 (t )  a 1 2 q 2 (t )  b1 q 2 (t )  q 2 (t )
dt dt
d d
q s ( t )  f q s ( t )  b 2 q 1 ( t )  q 2 ( t )
dt dt
La représentation d’état obtenu :
 0 0 
0.0278 0 
  (III.24)
N  EB   0 0 
 
 0 0.0278
 0 0 
Page 40
III. 3 Construction d’observateur à entrée inconnue :

On suppose que le système être surveillé :
x ( t )  Ax( t )  Bu( t )  FX f ( t )  DX d( t )
(III.25)
y( t )  Cx ( t )  FY f ( t )  DY d( t )
Dans le cas de vecteur de l’entré inconnu actes sur le vecteur de sortie, c’est possible
avec la transformation bilinéaire, avoir une structure de l’observateur
z ( t )  Mz ( t )  Nu ( t )  Py( t )
(III.26)
x̂ ( t )  z( t )  L Y y( t )
Ou M, N, P, L Y sont des matrices inconnues de dimensions appropriées.

La reconstruction de l’erreur d’état :
e x ( t )  x̂ ( t )  x ( t )
e x ( t )  z ( t )  L Y y( t )  x ( t )
 z( t )  L Y (cx ( t )  Fy f ( t ))  x ( t )
 z( t )  Ex ( t )(I  L Y C) x ( t )  L Y Fy f ( t )
e x (t )  z(t )  Ex (t )(I  L Y C)x(t )  L Y Fy f (t ) (III.27)
z(t )  e x (t )  Ex (t )(I  L Y C)x(t )  L Y Fy f (t )
L’erreur dynamique dans l’estimation d’état est :
e x (t )  z(t )  E x (t )  LY Fy f (t )
e x (t )  Me x (t )  ( ME  PC  EA) x(t )  ( N  EA)u (t ) (III.28)
 ( ML y Fy  EFx ) f (t )  L y Fy f (t )  ED X d (t )
Si les conditions suivantes sont rencontrées :
M c’est Matrice hurwitz (stable)
Page 41
M E  PC  EA
N  EB
ED X  0
M LY FY  PFY  EFY  0
L Y FY  0
La solution de l’ensemble des équations principalement à condition de s'assurer le

découplage d’entré inconnue.
ED X  0
(I  L Y C)D X  0  (LC)D X  D X
Alors, on trouve L Y si (L y C )D X  D X l’égalité est satisfaite si l’inverse est généralisé de


CD X ; (CD X ) existe L Y peut être calculé on utilise :

(CD X )   CD X (CD X )
T

1
(CD X ) T
La matrice L Y existe seulement si la matrice (CD X )T CD X est inversible.

L’invertibilité est vérifier, si la cuve CD X  nd ,avec nd est le nombre des entrés inconnues
et leur dimensions.
III. 3.1 la synthèse de l’algorithme de l’observateur :

rank (CD X )  nd Puis on calcule :
 1
LY  DX (CDX )T (CDX ) (CDX )T
-De L Y calculer E  I  L Y C
-De E calculer EB
-Imposer M est matrice de Hurwitz , nous pouvons choisir pour ce objectif une
matrice diagonale pour M montrant les valeurs propres désiré pour l’observateur.
Calculer la matrice tel que :
PC  EA  ME
On calcule la matrice de transfert relions la sortie de l’erreur d’estimation de défaut.
F  mL Y FY  PFY  EFX
F'  L Y FY
Page 42
Les matrices de représentation d’état sont représentées :
 0 0 2 1 0 0 0
0.0278 0  0.0278 2.5 0 0 0

A 0 0 0 0 2 1 0
 
 0 0.0278 0 0  0.0278  1.5 0
 0 0 0 0 0 0 1
 0 0 
0.0278 0 

B 0 0 
 
 0 0.0278
 0 0 
1 0 0 0 0 0 
0 1 0 0 0  0 
   
C  0 0 1 0 0  , D X  0  , D y  0
   
0 0 0 1 0  0 
0 0 0 0 1 1
1 0 0 0 0  v1 ( t ) 
0 1 0 0 0   v ( t )
   2 
Fx  0 0 0 0 0 , vi ( t )   v3 ( t )  ,Fy  0
   
0 0 0 0 0   v 4 ( t )
0 0 0 0 0  v5 ( t ) 
On note ce rang de la matrice (CD X )  1 ,Qui est égal au nombre d’entrées.

Il est possible de construire un générateur résiduel sensible à la faute et Insensible à la
distrubance. Dans cette partie les conditions de l’observateur a entrée
inconnue(III.26)L'existence du système ((III.24) est vérifiée.
Nous avons obtenu :
0 0 0 0
0 0
  F(CF) (CF) (CF)  
0 0
LY T 1 T 
0 0 0 0
 
0 0 0  1
Page 43
1 0 0 0 0
0 1 0 0 0
 
E  I  L Y C  0 0 1 0 0
 
0 0 0 1 0

0 0 0 0 0

 0 0 
0.0278 0 
 
N  EB   0 0 
 
 0 0.0278
 0 0 
Il faut que M est la matrice de Hurwitz en choisissant M diagonale, de sorte que les
valeurs propres sont données comme suit :
1  2 ;  2  3 ;  3  2 ;  4  2 ;  5  1 .
 2 0 0 0 0
 0 3 0 0 0 

