Bourdim Samia PDF

‫وزارة التعليــــــم العالــــي و البحــث العلمـــــــي‬
MINISTERE DE L’ENSEIGNEMENT SUPERIEUR ET DE LA RECHERCHE

SCIENTIFIQUE
‫جامعـة فرحـات عبـاس سطيــف‬
UNIVERSITE FERHAT ABBAS-SETIF
UFAS (ALGERIE)
Mémoire de Magister
Présenté au département d’Electrotechnique

Faculté de Technologie
pour obtenir le diplôme de
Magister en Electrotechnique
0ption : Commande Electrique
Par
BOURDIM SAMIA
Thème
Méthodes ondelettes et Bayésiennes pour le

diagnostic : Application aux machines asynchrones
Soutenu le 04 / 07 / 2011 devant la commission d’examen composée de :
Président Dr. Hachemi Mabrouk M.C.Université de Sétif

Rapporteur Dr. Hemsas Kamel Eddine M.C. Université de Sétif
Examinateur Dr. Ziat Lahcen M.C. Université de Sétif
Examinateur Dr. Radjeai Hammoud M.C. Université de Sétif
Examinateur Dr. Khemliche Mabrouk M.C. Université de Sétif
Remerciements
Tout d'abord merci à dieu de m'avoir donner la force pour

terminer ce travail
Je remercie vivement monsieur Dr. K.E. Hemsas pour son esprit scientifique et
compréhensif, qui a consacré beaucoup de son temps à mon travail et m’a beaucoup aidé avec
ses idées, ses conseils et surtout ses critiques objectives.
Je tiens également à remercier Dr M. Hachemi d’avoir accepté la présidence du jury,
monsieur H Radjeai et monsieur M. Khemliche et monsieur L. Ziat d’avoir pris de leurs
temps pour examiner ce travail.
Merci à tous les autres chercheurs qui ont mis leurs outils, articles et travaux accessibles à
travers l'Internet.
Je veux également remercier ma famille pour le soutien moral.
Enfin, je remercie tout particulièrement mes parents, pour leur soutien inconditionnel tout
au long de ces longues années d’études.
NOMENCLATURE
Liste des acronymes
Liste des acronymes

MAS : Machine Asynchrone.
TF : Transformée de Fourier.
STFT: Short Time Fourier Transform.
TOC: Transformée d’Ondelette Continue.
TOD : Transformée d’Ondelette Discret.
TODI : Transformée d’Ondelette Discret Inverse.
Matlab : Matrix Laboratory.
PC: Personnel Computer.
MCSA :Motor Current Signature Analysis
DSP: Densité Spectrale de Puissance.
CD: Coefficient détail.
CA: Coefficient d’approximation.
D: Détail.
A: Approximation.
DB:Daubechies.
Mexh: Chapeau Mexicain
LP: Programmation Linéaire.
LS: Least Square.
P.N.L: Programmation Non Linéaire.
IEEE: Institution of Electrical & Electronic Engineers.
Liste des tableaux
Liste des tableaux

Tab.III.1 Résultats d'estimation paramétrique obtenus en minimisant J C 71
Tableau.A.1 Inductances de la machine asynchrone à cage 93
Tableau.C.1 Caractéristiques de la machine 113
Liste des figures
Liste des figures

Figure I.1 Eléments de constitution d'une MAS à cage d’écureuil 2
Figure I.2 Stator 3
Figure I.3 Rotor à cage d’écureuil 4
Figure I.4 Paliers 5
Figure I.5 Sources des défauts de la machine asynchrone à cage 6
Figure I.6 Principaux défauts de la machine asynchrone et leurs causes 7
Figure I.7 Types de défauts dans les roulements à billes 8
Figure I.8 Dimension d’un roulement à billes 9
Figure I.9 Différents types de la dissymétrie de l’entrefer 12
Figure I.10 Représentation de l’excentricité statique, dynamique et mixte 12
Figure I.11 Rotor à cage d'écureuil 14
Figure I.12 Rupture d'une barre et d’un anneau de court circuit 14
Figure II.1 Représentation temporelle vers fréquentielle 21
Figure II.2 Représentation temporelle et fréquentielle ‘somme de deux sinusoïdes’ 22
Figure II.3 Représentation temporelle et fréquentielle ‘succession de deux sinusoïdes’ 22
Figure II.4 Représentation temporelle vers STFT 23
Figure II.5 Représentation temporelle et leur STFT avec taille de fenêtre0.05 25
Figure I I.6 Représentation temporelle et leur STFT avec taille de fenêtre 0.005 25
Figure II.7 Exemple explicatif du principe d’Heisenberg 26
Figure II.8 Représentation temporelle vers ondelettes 27
Figure II.9 Evolution de la forme d'une ondelette temps échelle 28
Figure II.10 Boîtes Temps fréquence des deux ondelettes u , s et u0 , s0 30
Figure II.11 Quelques formes des ondelettes usuelles 31
Figure II.12 Signal bruit et sa transformée d’ondelettes continue 33
Figure II.13 Décomposition du signal s en approximations et détails 34
Figure II.14 Décomposition simple du signal s en approximations et détails 35
Figure II.15 Décomposition du signal s en multi-niveaux 36
Figure II.16 Reconstruction simple d’un signal S 37
Figure II.17 Algorithme de MALLAT uni/multi dimensionnelles 37
Figure II.18 Décomposition simple représentant A1 et D1 38
Figure II.19 Décomposition en 3 niveaux représentant A1, D1, D2etD3 38
Figure II.20 Représentation du signal original et leur approximation A3 39
Figure II.21 Décomposition en paquet d’ondelettes 40
Figure II.22 Répartition des nœuds dans un arbre de décomposition par paquet d’ondelettes 41
Figure II.23 Courbes d’un moteur à cage état sain 42
Figure II.24 Courant d’une phase statorique (tous les cas) 43
Figure II.25 La CWT du courant d’une phase statorique (DB7a) 44
Figure II.26 La CWT du courant d’une phase statorique (DB7b) 45
Figure II.27 La CWT du courant d’une phase statorique (HAAR) 46
Figure II.28 La CWT du courant d’une phase statorique (Mexh) 47
Figure II.29 La CWT du courant d’une phase statorique (Morlet) 48
Figure II.30 Courant d’une phase statorique (tous les cas) 49
Figure III.1 Principe des méthodes à erreur de sortie 55
Figure III.2 Interprétation déterministe du critère composite dans le cas mono variable 64
Figure III.3 Procédure de diagnostic 67
Figure III.4 Evolution des paramètres en fonction des itérations 71
Figure III.5 Comparaison du courant réel et estimé d'axe d de Park 73
Figure III.6 Axes de recherche du défaut au rotor 74
Figure III.7 Résultats d'estimation paramétrique en présence d'une rupture de barre 78
Liste des figures
Figure III.8 Comparaison du courant réel et estimé d'axe d de Park 79

Figure A.1 Structure de la cage du rotor 91
Figure A.2 Induction magnétique produite par une maille du rotor 91
Figure A.3 Schéma équivalent des mailles rotoriques 95
Figure A.4 Schéma équivalent de la cage rotorique 102
Figure B.1 Modélisation par dipôles élémentaires du rotor en défaut 105
Figure B.2 Premier modèle de la machine avec défauts rotoriques 108
Figure B.3 Modèle de la machine avec défauts rotoriques 109
Sommaire
Remerciements
Liste des acronymes
Liste des tableaux
Liste des figures
Introduction générale…………………………………………………………………... I
I. Présentation des différents défauts du MAS à cage d’écureuil 1

I.1 Introduction …………………………………………………………………………. 1
I.2 Eléments de constitution de la machine asynchrone………………………………… 1
I.2.1 Stator ………………………………………………………………………. 2
I.2.2 Rotor………………………………………………………………………….. 3
I.2.3 Paliers ………………………………………………………………………... 5
I.3 Défaillances de la machine asynchrone ……………………………………………... 5
I.3.1 Défaillances d'ordre mécanique………………………………………………. 8
I.3.1.1 Défaillances des roulements …………………………………………. 9
I.3.1.2 Défaillances des flasques …………………………………………….. 11
I.3.1.3 Défaillances de l'arbre………………………………………………... 12
I.3.1.4 Défauts d’excentricité ……………………………………..…………. 12
I.3.2 Défaillances d'ordre électriques ……………………………………………… 14
I.3.2.1 Défaillances des circuits électriques statoriques……………………... 14
I.3.2.2. Défaillances des circuits électriques rotoriques …………………….. 14
I.4.Méthodes de diagnostic …………………………………………………………… 16
I.4.1 Méthodes externes…………………………………………………………… 17
I.4.2 Méthodes internes …………………………………………………………… 17
I.4.3 Méthodes inductives ………………………………………………………… 17
I.4.4 Méthodes déductives ………………………………………………………... 17
I.5 Modèle de la machine asynchrone à cage …………………………………………… 18
I.5.1 Approche analytique ………………………………………………………… 18
I.5.2 Approche numérique ………………………………………………………... 18
I.6 Signatures spectrales des défauts dans le spectre du courant statorique (MCSA) ...... 19
I.6.1 Défauts statoriques …………………………………………………………. 19
I.6.2 Défauts rotoriques ………………………………………………………….. 20
I.7 Conclusion …………………………………………………………………………... 20
II. Théorie des ondelettes et leurs applications 21

II.1 Introduction…………………………………………………………….......... 21
II.2.De l’analyse de Fourier à l’analyse par ondelettes………………………………….. 21
II.2.1 Exemple d’application de la transformée de Fourier FT…………………….. 22
II.2.1.1 Signal stationnaire……………………………………………………... 22
II.2.1.2 Signal non stationnaire………………………………………………… 23
II.2.2 Transformée de Fourier à fenêtre glissante STFT…………………………… 24
II.2.2.1.Exemple d’application de la transformée de Fourier à fenêtre glissante 25
II.2.2.2 Limitations de la TF à fenêtre glissante……………………………….. 26
II.3 Transformée en ondelettes ......................................................................................... 28
II.3.1 Définition……………………………………………………………………. 28
II.3.1.1 Exemple de l'ondelette de Morlet (Complexe)………………………... 29
II.3.2 Transformée en ondelettes continue (TOC)…………………………………. 31
II.3.3 Application de la transformée d’ondelette continue…………………………. 33
II.3.3.1 En utilisant notre code MATLAB .......................................................... 33
Sommaire
II.3.4 Transformée en ondelettes discrète (TOD)………………………………….. 34

II.3.4.1 Décomposition simple ............................................................................ 36
II.3.4.2 Décomposition multi-niveaux ................................................................. 36
II.3.4.3 Reconstruction par ondelette .................................................................. 38
II.3.4.4 Décomposition et Reconstruction par ondelette……………………….. 38
II.3.4.5 Application de la TOD ........................................................................... 38
II.3.5. Décomposition par paquet d’ondelettes ........................................................ 40
II.3.6 Application de la technique d’ondelettes ......................................................... 42
II.3.6.1 Application de la transformée d’ondelettes continue…………………... 43
II.3.6.2 Application de la transformée d’ondelettes discrète…………………… 50
II.4 Conclusion…………………………………………………………………………... 52
III. Méthode Bayésienne pour le diagnostic 53

III.1 Introduction………………………………………………………………………... 53
III.2 Modèle du moteur………………………………………………………………….. 53
III.3 Classe d’algorithmes d'identification ……………………………………………... 55
III.3.1 Méthode à erreur d’équation………………………………………………... 55
III.3.2 Méthode à erreur de sortie………………………………………………….. 55
III.4.Algorithme d'identification du type erreur de sortie……………………………….. 56
III.4.1 Principe de la méthode à erreur de sortie ………………………………….. 56
III.4.2. Calcul des fonctions de sensibilité………………………………………… 58
III.5 Inférence Bayésienne………………………………………………………………. 60
III.5.1 1ntroduction de l'information à priori …………………………………….. 62
III.5.2 Interprétation déterministe ………………………………………………… 64
III.5.3. Choix de l’information a priori .................................................................... 66
III.6. Application au diagnostic de la machine asynchrone .............................................. 67
III.6.1. Choix des modèles pertinents : procédure de diagnostic………………….. 67
III.6.2. Estimation de la machine saine .................................................................... 69
III.6.3. Modèle dynamique de la machine asynchrone……………………………. 69
III.6.3.1 Modèle d'état continue ……………………………………………….. 69
III.6.3.2 Identification par erreur de sortie.......................................................... 70
III.6.3.3 Introduction de l'information a priori ................................................... 71
III.6.4 Diagnostic d'un défaut rotorique .................................................................... 74
III.6.4.1. Modèle et stratégie de détection……………………………………... 74
III.6.4.2. Détection d'une rupture de barre……………………………………... 77
III.6.4.3 Détection d'une rupture de deux barres………………………………. 80
III.7 Comparaison entre méthode ondelettes et Bayésienne ............................................. 83
III.8 Conclusion ................................................................................................................ 85
Conclusions générales et perspectives 86
Annexe A Modèle multi- enroulement de la MAS à cage 89

A.1 Introduction ................................................................................................................ 89
A.2 Modèle multi enroulements de la machine asynchrone triphasée à cage………........ 89
A.2.1 Hypothèses simplificatrices …………………………………………………. 90
A.2.2 Calcul des inductances de la machine .................................................... 90
A.2.2.1 Partie Statorique……………………………………………………... 90
A.2.2.2 Partie rotorique .................................................................................... 91
A.2.2.3 Inductances mutuelles stator rotor ...................................................... 93
A.3 Mise en équations de la machine……………………………………………………. 94
Sommaire
A.3.1 Equations des tensions statoriques ……………………………………. 95

A.3.2 Equations de tensions au rotor ............................................................... 96
A.3.3 Equation globale des tensions ................................................................ 97
A.3.4 Expression du couple électromagnétique ……………………………... 102
A.4 Prise en compte des défauts rotorique dans le modèle ............................................... 103
A.5 Conclusion .................................................................................................................. 105
Annexe B Modèle d’état de défaut du MAS à cage 106

B.1 Introduction ................................................................................................................ 106
B.2 Modèle de défauts rotorique de la machine asynchrone…………………………….. 107
B.2.1 Modèle de défauts rotoriques ………………………………………………... 107
B.2.2 Modélisation de la rupture de barres ………………………………………… 109
B.2.3 Schéma électrique équivalent ……………………………………………….. 111
B.3 Validation en régime stationnaire ............................................................................... 113
B.4 Conclusion………………………………………………………………………….. 114
Annexe C Paramètres des moteurs utilisés 115

C.1 Paramètres du moteur A utilisé……………………………………………………... 115
C.2 Caractéristiques de la machine B utilisé…………………………………………….. 116
Bibliographie……………………………………………………………………………. 117
INTRODUCTION GENERALE
Introduction générale
La place prestigieuse qu’occupe les machines électrique dans l’industrie moderne, nécessite entre
autres une mise en place des programmes de maintenances préventives et correctives et de
surveillance afin d’assurer la continuité de leur bon fonctionnement. En effet, ces fonctions permettent,
en partie, d’assurer la sécurité des personnes, la qualité du service et la rentabilité des installations.
Un système de surveillance doit permettre de valider les données utilisées par les algorithmes de
commande mais aussi de fournir des informations sur le fonctionnement de l'unité aux opérateurs qui
l'exploitent. Il doit être capable de provoquer dans les cas graves un arrêt de l'unité ou de permettre au
système de production de continuer de fonctionner en mode dégradé en cas de problème ne nécessitant
pas un arrêt immédiat, tout cela en évitant bien sûr des erreurs de type fausses alarmes qui provoquent
des arrêts inutiles des installations. Les tâches de détection et de localisation des défaillances trouvent
ainsi tout naturellement leur place dans un tel système de surveillance. Il existe plusieurs procédures de
diagnostic. Le choix d’une approche est lié à la connaissance que l’on souhaite acquérir sur le système.
Ainsi, deux principales familles de procédures peuvent êtres utilisées dans le domaine de diagnostic des
machines électriques à savoir les méthodes de diagnostic avec connaissance a priori et sans
connaissance a priori.
Les méthodes de diagnostic sans connaissance a priori sont basées sur l’extraction d’informations par
le biais du traitement des signaux mesurés qui sont (courants, tensions, vitesse, couples, vibrations,
température). Ces signaux peuvent fournir des informations significatives sur les défauts.
Les méthodes de diagnostic avec connaissance a priori reposent sur le suivi des paramètres et des
grandeurs de la machine, au moyen d’algorithmes d’observations. Elles détectent les défaillances en
comparant l’évolution de l’écart entre le modèle et le processus réel. Le principal avantage de cette
méthode réside dans l’intégration d’une connaissance a priori du système et donc un filtrage de
l’information.
Dans le cas de la modélisation des machines électriques en vue du diagnostic, il est essentiel
d'envisager deux modes; un mode commun et un autre différentiel. Le mode commun doit
correspondre au modèle dynamique traduisant le fonctionnement sain de la machine. Le mode
I
différentiel a pour objectif de traduire son dysfonctionnement. Ses paramètres doivent être
essentiellement sensibles au défaut.
La connaissance initiale - i.e. connaissance à priori- relative à la machine saine ou défaillante, permet
d’un coté d'accélérer la convergence de l'algorithme de la Programmation Non Linéaire utilisé, et d’un
autre coté de la rendre robuste. Cette approche étant basée sur l'identification des paramètres d'un
modèle de la machine, l'un des objectifs les plus importants, dans le cadre du diagnostic, concerne la
mise au point de modèles mathématiques réellement représentatifs d'un fonctionnement en défaut.
L'étape de modélisation s'avère donc indispensable aussi bien en commande, pour la synthèse des
boucles de régulation, qu'en surveillance, pour la détection et la localisation de pannes.
L’objectif principal du présent travail de recherche est d’exploiter deux méthodes, méthode des
ondelettes et méthode Bayésienne pour le diagnostic des défaillances des machines électriques où
l’accent est mis particulièrement pour la détection des quelques défauts rotoriques de la machine
asynchrone à cage.
Dans la première méthode, le diagnostic par la technique des ondelettes est effectué et validé par
simulation dans l’environnement Matlab. Cette technique propose une analyse très fine des signaux et
permet de détecter la non stationnarité dans les signaux où cette particularité est non disponible dans les
techniques classiques. Telles que : l’analyse de Fourier et l’analyse de Fourier à fenêtre glissant, etc.
Dans la deuxième méthode, on a essayé de placer les bases d'une technique par estimation
paramétrique s'appuyant sur la loi de Bayes qui exige l'adjonction d'une connaissance a priori. Cette
méthode de diagnostic par identification paramétrique conduit à procéder à l'estimation des paramètres
du modèle complet ainsi, les paramètres électriques du mode commun (affectés d'une connaissance a
priori), indiqueront l'état dynamique de la machine (constante de temps rotorique, inductance
magnétisante, etc.) et les paramètres du mode différentiel permettront d'accéder à l'information sur les
défauts présents dans la machine. La surveillance de ces paramètres va permettre la détection et la
localisation des défaillances.
Afin d’aboutir à cet objectif et de bien cerner ses particularités, le travail présenté dans ce manuscrit est
divisé en 03 chapitres et répartis comme suit :
II
Dans le premier chapitre, nous situons les éléments de construction de la machine à cage d’écureuil, les
différents défauts qui se manifestent souvent dans cette machine ainsi que leurs causes.
Le second est consacré, après une étude préliminaire de la technique des ondelettes et ses différentes
applications, à son exploitation pour la détection et la localisation des cassures de barres et portions
d’anneaux dans la machine asynchrone à cage d’écureuil.
Après avoir réalisé une étude théorique sur les méthodes d'estimation paramétrique à erreur de sortie
avec information a priori, nous verrons comment définir une stratégie générale de supervision des
procédés industriels, ainsi une comparaison entre les deux méthodes de diagnostique sera détaillé dans
le chapitre trois.
La mémoire s’achève par des générales conclusions et perspectives, trois annexes et une assez riche
bibliographie.
III
CHAPITRE I
Présentation des différents défauts de la

MAS à cage d’écureuil
Chapitre I Présentation des différents défauts de la MAS à cage d’écureuil
I.1 Introduction :
La croissance utilisation de la machine asynchrone à cage d’écureuil, essentiellement due à sa

simplicité de construction, son faible coût d'achat et de fabrication, sa robustesse mécanique ou
encore sa quasi-absence d'entretien, est telle que nous la trouvons maintenant dans tous les
domaines industriels et en particulier dans les secteurs de pointe comme l'aéronautique, le
nucléaire, la chimie ou encore le transport ferroviaire. Il est évident que ces moteurs conduisent à
porter une attention de plus en plus sérieuse quant à leur fonctionnement et leur disponibilité.
L'apparition d'un défaut conduit le plus souvent à un arrêt irrémédiable de la machine asynchrone
entraînant, en conséquence, un coût de réparation non négligeable pour l'entreprise sans oublier
les pertes de production occasionnées.
Dans les secteurs nucléaire il est indispensable d'assurer la sécurité des personnes, du matériel et
de l’environnement, car aucun système, qu'il soit simple ou complexe, n'est à l'abri d'un
dysfonctionnement. [BOU08a].
Dans ce premier chapitre, on va présenter :
 Les éléments de constitution d’une machine asynchrone
 Un aperçu sur les différents défauts pouvant survenir dans la machine asynchrone à cage
d’écureuil et leurs causes.
 Les différentes méthodes de diagnostic d’une machine asynchrone.
I.2 Eléments de constitution de la machine asynchrone :
La connaissance des éléments de constitution des machines asynchrones permet de comprendre

de quelle façon le système est réalisé physiquement. Les machines asynchrones triphasées
peuvent se décomposer, du point de vue mécanique, en trois parties distinctes :
 le stator, partie fixe de la machine où est connectée l’alimentation électrique;
 le rotor, partie tournante qui permet de mettre en rotation la charge mécanique ;
 les paliers, partie mécanique qui permet la mise en rotation de l’arbre moteur.
1
Barre inclinée Boite à Bornes

Tôles +cage rotorique
Tôles statoriques
Tête de bobine
statorique
Roulement à
billes
Arbre
Anneaux de court
Ventilateur de circuit
refroidissement
Carter de fonte avec
ailettes de refroidissement
Figure I.1. Eléments de constitution d'une MAS à cage d’écureuil [ALL09]
I.2.1 Stator :
Le stator de la machine asynchrone schématisée dans la Figure.I.2 est constitué de tôles d'acier
dans lesquelles sont placés les bobinages statoriques. Ces tôles sont, pour les petites machines,
découpées en une seule pièce alors qu'elles sont, pour les machines de puissance plus importante,
découpées par sections. Elles sont habituellement recouvertes de vernis pour limiter l'effet des
courants de Foucault. Au final, elles sont assemblées les unes aux autres à l'aide de boulons ou
de soudures pour former le circuit magnétique statorique.
2
Une fois cette étape d'assemblage terminée, les enroulements statoriques sont placés dans les
encoches prévues à cet effet. Ces enroulements peuvent être insérés de manières imbriquées,
ondulées ou encore concentriques. L'enroulement concentrique est très souvent utilisé lorsque le
bobinage de la machine asynchrone est effectué mécaniquement. Pour les grosses machines, les
enroulements sont faits de méplats de cuivre de différentes sections insérés directement dans les
encoches. L'isolation entre les enroulements électriques et les tôles d'acier s'effectue à l'aide de
matériaux isolants qui peuvent être de différents types suivant l'utilisation de la machine
asynchrone.
Le stator d'une machine asynchrone est aussi pourvu d'une boîte à bornes à laquelle est reliée
l'alimentation électrique. Nous représentons sur la figure I.1 les différentes parties de constitution
du stator d'une machine asynchrone. Nous pouvons visualiser la présence d'ailettes de ventilation
assurant le refroidissement de la machine lorsque celle-ci fonctionne en charge. [BOU08a].
Figure I.2 Stator
I.2.2 Rotor:
Tout comme le stator, le circuit magnétique rotorique est constitué de tôles d'acier qui sont, en
général, de même origine que celles utilisées pour la construction du stator. Les rotors des
machines asynchrones peuvent être de deux types : bobinés ou à cage d'écureuil.
3
Les rotors bobinés sont construits de la même manière que le bobinage statorique (insertion des
enroulements dans les encoches rotoriques). Les phases rotoriques sont alors disponibles grâce à
un système de bagues-balais positionné sur l'arbre de la machine. En ce qui concerne les rotors à
cage d'écureuil, les enroulements sont constitués de barres de cuivre pour les gros moteurs ou
d'aluminium pour les petits. Ces barres sont court-circuitées à chaque extrémité par deux anneaux
dit "de court-circuit", eux aussi fabriqués en cuivre ou en aluminium [BOU08a].
Figure I.3. Rotor à cage d’écureuil [BOU08a].
Il existe différentes structures de rotor à cage qui dépend principalement de la taille du moteur et
de l'application qu'il en sera fait.
Nous donnons une photographie (Figure.I.3) de l’arbre sur lequel les tôles sont empilées, les deux
anneaux de court-circuit ainsi que les barres d'aluminium formant la cage d'écureuil.
Souvent, ces barres sont uniformément inclinées pour limiter les harmoniques (biais d’encoches
au rotor) et ainsi diminuer très fortement le bruit lors de l'accélération de la machine asynchrone.
L'isolation des barres avec les tôles magnétiques n'est en général pas nécessaire du fait de la
faible tension induite aux bornes de chacune d'entre elles. De plus, la résistivité de l'alliage utilisé
pour la construction de cette cage est suffisamment faible pour que les courants ne circulent pas à
travers les tôles magnétiques, sauf lorsque la cage rotorique présente une rupture de barre. Le
4
rotor de la machine asynchrone est aussi pourvu d'ailettes de ventilation pour permettre un
refroidissement de la cage le plus efficace possible comme le montre la figure I.1 [BOU08a].
I.2.3 Paliers :
Les paliers, qui permettent de supporter et de mettre en rotation l'arbre rotorique, sont constitués
de flasques et de roulements à billes insérés à chaud sur l'arbre. Les flasques, moulés en fonte,
sont fixés sur le carter statorique grâce à des boulons ou des tiges de serrage comme nous
pouvons le visualiser sur la figure I.1 [BOU08a].
Figure I.4.PALIERS [ALL09]

I.3 Défaillances de la machine asynchrone :
La machine asynchrone est considérée comme robuste et également défaillante dans le cas de son
emploi de langue durée et dans des conditions dures. Il est important que les mesures soient
prises pour diagnostiquer l'état de la machine au fur et à mesure qu'elle entre dans le mode de
défauts. Il est donc nécessaire de faire un contrôle continu, en ligne ou hors ligne, de l’état de la
machine. Les raisons derrières les défauts dans les machines électriques ont leur origine dans la
conception, la tolérance de fabrication, l'installation, l'environnement de fonctionnement, la
nature de la charge et le programme de la maintenance. [BEL06].
Le moteur asynchrone, comme n'importe quelle autre machine électrique tournante, est soumis
aux forces électromagnétiques et mécaniques. La conception du moteur est telle que l'interaction
entre ces forces dans des conditions normales mène à un fonctionnement stable avec un bruit et
5
des vibrations minimums. Quand le défaut a lieu, l'équilibre entre ces forces est perdu,
aboutissant à un autre perfectionnement du défaut. Les défauts du moteur asynchrone peuvent
être classés par catégorie dans deux types : mécaniques et électriques.
Les sources des défauts du moteur peuvent être internes, externes ou dues à l'environnement,
comme présenté à la figure I.5. Les défauts internes peuvent être classifiés selon leurs origines
c’est à dire électriques et mécaniques. Habituellement, d'autres types de défauts de roulement et
de refroidissement se rapportent aux défauts du rotor parce qu'ils appartiennent aux pièces
mobiles. La Figure I.6 présente l'arbre de défaut de la machine asynchrone où les défauts sont
classifiés selon leur emplacement : rotor et stator [BEL06].
Figure I.5. Sources des défauts de la machine asynchrone à cage [BOU08a].
6
Figure I.6.Principaux défauts de la machine asynchrone et leurs causes [BOU08a].
D'après les deux organigrammes ci-dessus, on peut classer les défauts majeurs qui peuvent
apparaître dans la machine asynchrone à cage d'écureuil en deux catégories.
I.3.1 Défaillances d'ordre mécanique :
7
Les défaillances d'ordre mécanique sont, en général, les plus souvent rencontrées parmi tous les
défauts que compte la machine asynchrone. Ces défauts peuvent apparaître au niveau des
roulements à billes, des flasques ou encore de l'arbre moteur. On énumérera par la suite certains
de ces défauts. [BEL06].
I.3.1.1 Défaillances des roulements :
Les roulements à billes jouent un rôle très important dans le fonctionnement de tout type de
machines électriques. Les défauts de roulements peuvent être causés par un mauvais choix de
matériau à l'étape de fabrication. Les problèmes de rotation au sein de la culasse du roulement,
causés par un roulement abîmé, écaillé ou fissuré, peuvent créer des perturbations dans la
machine. Nous savons que des courants électriques circulent au niveau des roulements d'une
machine asynchrone ce qui, pour des vitesses importantes, peut provoquer la détérioration de ces
derniers. L’huile de graissage, qui permet la lubrification et la bonne rotation des roulements
peut, dans certaines applications, se rigidifier et causer une résistance à la rotation. L'analyse
vibratoire de la machine ou l'analyse harmonique des courants statoriques permet de détecter ce
type de défaillances [BEL06].
a b
c d
Figure I.7 :Types de défauts dans les roulements à billes [BOU08a].
En présente dans la figure I.8 le dimensionnement d’un roulement à billes
8
Figure I.8 Dimensions d’un roulement à billes [BEL06].
La relation entre les vibrations des roulements et les spectres du courant statorique peut être
déterminée en rappelant que n'importe quelle excentricité de l'entrefer produit des anomalies dans
la densité du flux d'entrefer. Puisque les roulements à billes supportent le rotor, n'importe quel
défaut de roulement produira un mouvement radial entre le rotor et le stator de la machine. Le
déplacement mécanique résultant des roulements endommagés fait changer la hauteur de fuite de
la machine de telle sorte qu’elle peut être décrite par une combinaison des excentricités
tournantes déménageant dans les deux directions.
f  f  mf
roul s i (I.1)
Où m=1,2,…, et fi est l'une des fréquences de vibration caractéristiques correspondant aux

dimensions du roulement.
n  DB 
fi  f r 1  cos  
2  PD  (I.2)
9
Où n est le nombre de billes, fr est la fréquence de rotation rotorique.