M 0 0 2 0 0
 
 0 0 0 2 0 
 0 0 0 0  1
Calcul de la matrice p cette PC  EA  ME , comme C est unitaire, et après les calculs

nous trouvons la matrice suivante:
 2 1 0 0 0
 0.0278 2.5 0 0 0
 
p 0 0 2 1 0
 
 0 0  0.0278  1.5 0
 0 0 0 0 1
Page 44
On note les matrices C , D x sont respectivement la ligne et la colonne du rang
complet, le produit CD x , est le rang complet de la colonne et le nombre des mesures

strictement supérieur que le nombre des entrées inconnue. Les conditions d'existence d'un
observateur d'entrée inconnue sont vérifiées.
Nous obtenons un observateur avec une entrée inconnue ayant la structure suivante:
u1 
 z 1   2 0 0 0 0   z1   0 0 2 1 0 0 0  u 2 
 
z   0  3 0 0 0  z  0.0278 0  0.0278 2.5 0 0 0  y 
 2    2   1 
 z 3    0 0  2 0 0   z 3    0 0 0 0 2 1 0  y 2 
      
z 4   0 0 0  2 0  z 4   0 0.0278 0 0  0.0278  1.5 0  y 3 
 
z 5   0 0 0 0  1 z 5   0 0 0 0 0 0 1  y 4 
e y1   y1   z1   y5
e     z 
    y
y2 2
 2

e y3    y 3   C  z 3  y 3 
     
e
   
y4 y 4  z 4
 y 4 
e y5   y 5   z 5  y 5 
III. 4 La Simulation:
Les figures (III.2) montrent les sorties y( t ) du système et leurs estimations par
l’observateur unique. L’évolution des résidus, en l’absence de défauts, apparait sur les figures
(III.3).
En régime permanent, ces figures mettent en évidence, d’une part, le caractère
aléatoire des résidus et, d’autre part, le fait qu’en l’absence de défauts les résidus sont
statistiquement nuls.
Page 45
Figure III.2 : Entrées du système 5 cuves
a) Sorties et leurs estimées b) erreur d’estimation des sorties
Figure III.3 : Estimation des sorties du système avec erreurs d’estimation
Page 46
On peut constater que, les sorties de l’observateur tend vers les sorties du système
considéré après un certain temps. La dégradation au départ de l’estimation des états est due
au choix des valeurs initiales.
III. 5 Conclusion :
Dans ce chapitre, nous avons présenté la modélisation du système hydraulique cinq
cuves, après linéarisation du modèle mathématique obtenu, nous avons estimé les états du
système considéré en utilisant un observateur à entrées inconnues.
Page 47
Chapitre IV : Diagnostic de défauts du système hydraulique 5 cuves
IV.1 Introduction :
Le principe du diagnostic de défauts basé sur les observateurs est de reconstruire une
partie ou l’ensemble des sorties du système à partir des grandeurs accessibles du système. Les
résidus sont généralement générés en formant les différences entre les sorties estimées et les
sorties réelles. Dans ce chapitre, nous présentons la méthode de diagnostic à base
d’observateur à entrées inconnues, qui vont servir pour la construction des bancs
d’observateurs pour la détection et la localisation de défauts des actionneurs et des capteurs.
IV.2 Diagnostic à base d’observateur :

Le diagnostic à base d’observateurs est une technique ayant fait l’objet de très
nombreux développements. Celle-ci consiste, sur la base d’un modèle de bon fonctionnement
d’un système, à effectuer une estimation d’état à partir de la connaissance des entrées et des
sorties du système et à utiliser l’erreur d’estimation de la sortie comme résidu. En
fonctionnement normal, ce résidu doit être sensiblement nul (robuste aux erreurs de
modélisation et aux erreurs de mesures) et s’écarter significativement de zéro lors de
l’occurrence d’un défaut (défauts de capteurs ou d’actionneurs) sur le système. La détection
de l’occurrence des défauts est en général assez aisée, en revanche, sa localisation (la
détermination de la grandeur d’entrée ou de sortie sur laquelle il est intervenu) est plus
délicate [44].
Alorsqueladétectiond’undéfautnécessiteunseulobservateurpourgénérerlerésidu, pour
sa localisation, iles nécessaire de disposer d’un banc d’observateurs plutôt que d’un seul.
F d d
Entrée Sortie
u d Système y
+
Gain
Résidus
r
-
d Sortie estimée
Modèle -
Observateur ye
r
Figure IV.1 : Schéma de principe de la génération de résidus à base d’observateur
d
Page 48
IV.3 Détection par observateur simplifié :

Dans cette approche de détection, le banc est constitué d’un seul observateur. Il est
synthétisé de façon à n’être sensible qu’à un groupe de défauts.
Dans le cas où un des défauts auquel il est sensible apparaît alors les estimations seront faussées.
Dans le cas contraires, elles seront exactes. La détection consiste à estimer complètement le
vecteur de sortie y(t) à l’aide d’un seul observateur piloté par une seule mesure, voir figure
(IV. 2) [10].
y1
Logique
u(t) Système Capteurs
yi
yp de
yi
décision
ŷ1i
iemeobservateur
ŷ pi
Figure IV.2 : Structure d’observateur simple.
IV.4 Détection de défaut par observateur:

Pour résoudre le problème de localisation de défauts, on peut mettre en œuvre plusieurs
observateurs excités par une combinaison judicieusement choisie des entrées et des sorties du
système, générant chacun des résidus destinés à révéler un ou plusieurs défauts.
Généralement, deux approches sont retenues :
IV.4.1 Calcul des résidus :

Le vecteur des résidus peut être calculé de la manière suivante :
r(t)  y(t )  yˆ (t )
Page 49
IV.4.2 Fixation du seuil de détection :
Dans le cas de présence de bruit d(t) , on dot fixer un seuil  pour la détection de
défaut.Les équation précédantes s’écrit comme suit:
- r(t)   quand f(t)  0 .
- r(t)   quand f(t)  d (t ) , c’est-à-dire l’apparition de défaut.
IV.5.1 Détection par observateur généraliser et dédie :
IV.5.1.1Approche par observateur dédie (Dedicated Observer Scheme (DOS)):

Il est possible de concevoir des observateurs dont chacun est sensible à un seul défaut et
de considérer les autres défauts comme des entrées inconnues (c.à.d. comme des
perturbations).
Dans ce cas, chaque résidu est influencé par un seul défaut [45].
On considère le système suivant :
x (t)  Ax(t)  Bu(t)  E f(t)
(IV-1)
y(t)  Cx(t)
Où y(t) est le vecteur des mesures, x(t) le vecteur des variables à mesurer, f(t) le vecteur
de défaut, C est une matrice caractérisant le système de mesure et E est la matrice qui traduit
la direction des défauts.
 f1 
 
 f2 
f (t)   . 
 
 . 
f 
 m
De façon plus générale, on cherche toujours à calculer un vecteur de résidus r(t) ayant
propriétés suivantes :
- r(t)  0 quand f(t)  0 . (IV-2)

- r(t)  0 quand f(t)  d ( t ) , c’est-à-dire l’apparition de défaut.
Page 50
A partir de l’équation (IV.1) et (IV.2) on obtient le tableau suivant :
f1 f2 f3
r1 1 0 0
r2 0 1 0
r3 0 0 1
Tableau IV.1 : Signature des défauts sur les résidus obtenus par l’approche DOS.
Dans cette structure, il est question de construire autant d’observateur que de défaut à
détecter, chacun d’entre eux génère un résidu insensible à tous les défauts sauf un. Ainsi,
l'observateur recevant une mesure défaillante fournit une mauvaise estimation des variables
estimées, tandis que les estimations des autres observateurs convergent vers les mesures des
sorties correspondantes sauf sur la sortie erronée. Le schéma suivate reste valable même
dans le cas de plusieurs défauts simultanés.Mais, si cette structure donne parfois des bons
résultats sa conception reste très limitée car elle ne permet pas de s’affranchir des entrées
inconnues et des bruits.
f (t)
u(t) y(t)
Système
r1(t)
Observateur sensible à f1
) r2(t)
Observateur sensible à f2
rq(t)
Observateur sensible à fq
Figure IV.3 : Détection par observateurs dédiés.
Page 51
IV.5.2.2 Approche par observateur généralisé (Generalised Observer Scheme (GOS):
Le principe d’observateurs généralisé, plus connu sous l’anglicisme est de synthétiser

un certain nombre d’observateurs de manière à ce qu’ils soient insensibles à un seul défaut.
La structure d’observateur GOS est en quelque sorte l’opposée de la structure DOS [46].
En cas général, L’approche par observateur dédié est séduisante par sa simplicité et
permet l’isolation des défauts multiples et simultanés, mais les conditions d’existence de
l’observateur à entrées inconnues deviennent plus contraignantes du fait d’un grand nombre
d’entrées inconnues. Si cette approche n’est pas réalisable, on construit des observateurs
sensibles à tous les défauts sauf un, qui est considéré comme une entrée inconnue. Dans ce
cas, chaque résidu est influencé par tous les défauts excepté un seul [45].
A partir de l’équation (IV-1) et (IV-2) on obtient le tableau suivant :
f1 f2 f3
r1 0 1 1
r2 1 0 1
r3 1 1 0
Tableau IV. 2: Signature des défauts sur les résidus obtenus par l’approche GOS.
Dans cette approche, Le nombre d’observateurs utilisés est égal au nombre de

combinaisons possibles de mesures. Chaque observateur d’état peut être pilote par différentes
sorties, ce qui augmente le nombre de degrés de liberté de la détection de défauts[10].
Dans un souci de clarté, nous proposons un exemple ayant deux sorties y 1 et y 2 , le
nombre de combinaisons égal à 2 2  1  3
Page 52
y1
u Système y Capteurs y2
ŷ11
Observateur 1
ŷ11 Logique de
décision
ŷ12
Observateur 2
ŷ22
ŷ13
Observateur 3
ŷ23
Figure IV.4 : Détection par observateurs généralisés.
IV.6Diagnostic de défauts actionneurs:

Les défauts d’actionneurs se traduisent par une incohérence entre la commande des
actionneurs et la réponse obtenue en sortie. Un actionneur est la partie opérative qui agit sur le
système. Or, cet actionneur peut être en perte totale (défaillance) ou en perte partielle. Dans ce
cas, le signal d’entrée (ou signal de commande) du système est totalement ou partiellement
détérioré. La perte totale se caractérise par une incapacité fonctionnelle de l’actionneur à
commander le système : par exemple une vanne qui reste bloquée dans sa position initiale.
La perte partielle se caractérise par un fonctionnement dégradé de l’actionneur;
autrement dit, l’actionneur fonctionne d’une manière similaire au régime nominal mais son
action est seulement partielle. On rencontre ce phénomène lorsque le système comporte des
pertes d’énergie : perte de puissance moteur, fuite d’un vérin, etc [46].
Les défauts d’actionneurs peuvent être vus et donc représentés de deux manières
différentes. La première manière de représenter le défaut d’actionneur est la suivante [46] :
Page 53
x (t )  Ax (t )  ( B  B)u (t )
y (t )  Cx(t ) (IV-3)
Où le défaut est considéré de nature multiplicative. La seconde manière de représenter

le défaut d’actionneur est de considérer le défaut comme un vecteur d’entrée inconnue. Pour
cela, on considère l’entrée de commande globale de la manière suivante :
U f (t )  U (t )  U f 0 (t ) (IV-4)
Où U et U f sont respectivement l’entrée de commande globale appliquée au système
et l’entrée de commande nominale pour le système défaillant.
U f (t )  U f (t )  U 0 (IV-5)
L’équation d’état est affectée par un défaut d’actionneur de la manière suivante :

x (t )  Ax (t )  ( B  B)u (t )
 Ax (t )  B(U f (t )  U 0 (t ))
 Ax (t )  B(U (t )  U f 0 (t )  U 0 (t )) (IV-6)
 Ax (t )  Bu (t )  B(U (t )  U f 0  U 0 (t )  u (t ))
 Ax (t )  Bu (t )  B((  1)U (t )  U f 0 (t ))
On considérant l’équation (IV-6), le défaut d’actionneur est représenté par un vecteur
d’entrées inconnues f a , ce qui donne le système suivant :

x (t )  Ax (t )  Bu (t )  E a f a
y (t )  Cx(t ) (IV-7)
La figure(IV.5) illustre le principe de la détection de défauts d’actionneur par

observateur dédiés (Dedicated Observer Scheme ou DOS). Le i ieme observateur est piloté par
la i ieme entrée et toutes les sorties ; les m - 1 autres entrées sont considérées comme
inconnues et la sortie de ce i ieme observateur est insensible aux défauts des entrées non
utilisées. Les sorties reconstruites par ces différents observateurs peuvent être comparées
entre elles et aussi avec les sortie mesurées. Une logique de décision, basée sur cette
comparaison, permet de localiser l’actionneur en défaut [47].
La figure (IV.6) représente une structure où le i ieme observateur est piloté par toutes
Page 54
ieme
les entrées, sauf la i , et toutes les sorties (Generalized Observer Scheme ou GOS). La
sortie de cet observateur est donc sensible aux défauts de toutes les entrées sauf ceux de la
i ieme [47].
U
.
.
Système Y
.
Un
Observateur 1 Alarme
Fusion
.
.
.
Observateur n
.
Figure IV.5 : Observateur DOS pour la détection de défauts d’actionneur.
U
.
.
Système Y
.
Un
Observateur 1 Alarme
Fusion
.
.
.
Observateur n
.
Figure IV.6 : Observateur GOS pour la détection de défauts d’actionneur.
IV.7Diagnostic de défauts capteurs :

Les capteurs sont des instruments qui transforment une grandeur physique en une
grandeur traitable par les calculateurs. Les capteurs sont essentiellement les interfaces de
sortie d’un système avec l’environnement extérieur. Ils permettent de communiquer les
informations concernant l’état et le comportement interne du processus. Ainsi, un défaut
capteur caractérise une mauvaise image de la grandeur physique à mesurer. Pour les systèmes
en boucle fermée, les mesures issues de ces capteurs sont utilisées pour la génération du
signal de commande. Par conséquent, la présence d’un défaut capteur donne un signal de
commande inexacte et inefficace [15].
Page 55
Tout comme les défauts actionneurs, on peut représenter les défauts de capteurs par un
vecteur d’entrées inconnues, mais cette fois-ci, affectant les sorties [46] :
x (t )  Ax (t )  Bu (t )
(IV- 8)
y (t )  Cx(t )  Ec f c t 
Un défaut de capteur peut également être de nature multiplicative, ce qui se traduit par :
x (t )  Ax (t )  Bu (t )
(IV-9)
y(t )  C  C x(t )
La caractérisation d’un défaut de capteur sous la forme additive ou multiplicative
dépend avant tout de la nature physique du défaut et du modèle. La plupart des défauts de
capteurs peuvent être modélisés sous forme de défauts additifs.
La figure (IV.6) et (IV.7) obéissent aux mêmes principes que la détection de défaut
actionneur mais vis-à-vis des sorties, c’est-à-dire les capteurs.
Y
U .
.
Système .
Yn
Alarme
Observateur 1
. Fusion
.
.
Observateur 𝑛
Figure IV.7 : Observateur DOS pour la détection de défauts de capteurs.
Y
U .
.
Système .
Yn
Alarme
Observateur 1
Fusion
.
.
.
Observateur 𝑛
.
Figure IV.8 : Observateur GOS pour la détection de défauts de capteurs.
Page 56
1 si le résidu est sensible à f i