Les études statiques montrent que presque 40 à 50% de défauts de la machine asynchrone à cage
d’écureuil sont d’origine mécanique. D’une part, Les défauts de roulement pourraient se
manifester souvent et produisent des défauts qui apparaissent sous la forme d’une asymétrie du
rotor, et sont classés dans la catégorie des défauts d’excentricité.
D’autre part, la naissance d’un défaut au niveau des roulements dépend aussi de la partie
défectueuse, soit dans la partie intérieure ou dans la partie extérieure. Les relations représentent
les fréquences générées par les différents défauts des roulements à billes, sont exprimées par :
Pour un défaut dans la course externe du roulement :
f1   N 2  f r 1  DB cos    PD  (I.3)
Pour un défaut dans la course interne du roulement :
f1   N 2  f r 1  DB cos    PD 
(I.4)
Pour un défaut dans les billes :
f1   DBf r PD  1   DB cos    PD  
2
  (I.5)
Pour un défaut dans la course :
f1   f r 2  f r 1  DB cos    PD 
(I.6)
I.3.1.2 Défaillances des flasques :
Les défauts créés par les flasques de la machine asynchrone sont le plus généralement causés à
l'étape de fabrication. En effet, un mauvais positionnement des flasques provoque un
désalignement des roulements à billes, ce qui induit une excentricité au niveau de l'arbre de la
machine. Il est possible de détecter ce type de défaillance par une analyse vibratoire ou une
analyse harmonique des courants absorbés par la machine. [BOU08a].
10
I.3.1.3 Défaillances de l'arbre :
L'arbre de la machine peut laisser apparaître une fissure due à l'utilisation d'un mauvais matériau
lors de sa construction. A court ou long terme, cette fissure peut mener à une fracture nette de
l'arbre provoquant ainsi un arrêt immédiat de la machine asynchrone. Les milieux corrosifs
peuvent aussi affaiblir la robustesse de l'arbre de la machine. Par exemple, l'humidité peut
provoquer des microfissures et conduire à une destruction complète de la machine.
Une excentricité statique, dynamique ou mixte peut induire des efforts considérables sur l'arbre
moteur, amenant ainsi à une fatigue supplémentaire. Une analyse vibratoire, une analyse par
ultrason, une analyse fréquentielle des courants absorbés ou simplement une analyse visuelle de
l'arbre de la machine permet de détecter ce type de défaillance [BOU08a].
I.3.1.4 Défauts d’excentricité :
Ceux-ci provoquent la variation de l'entrefer dans le moteur, la répartition non homogène des
courants dans le rotor et le déséquilibre des courants statoriques. Le déséquilibre des efforts sur
les barres génère un couple global non constant. Quand l’excentricité devient grande, les forces
radiales résultantes crées par le stator avec la bande du frottement du rotor provoquent des
dommages du stator et du rotor.
La géométrie du rotor peut présenter des dissymétries d’ordre naturel. Celles-ci relèvent de trois
catégories d’excentricité de l’entrefer (Figures : I.9 et I.10) à savoir :
 L’excentricité statique : lorsque l’axe du stator coïncide avec l’axe de rotation et non
avec l’axe du rotor.
 L‘excentricité dynamique : lorsque l’axe de rotation du rotor ne coïncide pas avec l’axe
de symétrie du stator.
 L’excentricité mixte : lorsque l’axe de rotation du rotor ne coïncide pas avec les axes de
symétrie du rotor et du stator.
11
Figure I.9 : Différents types de la dissymétrie de l’entrefer

[BOU08a].
Tel que : R1 : Rayon interne statorique, R2 : Rayon externe rotorique ,  : distance entre le centre
de rotation et le centre du stator
a) excentricité statique b) excentricité dynamique
c) excentricité mixte
Figure I.10 Représentation de l’excentricité statique, dynamique et mixte [BEL06]
12
I.3.2 Défaillances d'ordre électriques :
Les défaillances d'origine électrique peuvent, dans certains cas, causer l’arrêt définitif de la
machine (au même titre que les défaillances d'ordre mécanique). Ces défaillances sont classées en
deux catégories bien distinctes. On peut citer les défaillances qui apparaissent au niveau des
circuits électriques statoriques et celles qui apparaissent au niveau des circuits électriques
rotoriques [BOU08a].
I.3.2.1 Défaillances des circuits électriques statoriques :
L'apparition d'un défaut au niveau des circuits électriques statoriques de la machine asynchrone
peut avoir des origines diverses. Nous pouvons citer, par exemple, les défauts de type court-
circuit inter-spires qui apparaissent à l'intérieur des encoches statoriques. Ce type de défaut peut
être causé par une dégradation des isolants des spires du bobinage statorique.
On trouve également les court-circuits qui apparaissent entre une phase et le neutre, entre une
phase et la carcasse métallique de la machine ou encore entre deux phases statoriques. Ces
défauts ont le plus souvent, une origine mécanique. En effet, des vibrations excessives peuvent
mener à un desserrement des boulons de la plaque à bornes de la machine créant ainsi le court-
circuit. Une cosse mal serrée à la jonction du câble d'alimentation et des bornes de la machine
peut être à l'origine d'une ouverture de phase. Le défaut le plus couramment rencontré reste
encore la fusion d'un fusible de protection. Ces défauts peuvent être détectés par une analyse
harmonique des courants absorbés par la machine. [BOU08a].
I.3.2.2. Défaillances des circuits électriques rotoriques :
Deux types de défaillances peuvent apparaître au rotor d'une machine asynchrone à cage
d'écureuil. La cage étant composée de barres et d'anneaux de court-circuit d'aluminium ou de
cuivre, une rupture partielle ou totale d'un de ces composants peut être considérée comme un
défaut électrique rotorique. L'apparition de ce type de défaut peut être d'origine diverse. En effet,
la rupture d'une barre ou d'un segment d'anneau de court-circuit peut être due à plusieurs
phénomènes qui sont souvent indépendants les uns des autres. On peut citer par exemple une
13
mauvaise utilisation de la machine asynchrone (charge trop importante) ou encore

l'environnement hostile dans lequel elle fonctionne.
Une défaillance au niveau de la cage rotorique se situe généralement à la jointure entre une barre
et un anneau de court-circuit. En effet, les barres rotoriques et les anneaux de court-circuit ne
pouvant pas être construits d'un seul bloc (sauf pour les machines de petite puissance), une
soudure est pratiquée aux extrémités de chaque barre pour relier ces dernières aux deux anneaux
de court-circuit. La fragilité de ces soudures, par rapport aux barres et aux anneaux fabriqués d'un
seul bloc, provoque, à ces endroits précis, une fragilité de la cage d'écureuil [BOU08a].
Figure I.11 : Rotor à cage d'écureuil [BOU08a].
Figure I.12 Rupture d'une barre et d’un anneau de court circuit [BOU08a].
14
La détérioration des barres réduit la valeur moyenne du couple électromagnétique et augmente

l'amplitude des oscillations. L'effet de la cassure de barres croît rapidement avec le nombre de
barres cassées. La grande amplitude des oscillations accélère la détérioration de la machine et des
composants de la chaîne de traction. La rupture de barres provoque un déséquilibre du courant
entre les barres du rotor. En effet ce déséquilibre apparaît sous forme des fréquences qui
s'ajoutent au courant statorique de la machine, et l'analyse fréquentielle de la signature de la
machine montre une apparition des composantes, autour du composant fondamental
correspondantes aux fréquences:
f  (1  2kg ) f s ,k  1, 2,....., n n  N (I.7)
Les portions d'anneaux de court-circuit véhiculent des courants plus importants que ceux des
barres rotoriques. De ce fait, un mauvais dimensionnement des anneaux, une détérioration des
conditions de fonctionnement (température, humidité,...) ou une surcharge de couple et donc de
courants peut entraîner leur cassure. Ce défaut est généralement regroupé avec celui de la cassure
de barres dans les études qui se font à partir du stator [BEL06].
I.4.Méthodes de diagnostic :
Le raisonnement et la connaissance sont deux éléments clés dans la solution d’un problème. Le
diagnostic est au niveau conceptuel une distribution systématique des symptômes en diverses
catégories de défauts. Par rapport à la connaissance et au raisonnement deux grandes classes des
méthodes de diagnostic existent :
 les méthodes internes et externes.
 les méthodes inductives et déductives
I.4.1 Méthodes externes :
Les méthodes externes de diagnostic supposent qu’aucun modèle n’est disponible pour décrire les
relations de cause à effet. La seule connaissance repose sur l’expertise humaine acquise par
apprentissage, ces méthodes se basent sur l’analyse des signaux que fournit à la machine lors de
son fonctionnement, les signaux utilisables qui peuvent être :
Flux d’entrefer, puissance instantanée, courant statorique et vibration acoustique. [BEL06].
15
I.4.2 Méthodes internes :
La connaissance du modèle permet de décrire les relations de cause à effet, ces méthodes
requirent une connaissance approfondie du fonctionnement sous la forme de modèle
mathématique, ces méthodes utilisent un modèle pour reproduire le comportement du système.
On distingue ces méthodes suivant le modèle utilisé. [BEL06].
 Modèle de simulation : les modèles analytiques utilisés dans ce mode sont représentés
par des équations d’état ou des fonctions de transfert.
 Observateur (estimateur) ce modèle est décrit sous une représentation de variable d’état.
 Estimation paramétrique : c’est la détermination des vecteurs des paramètres qui
gouvernent le comportement dynamique du système.
 Modélisation des signaux : dans cette méthode, le contenu spectral, l’évolution
temporelle des variables mesurées sont exploitées pour détecter et localiser les défauts,
l’analyse spectrale est très utilisé pour détecter des défaillances dans les machines
électriques.
I.4.3 Méthodes inductives :
Elles correspondent à une approche montante ou recherche en avant, il s’agit de trouver le défaut
à partir de ses effets sur le système, ces méthodes utilisent un mécanisme de raisonnement en
avant qui a pour objectif d’interpréter les symptômes ainsi que leur combinaison afin de trouver
le défaut. [BEL06].
I.4.4 Méthodes déductives :
Le raisonnement en arrière est la principale caractéristique de ces méthodes, la méthode

déductive doit trouver quels sont les effets dans le système
Une vérification des effets trouvés par rapport aux effets possibles permet de confirmer
l’existence d’un défaut.
Le diagnostic peut utiliser soit un seul type de raisonnement (avant ou arrière) soit une
combinaison de raisonnements (avant et arrière) dans ce dernier cas le raisonnement est appelé
mixte ou avant arrière [BEL06].
Dans notre travail on s’intéresse à deux méthodes
16
 Méthode d’ondelettes
 Méthodes Bayésiennes.
I.5 Modèle de la machine asynchrone à cage :
La modélisation et la simulation des machines constituent une étape primordiale en matière

de diagnostic. Elles permettent la compréhension du fonctionnement défectueux, la
vérification sur prototype virtuel de l’efficacité des algorithmes de détection de défaut et elles
apportent également la possibilité de construire des bases de données sur les manifestations
électriques et magnétiques de ces défauts. Parmi les approches de modélisations existantes,
on cite :
I.5.1 Approche analytique :
Les modélisations analytiques reposent sur le concept d’inductance, notion qui est caractérisé par
une relation linéaire entre le flux et le courant Cette approche globale des phénomènes
électromagnétiques permet d’établir un schéma électrique équivalent de la machine, la théorie des
circuits permet de trouver les équations différentielles caractérisant le fonctionnement de la
machine [ABE99].
I.5.2 Approche numérique :
On cite deux méthodes :
 Méthode des réseaux de perméance : Elle consiste à découper la machine en

plusieurs tubes du flux caractérisés par des perméances. Le mouvement de la machine est
pris en compte par l’intermédiaire de la perméance d’entrefer variable selon la position du
rotor. Cette méthode tient en compte aussi de la saturation [BEL06].
 La méthode des éléments finis : Il s’agit de découper la machine en éléments de

tailles suffisamment petites, pour que le matériau magnétique puisse être considéré comme
linéaire sur les surfaces correspondantes, et à partir des équations de MAXWELL, il est
possible d’exprimer le problème à résoudre. La méthode des éléments finis permet de
reproduire fidèlement le comportement électromagnétique de la machine, et de simuler les
17
défauts d’une manière plus proche de la réalité. Cependant, les moyens et le temps de calcul
freinent l’utilisation de telles méthodes en simulation des algorithmes de détection des défauts
[BEL06].
I.6 Signatures spectrales des défauts dans le spectre du courant statorique
(MCSA) :
I.6.1 Défauts statoriques :
Les défauts statoriques regroupent principalement les défauts de court-circuit d’une phase à la
terre, court-circuit entre phases, ou court-circuit entre spires. Ils commencent généralement par
un court-circuit entre spires, avant d’évoluer vers des défauts plus graves.
Une des principales causes de ces défauts est la dégradation de l’isolation qui peut être une
dégradation fonctionnelle (liée à la durée de vie de l’enroulement) ou bien due aux conditions
d’exploitation et aux contraintes mécaniques, thermiques, électriques et environnementales. Ce
type de défauts entraîne l’apparition d’une série d’harmoniques dans le spectre du flux axial
donnée par [ALL09] :
n 
f cs  f s  (1  g )  k  (I.8)
p 
Avec : n=1, 2, 3, … et k=1, 3, 5, …
I.6.2 Défauts rotoriques :
Le courant statorique en régime permanent donne des indications sur les défaillances
rotoriques telles que les ruptures de barres, d'anneaux de court-circuit ou l'excentricité d’entrefer,
rupture d’une phase, court-circuit entre spires du stator… [ALL09].
I.7 Conclusion :
Dans ce chapitre nous avons rappelé les éléments constructifs de la machine asynchrone à cage
d’écureuil et nous avons également décrit la majorité des défauts qui peuvent apparaître ainsi que
leurs influences sur le comportement de la machine. La connaissance des éléments de
18
construction de la machine asynchrone à cage permet d’implanter le modèle de la simulation

(voir Annexe A) qui permet de donner une image approximative de l’état de la machine lors de
ses régimes de fonctionnement.
Dans le chapitre deux on expose la théorie des ondelettes et de ses applications particulièrement
pour la détection et localisation de la cassure de barres et portion d’anneau dans le rotor à cage de
la machine asynchrone.
19
CHAPITRE II
Théorie des ondelettes et leurs applications

Chapitre II Théorie des ondelettes et leurs applications
II.1 Introduction :
Les transformations linéaires ont toujours joué un très grand rôle dans le traitement du
signal, parmi elles, la plus anciennement étudiée est la transformation de Fourier (1822).
Cette transformation permet d'explorer la composition fréquentielle du signal. Très tôt dans
l'histoire du traitement du signal, il s'est avéré que la décomposition obtenue par Fourier
n'était pas toujours la plus satisfaisante [PER05]. Aux années 1940, Gabor découvrait la
première forme de la représentation temps-fréquence. Sa technique consiste à découper le
signal en différentes plages de longueur fixe ou fenêtre. Chaque segment du signal limité
par une fenêtre est étudié séparément des autres par l’analyse de Fourier. L’ensemble de ces
transformées localisées forme la transformée de Gabor du signal. L’inconvénient majeur de
ce procédé est que la longueur de la fenêtre étant fixée, il n’est pas possible d’analyser
simultanément des phénomènes dont les échelles de temps sont différentes. Une autre
technique d’analyse qui ne privilégie aucune échelle particulière mais qui généralise à
toutes les échelles l’analyse locale des fréquences obtenues par la méthode de Gabor
devient plus que nécessaire. En 1982, J.Morlet ouvre la voie conduisant à la solution en
construisant l’analyse en ondelettes, fondée sur un concept quelque peu différent de celui
de fréquence: le concept d’échelle. Cette procédure développée par Stéphane Mallat et
systématisée par Ingrid Daubechies, porte le nom de multi-résolution et suggère une
interprétation différente de l’analyse par ondelettes. Les ondelettes constituent donc un outil
parmi les plus récents du traitement du signal et qui datent de quelques décennies
seulement. Elles nous permettent d'effectuer une analyse robuste et mènent à de multitudes
applications. Contrairement à la transformée de Fourier à court terme, la transformée en
ondelettes fait appel à la notion de temps-échelle impliquant des fenêtres d'analyse de
longueurs dynamiques [AYA07].
L’objectif de ce chapitre est double. Présenter la théorie d’ondelettes en première étape et
en deuxième étape appliquer leur transformée pour la détection des défauts dans une
machine asynchrone à cage d’écureuil.
II.2.De l’analyse de Fourier à l’analyse par ondelettes :
Pour expliquer ce qu'est le traitement et l'analyse du signal par ondelettes, nous allons faire
une petite digression vers l'analyse de Fourier afin de mieux faire comprendre d'où émerge
ce concept.
20
Lorsqu’on observe un signal f (t ) au cours du temps, on est en mesure de connaître son

début et sa fin et de constater ses éventuelles variations qualitativement .Cependant, il est
moins évident de se faire une idée de ses périodicités (ses fréquences). D'où l'utilisation de
la transformée de Fourier afin de décomposer le signal en une fréquence fondamentale
accompagné de ses harmoniques (les spectres).Chaque fréquence correspond à une fonction
sinusoïdale. [PER05]. Donc l’analyse de Fourier est une analyse en fréquence d’un
signal temporelle f  t  .
La figure II.1 explique le concept de la transformée de Fourier
Figure II.1 Représentation temporelle vers fréquentielle [MIS10].
Si la fonction f est périodique de période T, sa transformée de Fourier est :

T n
1 2 i
Cn  f    f t  e
t
T
dt (II.1)
T 0
Ou, si f appartient à L1  R  :
^ 
f v   f t  e
2 i vt
dt (II.2)

^ n
f  v  Donne le contenu fréquentiel de f pour la fréquence ou v
T
II.2.1 Exemple d’application de la transformée de Fourier FT :
II.2.1.1 Signal stationnaire:
Dans notre exemple schématisé par la figure II.2 on a appliqué la transformée de Fourier
d’un signal stationnaire composé d’une somme de deux sinusoïdes de déférents fréquences
21
et de déférents amplitudes (partie gauche) et le même signal de même amplitude (partie

droite).
Sum of sin Sum of sin

4 2
2 1
Magnitude
Magnitude
0 0
-2 -1
-4 -2
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Time[s] Time[s]
Frequentiel representation Frequentiel representation
200 150
150
Magnitude
Magnitude
100
100
50
50
0 0
0 10 20 30 40 50 60 70 80 90 100 0 10 20 30 40 50 60 70 80 90 100
Frequency[hz] Frequency[hz]
Figure II.2. Représentation temporelle et fréquentielle ‘somme de deux

sinusoïdes’ F1  x1  x2
II.2.1.2 Signal non stationnaire:
Dans le deuxième exemple on passe à un signal non stationnaire (succession de deux

sinusoïdes) de déférente amplitude (à gauche) et de même amplitude (à droite).
Succession of sin Succession of sin

2 1
1 0.5
Magnitude
Magnitude
0 0
-1 -0.5
-2 -1
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Time[s] Time[s]
Frequentiel representation Frequentiel representation
100 60
Magnitude
Magnitude
40
50
20
0 0
0 10 20 30 40 50 60 70 80 90 100 0 10 20 30 40 50 60 70 80 90 100
Frequency[hz] Frequency[hz]
Figure.II.3 Représentation temporelle et fréquentielle ‘succession de deux

sinusoïdes’ F1  x1  x2
22
D’après les deux exemples précédents, on remarque que la transformée de Fourier nous
donne une bonne connaissance combien de fréquences existe mais sans aucune information
où ses fréquences sont localisés dans le temps. Donc l’analyse est global, d’où la difficulté
d'obtenir une information localisée dans le temps. Donc on ne peut pas étudier des signaux
dont la fréquence varie au cours du temps. (Les signaux non stationnaires). L'idée suivante
consiste à représenter notre signal en fonction du temps et de fréquence. On a donc une
description directe et une description fréquentielle. On passe alors à la transformée de
Fourier à fenêtre glissante STFT
II.2.2 Transformée de Fourier à fenêtre glissante STFT :
Pour réaliser une analyse spectrale locale d’un signal f  t  autour d’un instant arbitraire
t0 , il faudrait calculer une transformée de Fourier (TF) du voisinage immédiat de ce point

l’intégrale de Fourier nécessitant un temps d’intégration infini, cela suppose que l’aspect
local soit introduit on n’observant le signal que dans un certain intervalle T proche
de t0 ,dans lequel on le considère comme stationnaire. Les fonctions sinusoïdales qui servent
à décomposer le signal dépendent à la fois du temps et de la fréquence. L'un des premiers à

avoir appliqué ce principe aux transformées de Fourier est le physicien Dennis Gabor en
1940. On parle alors de transformées de Fourier à fenêtre glissante [TEC 09].
L'idée de base consiste à découper le signal en plages temporelles finies. On réalise sur
chaque plage, une analyse de Fourier. Cette analyse est donc dépendante de la localisation
de la plage, la figure II.4 donne un aperçue sur ce concept [PER05].
Figure II.4 Représentation temporelle vers STFT [MIS10].
23
II.2.2.1.Exemple d’application de la transformée de Fourier à fenêtre
glissante STFT :
On peut donner l’algorithme de la transformée de Fourier à fenêtre glissante comme suit

[POL94]:
1. Choisir la fonction fenêtre en un temps fini
2. Placer la fenêtre dans l’axe du signal à t  0
3. Tronquer le signal en utilisant la fenêtre
4. Calculer la TF dans la partie tronqué du signal et l’enregistrer
5. Dilater la fenêtre vers la droite
6. Revenir à l’étape 3
La multiplication du signal f  t  par une fenêtre glissante h  t  t0  et le calcul de la
transformée de Fourier de ce produit est donné par la relation mathématique suivante:


G f  v, t 0    f t  h t  t  e
0
2 i vt
dt (II.3)

Où, t0 est le temps, v est la fréquence.

Dorénavant, chaque TF fournit les renseignements spectraux d'une tranche de temps
séparée du signal, en fournissant l’information temporelle et fréquentielle simultanément
l’exemple suivant schématisé dans la Figure (II.5) et (II.6) donne la STFT du signal non
stationnaire précédent pour différentes tailles de fenêtre.
24
Sum of sin
1
0.5
Magnitude
0
-0.5
-1
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Time[s]
STFT
10
Magnitude
0
50 80
40 30 60
20 40
10 20
0
Frequency Time[s]
Figure II.5 Représentation temporelle et leur STFT avec taille de fenêtre0.05

Sum of sin
1
0.5
Magnitude
-0.5
-1
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Time[s]
STFT
1.5
Magnitude
0.5
0
50 40 30 600 700 800
20 10 300 400 500
0 100 200
Frequency Time[s]
Figure II.6 Représentation temporelle et leur STFT avec taille de fenêtre

0.005 ‘Succession de deux sinusoïdes’
Le principal inconvénient de cette technique est que la longueur de la plage (l'échelle) est
fixe. Cela peut s'avérer très embarrassant si on fait l'analyse de signaux qui correspondent à
des phénomènes avec des échelles de temps très différents.
25
II.2.2.2 Limitations de la TF à fenêtre glissante :

II.2.2.2.1 Principe d’incertitude :
La localisation d’un signal en temps et en fréquence ne peut se faire sur des supports
infiniment réduits. En particulier, plus on accroît la précision en fréquence de l’analyse,
plus on perd la localisation temporelle, et donc de précision en temps, et réciproquement. Il
existe une relation de principe d’incertitude, vient de la mécanique quantique, mais il joue
un très grand rôle dans le traitement du signal. Il stipule que l’on ne Peut localiser aussi
précisément que l’on veut en temps et en fréquence un signal. Mathématiquement on écrit
que la moyenne des fluctuations en temps et en fréquence est bornée inférieurement :
 t . v  1 4 (II.4)
On peut illustrer cette formule par une fonction particulière appelée gaussienne et qui à la
particularité que sa transformée de Fourier est encore une gaussienne [DEM03] :
Figure II.7 Exemple explicatif du principe d’Heisenberg [DEM03]
En rouge, la gaussienne d’origine, en bleu sa transformée de Fourier. La différence entre

les deux largeurs montre bien le principe:”Au plus on localise en temps, au moins on
localise en fréquence”.On peut montrer que la gaussienne a la particularité que
 t . v  1 4
La deuxième figure montre un cosinus et sa transformée. On peut remarquer que la
transformée est localisée très précisément en fréquence, ce qui découle du fait qu’une
sinusoïde est décomposée en une fréquence qui est sa fréquence propre.
Donc les deux résolution temporelle et fréquentielle ne peuvent pas être arbitrairement
grande .On ne peut pas connaît précisément à quel instant dans le temps le spectre
fréquentielle est localisé. On peut seulement connaît dans quel intervalle de temps
l’intervalle des fréquences sont présentée [POL94].
26
L’analyse en ondelettes a pour objectif de rendre compte de ces deux phénomènes

simultanément, en introduisant une fenêtre dont la taille varie avec la fréquence.
II.3 Transformée en ondelettes :
II.3.1 Définition :
L’ondelette est une forme d’onde qui a une duré limitée et avec une valeur moyenne égale à
zéro. La transformation en ondelettes permet d’appliquer une analyse multi-résolution sur
le signal étudié. L’analyse multi-résolution de la transformation en ondelettes équivaut à
une décomposition atomique temps-échelle.Chacun des atomes peut s’interpréter comme
étant une projection locale du signal analysé et est obtenu à partir d’une ondelette   t 
unique par une translation en temps et une dilatation. Partant d’une fonction bien localisée,
dans le plan temps-échelle [BOU08a].
Figure II.8 Représentation temporelle vers ondelettes [MIS10]
La transformée en ondelettes d’un signal f est la famille C ( s, u) coefficients d’ondelettes

qui dépend des deux paramètres s et u où s est l’échelle et u est le facteur de position à
analyser Suivant les besoins de l’analyse du signal f les paramètres ( s, u ) peuvent être
utilisés de façon continue (TOC) ou discrète (TOD). La transformée continue d’ondelettes
exigeant une continuité des valeurs des paramètres ( s, u ) est plutôt utilisée dans l’analyse de
l’allure du signal (approximation) tandis que la transformée discrète d’ondelettes basée
beaucoup plus sur l’utilisation de la complémentarité des deux filtres, passe-haut et passe
27
bas, va servir à l’extraction d’informations caractérisant les transitions rapides du signal

(détails).
III.3.1.1. Exemple de l'ondelette de Morlet (Complexe) :
Soit la formule mathématique de l’ondelette Morlet suivante :
  x   e x e10i x
2
(II.5)
Par la dilatation et la translation dans le temps, on trouve la fonction d'ondelette dilatée et

translatée  u , s  t  qui est schématisée dans la figure ci-dessous :
2
 x u   x u 
1    10 i  
 u ,s  x   e s 
e  s 
(II.6)
s
-3
Temporel Representation x 10 Frequentiel Representation
1 3
u=2
0.5
et s=1
Magnitude
Magnitude
2
0
1
-0.5
-1 0
0 2 4 6 8 10 0 2 4 6 8 10
Times[s] Frequency
1 3
u=2
0.5
et s=2
Magnitude
Magnitude
2
0
1
-0.5
-1 0
0 2 4 6 8 10 0 2 4 6 8 10
Times[s] Frequency
1 0.2
u=4
0.5 0.15
et s=3
Magnitude
Magnitude
0 0.1
-0.5 0.05
-1 0
0 2 4 6 8 10 0 2 4 6 8 10
Times[s] Frequency
Figure II.9 : Evolution de la forme d'une ondelette et de sa transformée de

Fourier (à droite) .
La transformée en ondelettes de la fonction f à l'échelle s et la position u est calculée en

corrélant f avec un atome d’ondelette:

1  t u 
W f  u, s    f t   *  dt (II.7)
 s  s 
28
La transformée en ondelettes a donc une résolution temps-fréquence qui dépend de l'échelle

s sous la condition :
^ 2

  
C  
0

d   (II.8)
C'est une représentation complète, stable et redondante du signal; en particulier, la

transformée en ondelettes est inversible à gauche. La redondance se traduit par l'existence
d'un noyau reproduisant. Comme la transformée de Fourier à fenêtre, une transformée en
ondelettes peut mesurer les variations de temps-fréquence des composants spectraux, mais
il a une différente résolution de temps-fréquence. Une transformée en ondelettes fait
corréler f avec u , s  t  on appliquant la formule de Fourier-Parseval sur l’équation (II.7), on
obtient cette dernière écrite comme intégration de fréquence:

  ^
1 1 ^
Wf  u, s    f  t   u , s *  t  dt   f   u ,s   dt (II.9)
 s 2 
^
Le coefficient d'ondelettes Wf  u, s  dépend ainsi des valeurs f (t) et f  t  dans le domaine
^
temps-fréquence où l'énergie de u , s  t  et de  u , s   est concentrée. Des harmoniques
variables dans le temps sont détectés à partir de la position et l'échelle des coefficients
d'amplitude élevés des ondelettes. En temps,  u , s  t  est centrée à u avec une distribution
proportionnelle au s que sa transformée de Fourier est calculée à partir de la relation

suivante:
^ ^
 u ,s    e ju s   s  (II.10)
^
Où  est la transformée de Fourier de  .pour analyser l'information d'une phase des
^
signaux, une ondelette analytique complexe est utilisée. Ceci signifie     0 pour   0
son énergie est concentrée dans un intervalle positif de fréquence centré à . L'énergie de
^ 
 u ,s   est donc concentrée dans un intervalle positif de fréquence centré à , dont la taille
s
est mesurée par 1/s. Dans le plan temps-fréquence, un atome d’ondelettes  u , s est
29
 
symboliquement représenté par un rectangle centré à  u ,  . La diffusion de temps et de
 s
fréquence est respectivement proportionnelle à s et à 1/s. Quand s change, la longueur et la
largeur du rectangle changent mais sa surface reste toujours constante, comme illustré par
la Figure II.9.
Figure II.10 : Boîtes Temps fréquence des deux ondelettes u ,s et u ,s 0 0
[BOU08a].
II.3.2 Transformée en ondelettes continue (TOC):
On lui associe la famille d’ondelettes  u , s  t  générées par des translations et des dilatations
de   t  cette dernière est dilatée avec un paramètre d'échelle s, et translatée par u:
1  t u 
 u ,s  t     (II.11)
s  s 
L’ondelette   t  est une fonction de moyenne nulle:

   t  dt  0

(II.12)
Parmi une grande famille des ondelettes, on trouve: Ondelette gaussienne et gaussienne
complexe, Morlet et Complexe de Morlet, chapeau mexicain, Meyer et Meyer avec une
30
fonction auxiliaire et Ondelette complexe de Shannon la figure II.10 suivante donne

quelques formes d’ondelettes usuelles
Chapeau mexicain Morlet
Daubechies Haar
Figure II.11 Quelques formes des ondelettes usuelles [BOU08a].
Les ondelettes sont de forme constante mais de taille variable, proportionnelle au paramètre
de dilatation « s » (variable d’échelle). La transformation en ondelettes est aussi interprétée
comme étant un processus de filtrage du signal analysé par un filtre passe-bande de bande
passante variable ; c’est le paramètre « s » qui fixe la valeur de cette bande. A. Grossmann
et J.Morlet ont démontré que si   t  est à valeurs réelles, l’ensemble de ces ondelettes
peut être considéré comme étant une base orthonormée. Cela signifie que tout signal
d’énergie peut s’écrire comme une combinaison linéaire d’ondelettes  u , s  t  et que les
coefficients de cette combinaison d’ondelettes sont les produits scalaires  f  t   u , s  t  dt ,
f  t  étant le signal étudié. Ces produits scalaires mesurent, en un certain sens, les
fluctuations du signal f  t  autour du point « u » à l’échelle « s ».
La transformée continue par ondelette est définie donc par le calcul des coefficients :

1  t u 
C  u, s    f t   s  dt (II.13)
s 
31
Le paramètre s est un facteur d’échelle, inversement proportionnel à la fréquence. La

représentation temps-échelle n’est pas une limitation de la transformation en ondelettes,
mais elle est une autre manière d’aborder l’analyse du signal par un regroupement
d’information fréquentielles et temporelles. Il est à noter que la durée de l’ondelette est
directement proportionnelle au paramètre d’échelle s. Dans sa formulation, la transformée
en ondelettes peut s’interpréter comme une analyse à banc de filtres à surtension constante.
Dans un tel banc, chacun des filtres (passe-bande) peut se déduire d’un gabarit unique par
une dilatation ou compression en fréquence.
II.3.3 Application de la transformée d’ondelette continue:
II.3.3.1 En utilisant notre code MATLAB :
Dans cette partie en va utilisée comme exemple un signal bruit chargée à partir de Matlab la
figure suivante donne deux cas différentes de la transformée d’ondelette continue
correspond au changement d’échelle
32
Figure II.12 Signal bruit et sa transformée d’ondelettes continue
Cette figure donne bien une image claire sur quoi se passé avec le signal et mettre clair les
périodicités.
II.3.4 Transformée en ondelettes discrète (TOD):
La transformée en ondelettes discrète est issue de la version continue, à la différence de

cette dernière, La TOD utilise un facteur d’échelle et une translation discrétisée. On appelle
transformée en ondelettes discrète dyadique toute base d’ondelettes travaillant avec un
facteur d’échelle u  2i .Il est clair que la transformée en ondelettes discrète est pratique en
implémentation sur tout système numérique (PC, DSP, CARTE à µP…).
Il est à noter que la transformée en ondelette continue TOC est aussi implantable sur les
systèmes digitaux avec un lourd calcul provenant de la nature continue du facteur d’échelle
et de la dilatation (toutes les valeurs sont possibles). L’analyse en multi-résolution permet
d’analyser un signal en différentes bandes de fréquences, ce qui permet une vue de la plus
fine à la plus grossière. Soit  la fonction échelle. Elle doit être dans L2 et ayant une
moyenne non nulle.
On forme une base de fonctions d’échelle pour tout i  Z comme suit :
i , j  t   2 2   2i t  j 
i
(II.14)
Et de la même manière la base d’ondelette :

 i , j  t   2 2   2 i t  j 
i
(II.15)
33
Le facteur d’échelle dyadique mène à :
  t    2h  j   2t  j  (II.16)
j
  t    2 g  j   2t  j  (II.17)
j
Les équations (II.16) et (II.17) représentent la décomposition de la fonction échelle et de

l’ondelette en combinaisons linéaires de la fonction échelle à la résolution haute
directement.
On note que h (j) et g (j) sont les filtres passe bas et passe haut respectivement lors d’une
décomposition par ondelettes.
La transformation en ondelettes peut aussi être considérée comme un processus de
décomposition du signal en approximations et en détails. Le signal d’origine S  t  , traverse
deux filtres complémentaires, passe-haut et passe-bas, et émerge en tant que deux signaux
respectivement le signal d’approximations A et le signal de détails comme le montre la
figure II.12
Figure II.13 : Décomposition du signal s en approximations et détails

[MIS10]
Pour plusieurs signaux, la partie dans les basses fréquences est la partie la plus importante.
Ce qui donne au signal son identité.
La partie dans Les hautes fréquences, attribue saveur ou nuance.
Dans l’analyse d’ondelette, on parle seulement des approximations et détails.
34
 L’approximation : est la partie grand échelle, basse -fréquence du signal.

 Le détail : est la partie petit-échelle, haute-fréquence du signal.
II.3.4.1 Décomposition simple :
Comme on a dit précédemment le signal S, est divisé en deux signaux mais, actuellement
pour faire cette opération dans un signal réelle, on trouve deux signaux de même taille que
le signal original.
Supposé, pour l’instant, que le signal original S contient 1000 échantillons donc le résultat
des deux signaux à 1000 échantillons pour chaque signal, le total est 2000 échantillons
Pour donner deux vecteurs respectivement CA (Coefficients ondelette d’approximation) et
CD (Coefficients ondelette de détails). Tous deux sont de taille approximativement égale à
la moitié du vecteur d’origine. Ceci est du au fait de l’opération de décimation par 2 (down
sampling). [TOO10].
Figure II.14 Décomposition simple du signal s en approximations et détails

[MIS10]
II.3.4.2 Décomposition multi niveaux :
L’algorithme de Mallat permet de décomposer le signal S en plusieurs niveaux comme

illustré à la figure (II.16). Le processus de décomposition peut être réitéré, avec des
approximations successives étant décomposées alternativement, de sorte qu'un signal soit
décomposé en beaucoup de composants de hautes résolutions. Ceci s'appelle l'arbre de
décomposition en ondelettes. Puisque le processus d'analyse est itératif, dans la théorie il
peut être continué indéfiniment. En réalité, la décomposition peut procéder seulement
35
jusqu'à ce que les différents détails se composent d'un échantillon ou d'un Pixel simple.
Dans la pratique, on choisira un nombre approprié de niveaux basés sur la nature du signal
à décomposer, ou sur un critère approprié tel que l'entropie [BOU08a].
Le signal S (n) est un signal de temps discret pour être décomposé en ses versions
approximatives et détaillées en utilisant l’analyse multi-résolution. Les premiers
coefficients de décomposition sont A1 et D1, où A1 est la version approximative du signal
original S (n) et D1 est la représentation détaillée du signal original S (n) qui est défini dans
la figure (II.14)
Figure II.15 : Décomposition du signal s en multi-niveaux [BOU10b]
II.3.4.3 Reconstruction par ondelette :
On a appris précédemment comment la TOD peut utiliser pour analyser, ou décomposer le

signal. La deuxième partie de l’histoire est comment peut assembler ces composants pour
revenir au signal original sans perdre l’information. Cette procédure est appelée la
reconstruction, ou la synthèse. La manipulation mathématique qui fait cette opération est
appelée (TODI).
36
Figure II.16 : Reconstruction simple d’un signal S [MIS10]
II.3.4.4 Décomposition et Reconstruction par ondelette :
Cette opération est appelée l’algorithme de Mallat schématisé par la structure suivante :
Figure II.17: Algorithme de MALLAT uni/multi dimensionnelles [MIS10]
II.3.4.5 Application de la TOD :
II.3.4.5.1 En utilisant notre code Matlab :
A- Décomposition simple :
Dans cet exemple on a fait une décomposition simple d’un signal (lelecum) chargé de
Matlab on observe clairement le signal approximation (gauche) et le signal détail (droite).
37
approximation A1 detail D1
550 25
500 20
15
450
10
400
5
350
0
300
-5
250
-10
200
-15
150 -20
100 -25
0 1000 2000 3000 4000 0 1000 2000 3000 4000
Figure II.18:décomposition simple représentant A1 et D1
Décomposition multi –niveaux :
Le même signal conserver pour la décomposition multi niveaux la figure II.18 donne les
trois détails et l’approximation du dernier niveau.
approximation A3 detail D1
600 40
20
400
0
200
-20
0 -40
0 1000 2000 3000 4000 0 1000 2000 3000 4000
detail D2 detail D3
40 40
20 20
0 0
-20 -20
-40 -40
0 1000 2000 3000 4000 0 1000 2000 3000 4000
Figure II.19: décomposition en3 niveaux représentant A1, D1, D2etD3
Quand on fait une Comparaison entre le signal original et le signal approximation au niveau
3 en obtient la figure II.19 suivante avec erreur de 2.2737e-013:
38
Original
600
500
400
300
200
100
0 500 1000 1500 2000 2500 3000 3500 4000
Level 3 Approximation
600
400
200
0
0 500 1000 1500 2000 2500 3000 3500 4000
Figure II.20 : Représentation du signal original et leur approximation A3
II.3.5. Décomposition par paquet d’ondelettes :
La méthode par paquet d’ondelette est une généralisation de la décomposition en ondelette

discrète qui offre une gamme plus riche des possibilités pour l'analyse du signal.
Dans l'analyse en ondelette, un signal est décomposé en approximation et détail.
L'approximation est alors elle-même coupée en approximation et détail de deuxième
niveau, et le processus est répété. Pour une décomposition de n-niveau, il y a (n+1)
manières possibles de décomposer ou coder le signal [BOU08a].
Dans l'analyse par paquet d’ondelettes, les détails aussi bien que les approximations
n1
peuvent être décomposés. Ceci rapporte plus de 22 de différentes décompositions du
signal. L’arbre de décomposition en paquet d’ondelettes est représenté dans la figure II.21
39
Figure II.21 : Décomposition en paquet d’ondelettes [BOU10b]
Le paquet d’ondelettes décompose le signal original qui est stationnaire ou non stationnaire
dans des bandes de fréquence indépendantes. Il n'y a aucune information redondante dans
les bandes de fréquence décomposées. C'est une approche efficace d'analyse basée sur la
multi-résolution et peut être proposée comme méthode de diagnostic de défaut. La
transformation en paquet d’ondelettes est une génération de la transformée en ondelettes,
par la définition de deux fonctions suivantes :
W0  t     t  (II.18)
W1  t     t  (II.19)
Tel que   n  et   n  sont la fonction d’échelle et l’ondelette mère respectivement. La

décomposition d’ordre m donne la fonction Wm  n  qui est exprimée par :
2 N 1
W2 m  t   2  h  n  Wm  2t  n  (II.20)
n 0
2 N 1
W2 m1  t   2  g  n  Wm  2t  n  (II.21)
n 0
W j ,m,n  t   2 j 2Wm  2 j t  n  (II.22)
Tels que j : paramètre d’échelle n : paramètre de localisation en temps.

Dans la pratique, un algorithme rapide est appliqué en utilisant l'étape de base de la figure
(II.17) (Algorithme de Mallat). La différence est maintenant que les détails et les
approximations sont coupés en composants plus fins, ayant pour résultat un arbre de paquet
d’ondelettes. Dans la figure (II.22) un exemple d'un arbre de décomposition par paquet
d’ondelettes de trois niveaux est illustré. Chaque nœud de l'arbre de la décomposition en
40
paquet d’ondelettes est classé avec une paire de nombres entiers  j, k  , où j est le niveau
correspondant à la décomposition et k est l'ordre de la position du nœud au spécifique

niveau. Dans chaque niveau j , il y a 2 j nœuds et leur ordre est k  0,1,..., 2 j 1 Un vecteur
de c jA de coefficients de paquet d’ondelettes correspond à chaque nœud  j , k  , La
longueur d'un c jA du vecteur est approximativement Nt / 2 j La reconstitution des signaux
est basée sur les coefficients d’approximation et les détails.
Figure II.22 : Répartition des nœuds dans un arbre de décomposition par

paquet d’ondelettes [MIS10].
II.3.6 Application de technique d’ondelettes :
L’application de la transformée d’ondelette continue (TOC) et discrète (TOD) aux

diagnostic de défauts de la machine asynchrone à cage d’écureuil est basé sur les signaux
électriques tels que les courants statoriques, tension statorique, vitesse, ou signaux de
vibration de la machine …etc. Notre choix est porté sur le courant statorique puisque Les
signatures du courant statorique représentent une source très riche en informations
concernant les défauts qui se manifestent souvent dans la machine asynchrone, à cet effet la
majorité des travaux de diagnostic sont fondés sur l’analyse du courant statorique soit dans
sa partie transitoire ou dans sa partie permanente [BOU08a].
Les courbes présentées dans Figure II.23 sont liées à la machine saine : courant d’une
phase statorique, courants rotoriques, vitesse et couple électromagnétique.
41
Courant de la phase statorique a courants Rotoriques

20 4000
10 2000
courant[A]
courant[A]
0 0
-10 -2000
-20 -4000
0 2 4 6 0 2 4 6
Temps[s] Temps[s]
Vitesse Couple
3000 10
Vitesse[tr/mn]
2000
Couple[Nm]
5
1000
0
0
-1000 -5
0 2 4 6 0 2 4 6
Temps[s] Temps[s]
Figure II.23 Courbes d’un moteur à cage état sain
II.3.6.1 Application de la transformée d’ondelettes continue:
A-Cassure des barres :

Quand une rupture de la barre rotorique a lieu, une déformation se produit dans l'entrefer.
Cette déformation induit plusieurs composants de fréquence dans le spectre du courant
statorique. Dans le régime permanent, les fréquences de ces composants dépendent de la
vitesse de la machine; la figure II.24 donne les courants statoriques de la machine comme
suit :
a) état sain.
b) cassure d’une barre
c) cassure de 02 barres
d) cassure de 03 barres adjacentes
e) cassure de 03 barres symétriquement espacées
f) cassure d’un segment d’anneau
42
a b
c d(adjacentes)
e (espacées symétriquement) f (cassure d’un segment d’anneau)