rij  
0 si le résidu n' est pas sensible à f 1
La table des signatures associée à ce générateur avec des résidus est établie dans le
tableau suivant :
f ac11 f ac12
r1 1 0
r2 0 1
Tableaux IV.3: Les signatures requises de l'observateur
Dans le tableau des signatures précédent signifie certain fautes

f ac11 affecte le rij
résidu0Traduit l'insensibilité du résidu de la faute. Dans notre application le tableau de
signature élaboré à partir du raisonnement suivant: L'observateur UIO à estimer les deux
fautes
f ac11 et f ac12 en même temps. Nous savions que si un défaut survient lors de la première
ou de la seconde sortie ou des deux cas, la défaillance est estimée. Avec cet observateur que
nous détectons et localisons les actionneurs même s'ils apparaissent simultanément sur les
deux sorties. On note que les résidus sont insensible par rapport les perturbations d (t ) .Nous
avons une structure permettant une localisation complète des pannes. Maintenant, nous
vérifions par simulation les résultats théoriques obtenus pour les calculs des résidus, et les
sensibilités des perturbations d (t ) .
On note qu'avec l'observateur à entrée inconnue UIO. On à détecter et localisé la faute
d'actionneur même s'ils apparaissent simultanément sur les deux sorties.
IV.8Diagnostic de défauts du système hydraulique 5 cuves :
Dans cette partie, nous allons présenter le diagnostic de défauts du système hydraulique
cinq cuves :
IV.8.1 Diagnostic de défaut actionneurs :
Page 57
Pour le diagnostic de défauts actionneurs, nous présentons dans la figure IV.9 le signal
de défaut, la première entrée et le bruit considéré de moyenne nulle.
a) Entrées u1(t) sans bruit avec défaut b) entrées u2(t) sans bruit sans défaut
Figure IV.9 : Entrées u1(t) et u2(t)
a)Signal de défaut b) signal de l’entrée u1(t) c) signal de bruit
Figure IV.10 : Entrées u1(t), défaut et bruits considérés
Page 58
a. Construction du banc d’observateurs :
Nous avons 02 entrées, alors le nombre des éléments du banc d’observateur de la

structure (DOS) est calculé comme suit : n  2  1  3 .
2
Le premier élément est attaqué par les deux entrées, il donne l’information dur la
détection de la présence de défaut. Les deux autres éléments vont être utilisés pour localiser le
défaut détecté.
b. Fixation du seuil :
Le seuil est fixé à 98% de la valeur maximale du signal de résidus dans le cas sain
(figureIV.11).
c. Détection de défauts actionneur du système 5 Cuves :
La simulation de défaut donne les résultats affichés sur les figures IV.12 et IV.13, nous
constatons le dépassement des seuils pour l’ensemble des sorties de l’élément du banc
d’observateur attaqué par l’entrée u1(t) (figure IV.12).
Pour le deuxième élément, nous ne constatons aucun dépassement du seuil (figure

IV.13).
Figure IV.11 : Sorties du système avec fixation des seuils de détection
Page 59
Figure IV.12 : Sorties et leurs estimées banc attaqué par u1(t)
Figure IV.13 : Sorties et leurs estimées banc attaqué par u2(t)
Page 60
d. Matrice des signatures instrumentales
défaut
r1 1
r2 0
Tableaux IV.4: Signatures instrumentales
L’analyse des deux figure IV.13 et IV.13 nous permet d’avoir cette matrice. La
comparaison de cette dernière avec la matrice des signatures théoriques indique que le
premier actionneur est en défaut.
IV.7.2 Diagnostic de défaut capteur :
Figure IV.14 : Signal de défaut considéré
Le défaut sera simulé sur la 3ème sortie (3ème capteur)
a. Construction du banc d’observateurs :
Nous avons 05 sorties, alors on va choisir un nombre d’éléments du banc d’observateur

de la structure (DOS) égal à 5, ce qui permet de détecter un défaut à la fois.
Chaque élément est attaqué par toutes les entrées et une seule sortie du système 5 cuves.
b. Fixation du seuil :
Le seuil est fixé à 98% de la valeur maximale du signal de résidus dans le cas sain
(figure IV.15).
Page 61
Figure IV.15 : Fixation des seuils de détection de défauts capteurs
c. Détection de défauts capteurs du système 5 Cuves :
La simulation de défaut donne les résultats affichés sur la figure IV.16, nous constatons
le dépassement de seuil pour la 3èmesorties de l’élément du banc d’observateur attaqué par
l’entrée y3(t)
Pour les autres éléments, nous ne constatons aucun dépassement du seuil.
Page 62
Figure IV.16 : Sorties et leurs estimées avec résidus des (5) cinq éléments du banc d’observateurs
d. Matrice des signatures instrumentales
défaut
r1 0
r2 0
r3 1
r4 0
r5 0
Tableaux III.1: Signatures instrumentales
L’analyse de la figure IV.16 qui montre les cinq les cinq sorties des cinq éléments du
banc d’observateurs nous permet d’avoir cette matrice. La comparaison de cette dernière
avec la matrice des signatures théoriques indique que le deuxième capteur est en défaut.
Page 63
IV.8 Conclusion :
Dans ce chapitre, nous avons présenté la méthode de diagnostic de défauts actionneurs