Figure II.24. Courant d’une phase statorique (tous les cas)
Ensuite les figures II.25 et II.26 contient la transformée d’ondelettes continue en trois
dimension en variant l’échelle et le résultat montre bien que la TOC de la figure II.26
donne des informations claires sur la cassure des barres.
Lorsque en voix la première figure II.25 où l’échelle est petite en remarque que les figures
des cinq cas sont toute même presque aux états défaillants sauf bien sur le dernier cas.
Mais après le changement d’échelle on observe dans la figure II.26 la variation dans chaque
cas.
43
a b
c d
e f
Figure II.25. La T0C du courant d’une phase statorique (Db7a)
Pour le premier cas (a) c’est l’état sain, le deuxième cas (b) représente cassure d’une seule
barre schématisée par une grande onde après le régime transitoire, le troisième cas (c) est
44
représenté par deux ondes qui convient cassure du deux barres adjacentes après le régime
transitoire toujours pour les cas (d et e) la cassure est représenté par 3 ondes successive
espacé pour le cas (d) et symétrique pour (e) et le cas (f) signifie la cassure d’un segment
d’anneau.
a b
c d
e f
Figure II.26. La TOC du courant d’une phase statorique (Db7b)
D’après la (Figure.26) on remarque que les figures de la transformée d’ondelettes continue

donnent les variations qui passent dans le temps c'est à dire le temps ou la cassure de la
45
barre est faite. Donc à partir de ces résultats en peut dire que la TOC localise bien le défaut
on remarque aussi qu’on a un système défaillant l’intervalle de simulation est augmente
avec l’augmentation de la nombre des barres cassées (te temps de réponse augmente).
Idem pour les figures suivantes on va donné la transformée d’ondelettes continue du
courant statorique a travers d’autre famille d’ondelettes :
a)Ondelette Haar :
a b
c d
e f
Figure II.27. La TOC du courant d’une phase statorique (HAAR)
46
b)Ondelette :chapeau mexicain
a b
c d
e f
Figure II.28. La TOC du courant d’une phase statorique (Mexh)
c) Ondelette Morlet:
47
a b
c d
e f
Figure II.29 La TOC du courant d’une phase statorique (Morlet)
II.3.6.2 Application de la transformée d’ondelettes discrète:
Les même essais a été conservé pour la transformée d’ondelettes discrète TOD
48
a b
c d
e f
Figure II.30 La TOD du Courant d’une phase statorique (Db7)
L’approche est concentrée sur l'analyse des signaux à niveau élevé de détail (et
d’approximation) résultant de la décomposition en ondelettes, dont les bandes de fréquence
associées sont incluses de 0 jusqu’à la fréquence d'alimentation. La figure II.30 compare
le TOD du courant du démarrage lorsqu'il s'agit de la machine saine (a), de la machine avec
une barre cassée (b), avec deux barres cassées (c), avec trois barres cassées (d et e) et de la
machine avec cassure d’un segment d’anneau (f).
Pour la machine défectueuse, on peut voir comment les signaux à niveau élevé D8, D9,
D10 et A10 varient avec l'évolution de la fréquence gauche de bande : il y a des
49
incrémentations dans l’amplitude, il y a encore apparition des oscillations dans D8 et D9.

Cette configuration caractéristique des signaux à niveau élevé D8, D9, D10 et A10 dans le
courant de démarrage tiennent compte d'un diagnostic fiable de la rupture des barres.
II.4 Conclusion :
L’application de la transformée en ondelettes discrète a mené à des résultats très

significatifs en terme de défauts, la décomposition directe du courant statorique en multi-
niveau a donné une image réelle sur les différents défauts rotoriques de la machine
asynchrone à cage. La détection de la non stationnarité engendrée dans le courant statorique
lors des cassures des barres est obtenue par la décomposition en multi-niveau
Les applications de la technique des ondelettes ont couvert presque chaque aspect du
diagnostic de défaut. Dans ce chapitre, toutes les applications récentes ont été divisées en
trois aspects principaux, y compris l'analyse de temps-fréquence des signaux, l'extraction de
dispositif de défaut, la détection de singularité pour des signaux et l'extraction des signaux
faibles ainsi que la décomposition des signaux et l'identification du défaut.
Dans le chapitre trois on traite la seconde technique avec connaissance a priori pour le cas
sain et le cas défaillant.
50
CHAPITRE III
Méthode Bayésienne pour le diagnostic

Chapitre III Méthode Bayésienne pour le diagnostic
III.1 Introduction :
Dans ce chapitre, nous allons essayer de renforcer les bases d'une nouvelle méthodologie dédiée
au diagnostic des processus industriels par estimation paramétrique. Cette technique s'appuie sur
la loi de Bayes qui exige l'adjonction d'une connaissance a priori caractérisant le fonctionnement
sain en association avec une modélisation de la signature du défaut. Nous montrerons l'avantage
d'une telle approche à travers une application sur un moteur asynchrone.
On définit l'identification ou modélisation expérimentale comme la procédure permettant la
détermination de la représentation mathématique (ou modèle) d'un système à partir des résultats
expérimentaux, nous avons l’exploité de la référence [BAC02].
III.2 Modèle du moteur:
Depuis la généralisation de la commande numérique des systèmes, et lorsqu'on s'intéresse à la

réalité physique du système, comme dans le cas de la surveillance de processus par estimation
paramétrique, la représentation discrète ne peut donner entière satisfaction. En électrotechnique,
même pour une application en commande, l'utilisateur préfère utiliser un modèle proche de la
réalité, dont les paramètres (résistances, inductances, ...) ont une signification réelle. On retrouve
la même attitude en génie des procédés ou en génie chimique (pour les constantes cinétiques de
réaction chimique par exemple) ainsi qu'en robotique (pour des paramètres tels que masses et
raideurs).
Aussi, ce chapitre est dédié en partie à l'estimation paramétrique à partir de modèle à
représentation continue, proches de la réalité physique. Les applications envisagées concernent la
connaissance, c'est-à-dire l'estimation des paramètres électriques, et plus particulièrement la
surveillance des machines électriques, par suivi de l'estimation paramétrique. Cependant, les
mêmes algorithmes d'identification pourront être utilisés pour l'observation d'état ou la synthèse
de lois de commande adaptative.
Dans ce contexte, on va essentiellement s'intéresser à l'identification des systèmes à l'aide des
modèles à représentation continue. Deux catégories d'algorithmes sont utilisables, que l'on classe
suivant la nature des résidus en erreur d'équation ou en erreur de sortie.
Les algorithmes à erreur d'équation ne sont utilisables en pratique qu'avec des modèles du type
équation différentielle à coefficients constants. Pour de tels modèles, des nombreuses techniques
52
[MEN 99] ont été imaginées afin d'exprimer la sortie du système linéairement par rapport à ses
paramètres (programmation linéaire L.P). Cette propriété de linéarité permet alors d'utiliser la
méthode des moindres carrés dont l'intérêt essentiel est de fournir une expression analytique de
l'estimée des paramètres [LJU 87]. Malheureusement, on démontre que pour tout modèle de L.P
dont le régresseur dépend directement (ou indirectement par filtrage) des valeurs de la sortie, les
résidus sont du type erreur d'équation et en conséquence l'estimateur est biaisé. Une solution à
l'élimination de ce biais est d'utiliser une technique de variable instrumentale à modèle parallèle
simulé [YOU 70, SOD 83], mais cela complique bien sur l'algorithme, et la convergence peut
dans certains cas poser problème. Enfin, comme en général les machines électriques ne se
ramènent pas à des équations différentielles à coefficients constants mais plutôt à des systèmes
différentiels non linéaires, on comprendra que cette méthodologie d'identification ne soit pas
vraiment adaptée au problème envisagé.
Toutefois, ces méthodes ne doivent pas être rejetées. En effet, bien que leurs estimations soient
critiquables, elles sont néanmoins précieuses car elles peuvent servir à initialiser les méthodes à
erreur de sortie. Ce chapitre va donc être dédié à la présentation de la deuxième catégorie
d'algorithmes, du type erreur de sortie.
Dans le cadre du diagnostic, l'application de l'estimation paramétrique a connu un essort certain
ces dernières années [BAC02]. Ainsi, la mise au point d'algorithmes dédiés à l'estimation réaliste
des paramètres physiques, en tenant compte de la connaissance a priori, a permis une avancée
prometteuse du diagnostic par identification paramétrique. Cette méthodologie est
essentiellement basée sur l'hypothèse qu'un défaut se traduit par la variation de l'état paramétrique
du processus.
Le suivi de l'évolution de ses paramètres caractéristiques est donc un excellent moyen pour
réaliser sa surveillance. Cependant, ce postulat peut facilement être mis en défaut par le fait que
cette méthodologie de base n'est pas capable de distinguer une variation paramétrique normale
(éventuellement prévisible) de celle correspondant à un défaut d'apparition aléatoire. En effet, on
s'est rendu compte ces dernières années que les méthodes de surveillance qui reposent sur des
modèles de fonctionnement nominal ne sont pas satisfaisantes, car ces modèles ne prennent pas
en compte la situation de défaut [MOR 99, SCH 99]. D'où l'intérêt de s'orienter vers une
modélisation associant un mode "différentiel" sensible uniquement aux défauts d'apparition
53
accidentelle, et un modèle commun (sain) sensible aux variations paramétriques prévisibles et

donc normales.
C'est dans ce contexte qu'il est possible d'apprécier l'apport de l'information a priori des
paramètres physiques sur la qualité de la surveillance. Une méthodologie de surveillance de
processus industriel avec modèle de défaut et connaissance a priori du fonctionnement sain est
donc proposée.
III.3 Classe d’algorithmes d'identification :
Deux classes des algorithmes peut utilisée dépend de la nature du résidu  t   y* t   ŷ t 
III.3.1 Méthode à erreur d’équation:
Plusieurs techniques sont utilisées pour obtenir un modèle de sortie linéaire en fonction des
paramètres (P.L), pour que nous puissions utiliser des algorithmes basés sur la méthode Moindre
Carrés (L.S). Le résidu est alors une équation d'erreur, parce que le vecteur
regresseur  dépend des valeurs de sortie perturbé y* t  .

T
 Avantages :
 La minimisation de la résidu mène à une expression analytique

1
 
ˆ   Tk  k   k y*k
k  k
 Inconvénients :
 L’estimateur de moindre carré est biaisé
 Il est nécessaire d'évaluer d'abord le paramètre structurel et calculer ensuite les
paramètres physiques en utilisant ˆ P  f 

1 ˆ
 .
54
III.3.2 Méthode à erreur de sortie:
Le résidu est une erreur de sortie. L'identification est exécutée en réduisant au minimum le résidu
on utilisant des techniques d'optimisation non linéaires (méthode du Gradient, Newton,
Marquardt …).
 Avantages :
 Identification non biaisée
 Il est possible d'évaluer directement le paramètre physique, qui est possible même si le
modèle n'est pas linéaire dans le paramètre physique (estimé d'abord ̂ et calculer ensuite

ˆ P  f 1 ˆ ).
 Système non linéaire décrit par équation différentielles non linéaire peut aussi estimé.
 Inconvénients :
 Algorithme plus complexe que la moindre carré à cause de son non-linéairitée.
 Il est nécessaire d'initialiser l'algorithme avec une valeur ̂ Pinit près de la
valeur (inconnue) exacte  P (en utilisant la Moindre Carrés) biaisée ou

présentant la connaissance a priori).
III.4.Algorithme d'identification du type erreur de sortie :
III.4.1 Principe de la méthode à erreur de sortie :
La méthodologie générale mise en œuvre, communément appelée méthode du modèle, peut être
symbolisée par la figure (III.1).
55
bruit
bk
+ y*
Système es k
 d esd
+
excitation + εk J
es Critère
uk _ d
es
d Modèle
 
yk
esd
Algorithme
de P.N.L
Figure III.1 Principe des méthodes à erreur de sortie
Considérons un système décrit par le modèle d'état général d'ordre n décrivant la réponse
y  t  à l’excitation u  t  , dépendant du vecteur paramètres  .

 x  g  x,  , u  dim  x   n

 avec  (III.1)
 y  f  x,  , u 
 dim    N

Où y  t  et u  t  sont considérés monodimensionnels uniquement pour simplifier la
présentation. On remarquera qu'aucune hypothèse de linéarité n’est nécessaire: g et f sont des

lois issues d'un raisonnement physique, qui en général ne sont pas linéaires. On fera cependant
l'hypothèse que le système est identifiable [WAL 97].
*

Considérons par ailleurs un ensemble de K données expérimentales uk , yk , acquises avec
la période d'échantillonnage Te telle que t  KTe ; le problème de l'identification est alors
d'estimer le modèle qui explique au mieux ces données, donc de déterminer la valeur des
paramètres du vecteur 
 une estimation de  . Alors grâce à u  t  , connue aux instants d’échantillonnage u ,
Soit  k
*
on obtient une simulation yk de la sortie, soit
56
   

 x  g x,  , u

 (III.2)


y f x ,

,u

On définit l'erreur de prédiction (résidu) notée  k entre la sortie réelle yk* et la sortie
simulée 
yk .
 k  yk*   
y uk ,    (III.3)
Avec :
- yk*  yk  bk mesure de la sortie yk perturbée par un bruit,
- yk valeur exacte de la sortie,
- bk perturbation aléatoire,
-  k résidu.
La valeur optimale de  est obtenue par minimisation du critère quadratique suivant
  
K K 2
J  
k 1
2
k 
k 1
y *
k

f k u, (III.4)
y  t  n'est pas linéaire en  la minimisation de ce critère s'effectue par une méthode

Comme 
de Programmation Non Linéaire (P.N.L.) [RIC 71]. La valeur optimale du vecteur paramètre
notée  opt est obtenue par un algorithme d'optimisation itératif [HIM 72].
L'algorithme de Marquardt [MAR 63] offre un bon compromis entre robustesse et rapidité de
convergence. Les paramètres à estimer sont réactualisés de la manière suivante :
 i 1   i   ''

 J   I 
'
 . J
1

  i
(III.5)
Les algorithmes d'erreur de sortie différent surtout par la façon de gérer l'optimisation.
Pour notre part, nous avons opté pour le calcul du gradient par les fonctions de sensibilité
paramétrique. On utilise :
K
J'  2  k  k , i : Gradient.
k 1
57
K
 2  k ,  i . k ,  i : Hessien dans l'approximation de Gauss Newton
'' T
J
k 1
  0 : Paramètre de réglage.

yk
 k ,  : Fonctions de sensibilité paramétrique.
i
 i
Cet algorithme, grâce au réglage du paramètre  en cours de recherche, permet d'évoluer entre
une technique de gradient loin de l'optimum (alors   1 ) et une technique de Newton
(lorsque   0 ) qui permet d'accélérer la convergence au voisinage de l'optimum.
Cette procédure garantit une convergence robuste, même en présence d'une mauvaise
initialisation de la recherche.
III.4.2. Calcul des fonctions de sensibilité :
Les fonctions de sensibilité  k ,  i constituent le point névralgique de toute la procédure
d'identification [RIC 71, TRI 88]. Ce sont les indicateurs essentiels du conditionnement de
l'identification car elles traduisent l'effet d'une variation d'un paramètre sur la sortie du système.
En effet, le développement en série de Taylor du 1 er ordre de la sortie y  t  autour de l'espace
paramétrique  donne :
y  t ,     y  t ,    . k ,  . (III.6)
Cette expression indique clairement que la variation de la sortie du modèle peut être projetée sur
la base des fonctions de sensibilité, dont les pondérations ne sont autres que la variation de
l'espace paramétrique (   ) [RIC 91]. En fait, au-delà de leur rôle essentiel dans le calcul, ces
fonctions  sont l'équivalent des composantes  du régresseur dans le cas linéaire par rapport
aux paramètres [MOR 99]. Par conséquent, l'identification devient très sensible au calcul de ces
coefficients.
Il est possible de procéder directement au calcul des fonctions de sensibilité par des méthodes de
dérivation numérique. Néanmoins, ces méthodes présentes l'inconvénient d'être consommatrices
de temps de calcul et surtout génératrices d'erreur systématique due aux approximations [TRI
99]. Il est donc judicieux de résoudre directement le système différentiel qui régit la dynamique
58
de ces variables déduit de la représentation d'état du modèle. En pratique, il convient de définir

deux sortes des fonctions de sensibilité :
y
 y,   : vecteur des fonctions de sensibilité de dimension ( N 1 ) calculées par

rapport à la sortie et utilisé dans les algorithmes de Programmation Non Linéaire.
x
 x,   : matrice des fonctions de sensibilité de dimension ( n  N )calculées par

rapport à l'état, telle que :
 x,   
 x ,   x ,   x ,  
1 i N
(III.7)