et capteurs en utilisant les structures DOS et GOS des observateurs à entrées inconnues.
L’approche présentée a été appliquée pour le diagnostic de défauts affectant les actionneurs et
les capteurs d’un système hydraulique à cinq cuves.
Page 64
Conclusion Générale
Nous avons présenté dans ce mémoire le diagnostic de défauts affectant les capteurs et
les actionneurs.
Dans un premier temps, nous avons donné un bref rappel sur les concepts et la
terminologie propre au diagnostic, ainsi que les méthodes de diagnostic de défaut sans modèle
et avec modèle mathématique. Par la suite, nous avons présenté la linéarisation des systèmes
non linéaires, pour passer à l’estimation d’état en utilisant un observateur de Luenberger, et
pour estimer les états en présence de perturbations, nous avons présenté l’observateur à
entrées inconnues, dont nous avons estimé les états du système hydraulique cinq cuves en
utilisant ce dernier type d’observateur.
Pour le diagnostic de défaut, nous avons présenté l’approche basée sur l’utilisation
des bancs d’observateurs à entrées inconnues pour les deux structures DOS et GOS.
La structure DOS a été choisie pour le diagnostic de défaut capteur et actionneur du
système hydraulique 5 cuves.
Comme perspectives, nous proposons d’élargir l’étude au système non linéaire