 ,
Pour chaque paramètre  i on détermine  xn ,  i à partir de l'équation x  g x ,u
 
par intégration du système différentiel suivant :

x  g  x,  , u   x g  x,  , u 
  x , i   (III.8)
i x i i
Alors,  xn ,  i est solution du système différentiel non linéaire :
 g  x,  , u  g  x,  , u 
 x,    x , i  (III.9)
i
x i
Finalement, on obtient y i par dérivation partielle de l'équation (III.1), soit
y  f  x, , u   f  x,  , u 
T
   x , i  (III.10)
i  x  i
Le raisonnement précèdent se particularise à une sous classe importante de systèmes constituée

par les systèmes linéaires dans l'état.

 x  A   x  B   u
 (III.11)
 y  C   x  D   u
 T
On obtient alors
59
  A     B   
 x , i  A    x , i   x u
   i     i 
 (III.12)
 C     D   
T

 y , i  C    x , i     x
T
u
  i    i 
III.5 Inférence Bayésienne :

Il est recommandé d'initialiser l'algorithme de P.N.L. par une valeur proche de l'optimum, afin
d'accélérer la convergence et de réduire le temps de calcul.On utilise ainsi une connaissance
initiale pour chercher l'optimum, mais celui-ci ne conserve aucune trace de cette initialisation.
Au mieux, on évite de converger vers des optimums secondaires. Il est donc nécessaire
d'introduire explicitement cette connaissance initiale: cela est réalisé grâce a un critère
quadratique modifié ou composite. La meilleure justification de ce critère réside dans l'approche
Bayésienne Celle-ci revient a considérer le problème de l'estimation paramétrique dans un
contexte probabiliste.
*
Soit un ensemble de données expérimentales uk , yk* (ou U , Y ) ; on se propose d'estimer
 en maximisant la densité de probabilité de  conditionnellement aux données Y * , soit

 Y (ou densité a posteriori).On dispose par ailleurs d'une information a priori
P
*
 Alors, on peut écrire d'après la relation de Bayes :

 caractériser par P
sur 
 (P Y * 
P )
 Y 
P
*
(III.13)
PY *
 
Comme PY ne dépend pas explicitement de  , La maximisation de P  Y
* *
est
P Y
équivalente à la maximisation de P
*
 il s'agit là de la technique dite du maximum à
posteriori.
Des hypothèses sont nécessaires pour pouvoir traiter ce problème : habituellement on considère
 et P Y * 
que P  sont des densités gaussiennes. Alors, on peut écrire :
60
 Y *  A exp   1
     
T
P  
M 01 

 2
0 0
(III.14)
      
T
1 
 Y Y
*
 ,U R1
b
 
Y Y  ,U
*

2 
Où :
-A : une constante
-  0 : connaissance initiale de 
- M 0 : covariance de  0
- Rb : matrice de covariance de la perturbation stochastique.
Finalement, en considérant le logarithme népérien de cette expression, on montre facilement que

 Y * est équivalente à la minimisation du critère composite :
la maximisation de P 
   
T
 
JC    
M 01 
0 0
  
J0
     
T
 
+ Y Y  ,U
*  
Rb1 Y  Y  ,U *
(III.15)
 
J*
JC  J0  J *
En pratique, on ne dispose pas de la matrice de covariance du bruit et on remplace Rb par
 b2 I (ou  b2 est la variance du bruit). Alors, à  b2 prés, J * représente le critère quadratique

conventionnel, porteur de l'information expérimentale. Par contre, J 0 est un deuxième critère
quadratique qui introduit une contrainte " élastique " dans la minimisation du critère global J C :
 de trop s’éloigner de  , avec une " force de rappel " dépendant

en effet, il interdit à  0
  .
de  0
III.5.1 1ntroduction de l'information a priori :
On définit le critère composite suivant :
61
      
K 2
 
T
  1
JC   M 01   2 y 
* ,u
yk  (III.16)
 b
0 0 k
  k 1
J0
Ce nouveau critère est minimisé grâce à l'algorithme de Marquardt avec :

 '  
 C

J  2  0

M 1  
 0  
1 K
2  k
 b k 1
 k


 (III.17)
 J ''  2  M 1  1 T 
K
 C  0 
 b k 1
2
 k  k 
  
 minimisant J , obtenue grâce à l'algorithme de P.N.L. Afin de
Soit  C la valeur de  C
démontrer l'intérêt de l'information a priori, on se propose de mettre en évidence les liens

 ,
entre   
c opt et  0 .

Pour cela, faisons l'hypothèse que  
opt et  0 sont voisins de  C , c'est-à-dire que les fonctions
 sont approximativement égales.

de sensibilité calculées pour ces trois valeurs de 
Alors, on peut écrire :
     J     
1
T
 J
JC  
C min     C
''
 C (III.18)
  ST 
 

J  2 

M 1
0
 
 0  
 b2 

 (III.19)
 J ''  2  M 1  S S 
T
   
 
0
 b2 
Avec :
 1T 
 
S   
 T 
 K 
Lorsqu'on utilise l'algorithme de Newton pour déterminer le minimum de J C à partir de la valeur
initiale  0 , on obtient cet optimum  C en une seule itération J C car est une forme quadratique
de  Alors :
C 0  
 J 
''
 1
J'  0
(III.20)
62
Avec
 J 
'
0

2 S T
 2
b
Y *   
Y 0 
Ce qui permet d'écrire explicitement :
1
 ST S 
C   0   M 01 
  b2 
ST
 2
b
Y *   
Y 0  (III.21)
1 ST S
Soit Popt  où Popt représente la matrice de covariance relative au critère conventionnel
 b2
minimisé par  opt Alors, on peut définir :
P 1  M 01  Popt
1
(III.22)
C’est-à-dire :
C 0 
PS T
 2
b
Y *   
Y 0  (III.23)
Qui s’écrit aussi :

  
 C   0  K Y* Y 0   (III.24)
Où K est le gain d'un filtre de Kalman appliqué au système particulier

 i 1   i  

(III.25)
 *
Y i  Y i  , u   b i

Cette interprétation conforte l'approche probabiliste et stochastique précédente: à partir de  0 ,
on détermine la correction optimale pour passer à  C , compte tenu du gain K et de l'information
apportée par le jeu de données Y (correspondant à  opt ). De plus, compte tenu de (III.22),
*
l'estimée  C est nécessairement plus précise que  0 ou  opt .
III.5.2 Interprétation déterministe :
L'approche Bayésienne est confortée par l'interprétation du type Filtre de Kalman que l'on peut
aussi rapprocher d'une interprétation de type régularisation .Malheureusement, cette
interprétation est mise en défaut dans le cas de l'estimation des paramètres physiques à partir d'un
modèle de complexité réduite.
63
On constate en effet que la perturbation de sortie bk n'est pas véritablement aléatoire mais
déterministe : la partie essentielle de la perturbation de sortie est causée par l'erreur de

modélisation, elle est de plus déterministe car provoquée par l'excitation u .
Aussi, nous allons proposer une nouvelle interprétation, essentiellement basée sur la géométrie du
critère quadratique.
 b2  J
 b2 la pseudo variance de la perturbation de sortie, calculée grâce à 
Soit  opt / K Où
J est le critère conventionnel et K le nombre de données.

2
 y  f k  uk ,  opt  
K
On notera que J opt 
*
k tient compte à la fois du bruit bk et de
k 1
 b est bien une pseudo variance.

l'erreur de modélisation, c'est-à-dire que 
2
 b , on peut aussi définir une pseudo matrice de covariance :

Grâce à 
2
 b2  S T S 1 .
Popt  
Au voisinage de  opt , on peut alors écrire :
 

J 
  ST S 
 
T J
   opt    opt  opt
b

2
b
2
 b2
Soit finalement :
       
T T
 
JC    
M 01   
  1
Popt    opt  K
0 0 opt
Cette expression montre que J C résulte de la composition de deux paraboloïdes, centrés en
 0 et  opt , dont l'ouverture respective est caractérisée par M 0 et Popt . J C est donc un
unique paraboloïde, centré en  C , tel que [MOR 99] :
M  opt 
1
C 0  
 M 0  Popt 
1 1
  0  Popt
1
0
1
(  C est le barycentre de  0 et  opt ) et dont l'ouverture est conditionnée par M C , telle que :
M C1  M 01  Popt

1
   
T
 
Soit J C   C
 
M C1  C  J C  C 
Interprétons ce résultat sur un exemple monovariable figure (III.1)
64
Figure III.2.Interprétation déterministe du critère

composite dans le cas monovariable [BAC02].
Lorsque  0 et  opt sont voisins, le critère J C est plus convexe que le critère conventionnel et
les optimums secondaires ont tendance à disparaître. En conséquence, l'introduction de
 0 , M 0  Permet d'accélérer la convergence de l'algorithme de P.N.L. et l'estimation  C est

en général plus précise que  0 ou  opt car le paraboloïde J C est moins " ouvert " que les
précédents.
Par ailleurs, si l'estimation  opt est mal sensibilisée, c'est-à-dire si l'optimum est très plat, alors
l'optimum global  C sera attiré par  0 qui joue dans ce cas le rôle d'une force de rappel
"élastique " (et d'autant plus que le paraboloïde J 0 est " refermé").
Remarque : L'interprétation probabiliste conventionnelle va certainement constitué un frein à

l'utilisation de l'approche Bayésienne qui n'a donné lieu qu'à très peu d'applications concrètes. Au
contraire, l'interprétation déterministe montre le bénéfice apporté par cette technique en termes de
convergence de l'algorithme d'optimisation non linéaire et d'unicité de l'optimum.
65
Par ailleurs, il est important de signaler que les matrices de covariance de  0 et du bruit peuvent
être considérablement simplifiées, sans nuire notablement aux propriétés de cette technique.
Ainsi, la matrice M 0 peut avantageusement se réduire à une forme diagonale, au besoin en
surestimant la valeur de chaque variance, comme on le verra dans les paragraphes consacrés aux
applications. D'autre part, la matrice de covariance du bruit peut se réduire à un seul coefficient
constitué par la variance de la perturbation, ce qui est plus particulièrement justifié lorsqu'on est
en présence d'erreur de modélisation.
III.5.3. Choix de l’information a priori :
Un choix judicieux de la matrice M 0 permet de régulariser le problème du manque d'excitation
lorsque la matrice d'information est proche de la singularité, synonyme d'une excitation pauvre.
Deux situations différentes peuvent être envisagées pour le choix de  0 et M 0 [TRI 99,
MOR99].
Si on dispose d'une connaissance au préalable, disponible soit par une expérimentation
élémentaire (essais électrotechniques conventionnels dans le cas des machines électriques) ou par
des données constructeur (paramètres électriques, incertitude, etc.), il serait judicieux de
construire notre information a priori à partir de cette base.
Cependant, il est indispensable de prendre quelques précautions quant à l'utilisation de ces
données issues généralement d'une expérimentation en régime stationnaire, éventuellement non
compatible avec le domaine de validité du modèle choisi. Il est donc préférable d'ajuster cette
connaissance par des estimations spécifiques selon le mode de fonctionnement.
En pratique, il est préférable de construire l'information a priori en partie par la connaissance
physique et par des estimations préalables. Plusieurs acquisitions de données correspondant à
différents modes de fonctionnement sont donc nécessaires.
En effet, afin de construire les intervalles d'incertitude, il faut envisager l'ensemble des situations
susceptibles de faire varier les paramètres (changement normal dans l'état du procédé).
III.6.Application au diagnostic de la machine asynchrone :
Au chapitre précèdent, nous avons proposé une méthodologie de diagnostic générale ainsi que
des modèles de défaut de la machine asynchrone à cage d'écureuil. Dans ce chapitre, nous
66
utilisons ces résultats pour la détection et la localisation des courts-circuits au stator et de la

rupture de barres au rotor. Nous nous intéressons donc uniquement à la partie expérimentale, en
définissant une méthodologie globale de diagnostic de la machine asynchrone par identification
paramétrique et en regroupant l'ensemble des résultats obtenus.
III.6.1. Choix des modèles pertinents : procédure de diagnostic :
La procédure de diagnostic peut être présentée par l’organigramme suivant. Cette procédure
sera appliquée par la suite pour l’étude de l’état de notre moteur.
b(t)
y(t)
Processus y* (t)
u(t)
y* (t)
Modèle
M
Estimation
paramétrique
Estimation directe des Calcul des paramètres Modèle de

paramètres physiques physiques connaissance
Génération de signaux
potentiellement Détermination des

variations de 
indicateurs de défaut
Tests statistiques
Diagnostic
Localisation
Figure III.3.Procédure de diagnostic
67
Pour expliquer cette procédure du diagnostic en va appliquer le à notre modèle d’état du moteur
asynchrone.
III.6.2. Estimation de la machine saine :
Dans ce paragraphe, on se propose d'illustrer l'application des techniques du type erreur de sortie
avec information a priori au cas de la machine asynchrone "saine" en régime dynamique.Dans un
premier temps, il est nécessaire de préciser le modèle de la machine utilisée pour l'estimation
paramétrique. On présente ensuite l'identification de ce modèle à partir des données
expérimentales [BAC02] avec le type d'algorithme présentée au paragraphe précédent.
III.6.3. Modèle dynamique de la machine asynchrone
III.6.3.1 Modèle d'état continue d’ordre 4 :
Le principe de l'identification paramétrique exposé précédemment fait référence à un modèle

continu du processus sous représentation d'état. Il est donc nécessaire de mettre le modèle de la
machine asynchrone sous forme d'état. Pour rappel, notre choix de repère est celui lié aux axes
rotoriques, où les grandeurs sont les plus proches du continue.
La rigueur voudrait que le modèle continu de la machine asynchrone considéré la vitesse
mécanique comme une variable d'état, ce qui aurait pour conséquence d'augmenter l'ordre de la
représentation d'état. On obtiendrait donc un modèle non linéaire dans lequel apparaîtraient des
produits entre variables d'état pour la plupart des applications industrielles de la machine
asynchrone, l'inertie des parties tournantes est grande. Par conséquent, les variables mécaniques
sont généralement des grandeurs lentement variables devant les autres grandeurs électriques de la
machine [MOR 99a, DUR 99, TRI 99a]. La vitesse de rotation peut donc être considérée comme
constante entre deux instants d'échantillonnage. Ainsi, au lieu d'avoir un modèle d'ordre 5 non
linéaire, celui-ci est d'ordre 4 et non stationnaire car la vitesse est prise en compte en tant que
mesure.En associant le vecteur d'état qui contient les courants statoriques et les flux rotoriques
ainsi que l'entrée et la sortie du système correspondant respectivement aux tensions et courants
statoriques, on écrit le modèle d'état de la machine asynchrone [CAR 95, TRI 99a] :

 x  t   A( ) x  t   Bu  t 
 (III.26)
 y t   C x t 

68
Avec
T
x  ids iqs dr qr  : Vecteur d’état.
U ds  ids 
u    , y    : entrée et sortie de la machine.
U qs  iqs 
 Rs  Rr R  
 L 0  r
Lm L f