directement, sans passé par la linéarisation afin de se rapprocher au mode de fonctionnement
réel du système considéré.
Page 65
Bibliographie
[1] A.S. WILLSKEY. A Survey of design methods for failure detection in dynamic Systems,
automatic, 1976.
[2] G. Zwingelstrein. Diagnostic des défaillances, théorie et pratique pour les systèmes industriels,
Edition Hermès, 1995.
[3] N.S.Boukhalfa.Synthèse d’observateurs non linéaires , Application au diagnostic de défauts.
Thése magister, Université Mouloud Mammeri ,Tizi- Ouzou.
[4] M. R. Zemouri .Contribution à la surveillance des systèmes de production, thèse doctorat,
Université de Franche-Comté, 2003.
[5] L. Zetao. Contrebutions à l’élaboration d’algorithme d’isolation et d’identification de défaut
dans un système non linéaires. Thèse, Institut national des sciences appliquées de Toulouse,
2006.
[6] S.Touf, diagnostic logique des systèmes complexes dynamiques dans un contexte multiagent,
Doctorat de l'université Joseph Fourier, Grenoble, 2005.
[7] R. Isermann and P. Ballé, Terminology in the eld of supervision, fault detection and diagnosis,
Technical Committee of Safeprocess 1997.
[8] K.Merahi. Estimation d'état et diagnostic de fonctionnement des systèmes non linéaire,
université badji Mokhtar Annaba, Département d'électronique pour l’Ingénieur 2010.
[9] H.Baikeche.Diagnostic des systèmes linéaires en boucle fermée, Thèse doctorat de l’Institut
National Polytechnique de Lorraine, spécialité automatique et traitement de signal.
[10] A.Akhenak. Conception d’observateurs non linaires par approche multi modèle, application au
diagnostic, Thèse de Doctorat, Ecole doctorale IAEM de Lorraine, 2004
[11] R.J.Pattan. Fault Detection and Diagnosis in Aerospace Systems using AnalyticalRedundancy,
Computing and Control Engineering, Vol.2, pp127-136, 1991.
[12] M.L.Leuschen, I.D. WALKER et J.R. Cavallaro. Nonlinear Analytical Redundancy for Fault
Detection, IEEE Transactions on Automatic control,2002
[13] Y.Derdour. Comparaison des Outils de Diagnostic par l’Analyse Structurelle et laThéorie des
Observateurs thése magister, Université D'ORAN 2009/2010
[14] Nelly OLIVIER-MAGET, Surveillance des systèmes dynamiques hybrides, Application aux
procédés, Université de Toulouse, Institut Nationale des Sciences Appliquées de Toulouse, 12
décembre 2007
[15] S. METHNANI. Diagnostic. reconstruction et identification des défauts capteur et actionneurs,
application aux stations d’épurations des eaux usées, Université de Sfax, Ecole Nationale
d’Ingénieurs de Sfax, 17 décembre 2012.
[16] P.M Frank and B Köppen-Seliger. New developments using AI in fault diagnosis,
Engineering.Applic. Artif. Intell. vol. 10(1), pages: 3-14, 1997.
[17] S .Dash, Venkatasubramanian, V. Challenges in the industrial applications of fault diagnostic
systems. Proceedings of the conference on Process Systems Engineering Comput. &Chem,
2000.
[18] R.Isermann, Fault-diagnosis systems: an introduction form fault detection to faul tolerance.
Springer, 2006.
[19] V .Venkatasubramanian, R.Rengaswamy, Yin, K., Kavuri, S. N. A review of process fault
detection and diagnosis,Computers & Chemical Engineering vol. 27, pp. 293-346,2003
[20] S. BACHIR. Contribution au diagnostic de la machine asynchrone par estimation paramétrique.
Thèse, Université de Poitiers, 2002
[21] F.Lootsma.Observer-based Fault Detection and Isolation for Nonlinear systemsThese,
Department of Control Engineering, University Aalborg, Denmark, 2001.
[22] H.Y.CHOU. Fault Diagnosis of the Heat Exchanger system using Unknown Input observer.
[23] Gertler, Survey of model-based failure detection and isolation in complex plants, IEEE .Control
Systems Magazine 8(6) (1988), 3-11.
[24] M. Basseville, Distance measures for signal processing and pattern recognition, Signal
processing 18(4) (1989), 349-369.
[25] F. Kratz, Utilisation des techniques de redondances matérielles et analytiques à la Institut
National Polytechnique de Lorraine, Centre de Recherche en Automatique de Nancy, 1991.
[26] J.E. Potter and M.C. Suman, Thresholdless redundancy managements with arrays of skewed
instruments. Integrity in electronic flight control systems, AGARDOGRAPH-22415 (1977),
1_25.
[27] B. Hakami and J. Newborn, Expert Systems in Heavy Industry, An Application of ICLX in a
British Steel Corporation Works, ICL Technical Journal (1983), 347_359
[28] I. T. Jolliffe, Principal component analysis, Springer-Verlag, New York, 1986.
[29] Site web, https://fr.wikipedia.org/wiki/Observateur_d'%C3%A9tat le 27/02/2017 à 7:46
[30] B.Larroque, Observateurs des systèmes linéaires Application à la détection et localisation de
fautes, Université de Toulouse, 2008.
[31] N. BARKAT, Méthodes analytiques de détection des défauts dans les systèmes bouclés,
Application à un Système. Électrotechniqueuniversité de Banta, faculté de science de
l’ingénieur.
[32] G. GRATON, Diagnostic des systèmes à l'aide d'observateurs à mémoire finie, Application au
Common Rail, Université D’Orléans, 14 décembre 2005
[33] Luc Jaulin. Contrôleurs et observateurs ENSI2, ENSTA-Bretagne, 19 mai 2011.
[34] Notes de cours Commandedes processus représentation d’état,Université Paris-Sud XI - ENS de
Cachan.
[35] M.Reguig, DiagnosticdesSystèmesLinéaires, CentreRégionalAgréedeNancy. Avril 2001.
[36] Systèmes linéaires, non linéaires, à temps continu, à temps discret, représentation d'état Cours et
exercices corrigés Yves Granjon Professeur à l'Institut National Polytechnique de Lorraine
(INPL) et directeur de l'ENSEM à Nancy 2 emmeedition
[37] Site web, https://fr.wikipedia.org/wiki/Repr%C3%A9sentation_d'%C3%A9tatle 8/03/2017 à
22.30
[38] O. Follinger, Regelungstechnik ,Einführung in die methoden und ihreanwendungen, Dr. Alfred
HuthigVerlag, Heidelberg, 1985.
[39] J. O’Reilly, Observer for linear system, Richard Bellman, Mathematics in Science and
Engineering Vol. 140, Academic Press, New York, 1983.
[40] R. E. Kalman et J. E. Betram, Control system analysis and design via the second method of
Lyapunov –I , Continuous-time system, ASME journal of Basic Engineering Vol. 82, pp. 371-
393, 1960.
[41] LUENBERGER,D.G . An introduction to observers , IEEE Transactions on Automatic Control
Vol. 16,no.6,pp. 596-602,1971.
[42] F. SALLEM , détection et isolation de défauts actionneur basées sur un modèle de l’organe de
commande , Université DE TOULOUSE III PAUL SABATIER Doctorat Automatique 13
septembre 2013.
[43] Automatic Control 1 State estimation and linear observers Prof. Alberto Bemporad University
of Trento Academic year 2010-2011
[44] D. ICHALAL. Estimation et diagnostic de systèmes non linéaires décrits par un modèle
deTakagi-Sugeno, Ecole doctorale IAEM Lorrain : DFD Automatique et Production
Automatisée, 24 /11/2009.
[45] H.KHEBBACHE. Tolérance aux défauts via la méthode backstepping des systèmes non
linéaires, Application : Système UAV de type Quadrirotor, UNIVERSITE FERHAT ABBAS
DE SETIF : Département d’Electrotechnique, 06/06/2012.
[46] Clément LETELLIER. Diagnostic robuste des systèmes incertains : Applications à un
systèmemécatronique pour l’automobile, Université de Rouen : Ecole doctorale Sciences
Physiques, Mathématiques et de l’Information pour l’Ingénieur, 19/10/2012.
[47] Bernard Dubuisson. Automatique et statistique pour le diagnostic, Paris, Hermès Science
Publications, 2001.
Résumé
Dans ce travail, nous avons présenté une méthode de diagnostic qui peut être appliquée
sur les systèmes représenté par équations d’état, basée sur un observateur à entrée
inconnue et la structuration des résidus pour la conception d’un banc d’observateurs.
Cette méthode a été vulgarisée et appliquée sur un système industriel, qui est le système
hydraulique cinq cuves. Nous avons simulé deux défauts le premier affectant un
actionneur et le deuxième affectant un capteurs, dont nous avons pu détecter et localiser
ces deux défauts.
Mots clés : Système hydraulique cinq cuves, diagnostic de défaut, observateurs à entrées
inconnues.
‫الملخص‬
‫في هزا العول قوٌا بوعالجت طشيقت لتشخيص األعطاب يوكي تطبيقها على األًظوت الووثلت بوعادالث‬
‫ و رلك لبٌاء‬،‫ هع بٌاء إشاسة الخطأ الوكتشف‬،‫ و قذ استخذهٌا الوالحظاث راث الوذاخل الوجهىلت‬،‫الحالت‬
.‫بٌك هي الوالحظاث يوكٌٌا هي كشف و فصل الوٌفزاث و الولتقطاث التي أصابها الخطأ‬
‫الطشيقت التي تن عشضها تن تطبيقها على ًظام هيذسوليكي لخوست خزاًاث حيث تن كشف و فصل‬
.‫األعطاب بٌجاح‬
:‫الكلمات المفتاحية‬
.‫ ًظام هيذسوليكي لخوست خزاًاث‬،‫ كشف األعطاب‬،‫ هالحظاى راث هذاخل هجهىلت‬،‫ًظام غيش خطي‬
Abstract
In this work we have studied a method of diagnosis can be applied to systems represented
by equations of state, Based on an unknown input observer and the construction of
residuals and the design of a set of observers.
This method has been applied on a widely used industrial system, which is the five
hydraulic tanks system. We simulated two faults on two sensors and we were able to detect
and isolate these two faults.
Keywords: System with five tank hydraulic system, fault diagnosis, unknown input
observer

Harket Khalfaoui

Transféré par

Droits d'auteur :

Formats disponibles

Harket Khalfaoui

Transféré par

Informations du document

Titre original

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

Harket Khalfaoui

Transféré par

Droits d'auteur :

Formats disponibles

REPUBLIQUE ALGERIENNE DEMOCRATIQUE ET POPULAIRE

UNIVERSITE KASDI MERBAH-OUARGLA

MEMOIRE MASTER ACADEMIQUE

HARKET Fifi Inchirah et KHELFAOUI Amel

Diagnostic de Défauts du Système

Mr Mancer Abdelghani M. MAA Président UKM Ouargla

Mr Djeddi Abdelghani M. MAA Encadreur UKM Ouargla

Mr Chakour Chouaib M.MAA Examinateur UKM Ouargla

L Matrice du gain de l’observateur de Luenberger

Q Matrice de variance-covariance de bruit d'état

r(t) un vecteur de résidus

R(s) Résidu du système

u(t) Commande du système

v(t) Vecteur des bruits d’état de mesure

A l’homme de ma vie, mon exemple éternel, mon soutien

Aux personnes dont j’ai bien aimé la présence dans ce

A toute ma famille, et mes amis, A mon binôme Amel. Et

A l’homme de ma vie, mon exemple éternel, mon soutien

A la lumière de mes jours, la source de mes efforts, la

Aux personnes dont j’ai bien aimé la présence dans ce

A toute ma famille, et mes amis, A mon binôme Fifi. Et à

I.9 Classification des méthodes de diagnostic 8

IV.5 Détection par observateur généraliser et dédie 50

IV.5.1 Approche par observateur dédie (Dedicated Observer Scheme (DOS)) 50

IV.5.2 Approche par observateur généralisé (Generalised Observer Scheme 52

IV.6 Diagnostic de défauts actionneurs 53

IV.8.2 Diagnostic de défaut capteur 61

Ce mémoire se termine par une conclusion générale et des perspectives.

Selon, le contexte et le domaine d’application, le mot diagnostic peut avoir plusieurs

I.2 Définitions et concepts :

I.3 Qu’est-ce que le diagnostic ?

Le diagnostic est une procédure qui consiste à détecter et localiser un composant ou un

Entrées Système Sorties

Génération d’indicateurs de défaut

Détection /décision Diagnostic

Variables connues (observations)

Figure I.1 : Principe général du diagnostic

Figure. I.2 : Principe du diagnostic des systèmes commandés

I.4 Principe de diagnostic de défaut :

I.4.1 Redondances matérielle :

Figure I.3: Schéma représentant la redondance matérielle

L’inconvénient majeur de cette approche est le coût additionnel en équipement. La

I .4.2 Redondance analytique :

Un complément à la redondance physique consiste à exploiter les contraintes liant les

I .5 Modèles des défauts :

Un modèle de défaut est une représentation formelle de la connaissance des défauts et

I .6 Différentes origines de défaut :

On observe plusieurs origines de pannes possibles pouvant modifier les relations de

Défaut d’actionneurs Défaut de composant Défaut de capteur

Actionneur Processus Capteur

perturbation perturbation perturbation

Figure I.4: Les trois types de défauts distinguer sur un procédé

I.7 Type de défauts :

 Défaut abrupt : il est caractérisé par une discontinuité de l’évolution temporelle de la

Figure I.5 : Evolution temporelle des déférents types de défauts

I.8 Procédure de détection et d’isolation des défauts :

1.8.2 La localisation : Consiste à remonter vers l’origine de défaut (capteur, actionneur ou

Détection Localisation Identification

Figure I.6: Procédure de détection et d’isolation des défauts.