Lf  1 
 f
  0 
  
T
R  Rr R L
 f  1 0
 0  s   r  0
Lf Lf Lm L f  , B  0 1  1 
A      ,C  
 R   L f  0 0
 Rr 0  r   0 0   
 Lm    0 0
 
 0 Rr  
Rr
 0 0 
 Lm 
En résumé ce modèle est linéaire d’ordre 4 utilisé pour notre diagnostic pour l’estimation des
paramètres  Rs , Rr , Lm , L f  .
Notons en plus que le modèle est celui d’une machine asynchrone à cage.
III.6.3.2 Identification par erreur de sortie :
III.6.3.2.1 Mise en œuvre :
Le système est multivariable, à deux entrées U ds etU qs  et à deux sorties  ids et iqs  On définit
l'erreur d'estimation (résidu d'identification noté  ds sur l'axe d et  qs sur l'axe q) entre la sortie

*
réelle (courants mesurés i dqs ) et la sortie simulée (estimée) i dqs par :
 * 

 dsk  i d sk  i d sk
 * 
(III.27)
 q  i d  i d
 sk sk sk
* *
Où i d sk et i qsk sont des mesures échantillonnées à la période Te = 0.7ms ( t  kTe , k variant de 1 à
 
K =6429 points). Les courants estimées i d sk et i qsk représentent la simulation du modèle sur la base
d'une estimation du vecteur paramètre  ou :
69
   Rs Rr Lm L f 
Le calcul des fonctions de sensibilité se déduit directement de la représentation d'état de la

machine asynchrone et la résolution du système différentiel ainsi obtenu s'effectue par la méthode
de l'exponentielle de matrice, comme pour le modèle de la machine asynchrone.
III.6.3.3 Introduction de l'information a priori :
On se propose d'estimer ces paramètres avec information a priori, constituée sur une moyenne de
dix enregistrements préalables pour différentes températures (correspondant à la connaissance du
fonctionnement «sain» de la machine Pour cela, on va minimiser le critère composite suivant :
      
K 2
 
T
  1
JC   M 01   2 y 
* ,u
yk  (III.28)
 b
0 0 k
  k 1
J0
Avec
 Rs 0  9.81 
R   
3.83

r0 
0  
 Lm 0   0.436 
   

 L f 0   0.0762 

 R2s 0 0 0   2.10-3 0 0 0 
   
0  R2s 0 0  0 2.10-4 0 0 
M0  
0 0  L2 0  0 0 6.10-7 0 
m  
 
 L2m   0 10 
-7

0 0 0 0 0 
 b2  0.0639
On minimise J C par l'algorithme de Marquardt.
On peut constater sur le tableau (Tab.III.1) que les estimations sont beaucoup plus proches aux
estimations du vecteur  0 .On note aussi que les estimations des résistances sont légèrement
différentes de celles correspondant à  0 . Ceci est sans doute dû à la variance de l'information a

priori sur les inductances qui est plus faible que celle des résistances (précision meilleure).
70
Tab.III.1. Résultats d'estimation paramétrique obtenus en minimisant J C

Paramètres  0 à Vide M .charge P.charge
Rs     9.81 9.9165 9.8523 9.8770
Rr     3.83 3.8355 3.8020 3.8293
Lm     0.436 0.4337 0.4341 0.4339
L f     0.0762 0.0761 0.0757 0.0753
La figure (III.4) représente, l'évolution des paramètres en fonction des itérations : il est évident
que l'adjonction de l'information a priori a nettement accéléré la convergence de l'algorithme
(deux fois plus rapide que le critère simple) [BAC02].
Rs Rr
9.855 3.83
9.85
3.825
9.845
9.84 3.82
9.835
Rs
Rr
3.815
9.83
9.825 3.81
9.82
3.805
9.815
9.81 3.8
0 5 10 15 20 25 0 5 10 15 20 25
iterations iterations
Lm Lf
0.4365 0.0763
0.0762
0.436
0.0761
0.4355
0.076
Lm
Lf
0.0759
0.435
0.0758
0.4345
0.0757
0.434 0.0756
0 5 10 15 20 25 0 5 10 15 20 25
71
Figure III.4 Evolution des paramètres en fonction des itérations

On note également que les paramètres statoriques Rs et L f sont moins sensibilisés par les
différents essais. En effet, on constate des disparités entre leur estimation, au contraire des
paramètres rotorique Rr et Lm qui sont quasiment voisins. Ce même constat a été établi dans
[MOR 99]. En fait, ce sont vraisemblablement les paramètres rotoriques qui sont les mieux
sensibilisés par le protocole d'excitation.

On représente à la figure (III.4) l'évolution de  en fonction des itérations pour un essai à
moyenne charge en 20 itérations.
L’algorithme converge vers l'optimum. La figure (III.5) représente la comparaison entre le

courant mesurée ids* et son estimée i ds , on constate la bonne concordance de l'estimation du
courant avec le courant réel. Après un transitoire de simulation (environ 50 ms), le résidu
d'identification devient négligeable et ne dépasse pas 0.8 A.
Courants statoriques ids réel et ids estimé
réel
estmé
10
5
Courant [A]
-5
-10
0 1000 2000 3000 4000 5000 6000

échantillons
72
erreur entre ids réel et ids estimé

0.08
0.06
0.04
0.02
erreur du Courant [A]
-0.02
-0.04
-0.06
-0.08
0 1000 2000 3000 4000 5000 6000 7000
échantillons [s]
Figure III.5.Comparaison du courant réel et estimé d'axe d de Park
Dans la section suivante on va élargir notre étude, avec cette même philosophie, mais pour les cas
défaillant.
III.6.4 Diagnostic d'un défaut rotorique :
III.6.4.1. Modèle et stratégie de détection :
Un modèle de défaut rotorique paramétrée par les 6 coefficients Rs Rr Lm L f 0 0  est exposé
en annexe B. En prenant les mêmes variables d'état que précédemment, la représentation d'état de
ce modèle est proche du modèle classique de Park, seule l'expression de la résistance rotorique
dans la matrice de transition est modifiée :

 x  t   A( ) x  t   Bu  t 
 (III.29)
 y t   C x t 

Avec
T
T T
u  U ds U qs  , y  ids iqs  : entrée et sortie de la machine.
73
   Rs  Req  Lf1   Req Lm1   P  2   Lf1 

A     
 Req  Req Lm1   P  2 
T
1 
 L 0 0 0
B
f
 , C  1 0 0 0  ,  R    R .  I   Q   
0 1 0 0   eq  r  0 
 1     1 
 0 0 0 
 Lf 
L'angle de défaut  0 permet la localisation de la barre cassée au rotor à l'aide d'un capteur absolu.
Afin d'obtenir sa valeur pour chaque essai, il est nécessaire d'introduire ce paramètre dans le

vecteur  et pouvoir ainsi l'identifier.
Figure III.6. Axes de recherche du défaut au rotor [BAC02a]
Le choix de cet angle de défaut est primordial lors de la procédure de diagnostic. En effet, ce
paramètre conditionne la direction de l'anomalie au rotor. En cherchant le taux de défaut  0 sur
une barre donnée, il est important d'indiquer la bonne direction de recherche. En plus, lorsqu'un
défaut sur plusieurs barres apparaît, il est évident que la recherche sur un seul axe ne peut plus
expliquer un tel déséquilibre. Il faut donc introduire autant de directions de recherche que de
nombre de barres en défaut (Figure. III.6).
En pratique, il est impossible de connaître au préalable le nombre de barres en défaut. Une
solution naturelle consisterait à identifier un modèle avec nb directions de recherche (où nb est le
74
nombre de barres).Il faudrait dédier à chaque encoche rotorique un paramètre 0k afin de
quantifier le taux de défaut dans chacune d'elles, ce qui aurait pour effet d'augmenter
considérablement le nombre de paramètres à estimer, et donc de fausser l’estimation
paramétrique. Cette solution est donc irréaliste en pratique. Une solution moins contraignante
consiste à procéder par étapes élémentaires :
1. On identifie la machine avec un modèle comportant un seul quadripôle de défaut, la
recherche du taux de défaut se fera donc sur une seule barre (un seul axe de recherche).
T
On définit le vecteur des paramètres à estimer :    Rs Rr Lm L f 0 0 

On calcule le nombre de barres cassées nbc correspondant au taux de défaut sur l'axe de recherche
repéré par l'angle  0 :

Si le nombre de barres cassées nbc est négligeable, alors le rotor est sain. Si le nombre de barres

cassées nbc est proche de l'unité, alors le rotor comporte au moins un défaut dans une barre.

2. Si nbc  1 , alors le rotor comporte plus d'une barre cassée.
 
On introduit dans modèle deux paramètres  01 et 02 correspondant respectivement au taux de
défaut sur deux axes de recherche repérés par les angles  01 et  02 On définit alors nouveau
T
vecteur des paramètres à estimer :    Rs Rr Lm L f 01 02 01 02 

On calcule les paramètres nbck correspondant aux taux de défaut sur les deux barres

3. Ce processus est réitéré si nbck > 1.
Même si les angles de défaut ne permettent pas la localisation des barres cassées en absence d'un
capteur absolu, ils permettent néanmoins de connaitre leur répartition au rotor. En effet, en
situation de défaut sur deux barres, l'estimation de deux angles de défaut  01 et  02 permet d'avoir
le décalage angulaire  entre les barres cassées:

  02  01

En plus du suivi du paramètre nbck afin de discriminer une rupture de barre de celle de plusieurs
b
barres, il est aussi judicieux d'effectuer un suivi de l'estimation de la variance du bruit 
2
75
obtenue avec l'adjonction de l'information a priori. On a vu au chapitre 2 que ce paramètre reflète

l'importance de l'erreur de modélisation, une estimation avec un modèle inadapté donnera donc
une valeur erronée de cette variance. Ainsi, pour chaque essai, on compare la variance obtenue
avec la variance réelle  b2 :
 b   2 , alors le nombre des axes choisis est égal au nombre réel de barres en défaut
Si 
2
b
 b   2 , on doit augmenter le nombre d'axes de recherche afin de réduire l'erreur de

Si 
2
b
modélisation.
Remarque : En application industrielle, il est évident que la simple détection d'une barre cassée
est suffisante pour envisager soit le changement du rotor dans le cas des petites et moyennes
puissances, soit sa réparation pour les grandes puissances. Dans ce cas, le diagnostic sur un seul
axe est suffisant pour une maintenance prédictive de la machine. En plus, les fabricants de
moteurs électriques (Moteurs Leroy Somer) sont plus intéressés par un diagnostic en sortie de
chaîne de fabrication afin de détecter la présence d'anomalies dans les barres (bulles d'air),
synonyme d'une mauvaise phase de coulage de l'aluminium. Il est donc inutile, en pratique, de
réitérer le processus de recherche du nombre de barres cassées. C'est donc uniquement dans un
souci académique et de vérification de notre méthode que ce processus itératif est envisagé.
III.6.4.2. Détection d'une rupture de barre :
Avec un rotor possédant une barre cassée, trois essais ont été réalisés avec des conditions
expérimentales différentes pour montrer l'influence du mode de fonctionnement de la machine. Il
est évident que plus on charge la machine sollicitant ainsi le rotor, plus l'information "rupture de
barres" se manifeste fortement. D'ailleurs il est impossible jusqu' à présent d'envisager la
détection de défaut rotorique par analyse spectrale sans charger la machine (à vide), car les
fréquences parasites sont proportionnelles au glissement de la machine [ABE 99, BAG 97]. Nous
avons testé la procédure de diagnostic en présence d'une barre cassée dans les trois situations
suivantes :
1.Essai à vide
2. Essai en moyenne charge (puissance absorbée 520 Watts)
3. Essai en pleine charge (puissance absorbée 900 Watts)
76
Les trois modes de fonctionnement ont été effectués à température normale (35°C). nous
remplacerons directement le paramètre  0 par le nombre de barres cassées correspondant nbc .
Le tableau (Tab.III.2) présente les résultats d'identification pour une moyenne de dix
enregistrements différents. En premier, on peut remarquer que les paramètres électriques du
mode commun sont peu affectés par le défaut. Leurs variations dans l'ensemble des situations
sont négligeables.
En revanche, l'estimation du paramètre nbc indique la présence d'un déséquilibre au rotor.
Malgré l'initialisation à zéro de ce paramètre, le nombre de barres cassées estimé est proche de
l'unité sur l'ensemble des essais. On peut constater que plus le rotor est sollicité, plus l'estimation
est proche de la réalité, mettant ainsi l'accent sur l'importance de la charge lors du diagnostic des
défauts rotorique. Par conséquent, il est nécessaire pour une meilleure estimation du nombre de
barres cassées de charger suffisamment la machine.
Paramètres  A vide M.charge P.charge
Rs     9.81 9.9879 9.7226 9.7319
Rr     3.83 3.8542 3.8466 3.8499
Lm     0.436 0.4374 0.4330 0.4345
L f     0.0762
0.0768 0.0770 0.0772
nbc  1 0.9787 0.9956 0.9933
 b  0.0663
2
0.0920 0.0789 0.0778
0  2* /15 0.4213 0.4188 0.4187
Cependant, si l'application ne le permet pas, les essais à vide peuvent malgré tout nous donner
une approximation suffisante et satisfaisante du taux de défaut.
On peut remarquer aussi, que le nombre de barres estimé n'excède pas l'unité. Il n'est donc pas
nécessaire de réitérer le processus sur deux axes de recherche. En plus, l'estimation de la variance
77
pour les deux types d'excitation est proche de sa valeur initiale ce qui permet de conclure quant
au bon choix du modèle, et par conséquent du nombre d'axes de défaut.
Rs Rr
9.81 3.848
9.8 3.846
9.79 3.844
9.78 3.842
9.77 3.84
Rr
Rs
9.76 3.838
9.75 3.836
9.74 3.834
9.73 3.832
3.83
9.72 0 5 10 15 20 25
0 5 10 15 20 25
Lm Lf
0.4365 0.077
0.436 0.0769
0.0768
0.4355
0.0767
0.435
Lm
Lf
0.0766
0.4345
0.0765
0.434
0.0764
0.4335 0.0763
0.433 0.0762
0 5 10 15 20 25 0 5 10 15 20 25
nbc th0
1.001 0.4189
1 0.4189
0.4189
0.999
0.4188
0.998
0.4188
th0
nbc
0.997
0.4188
0.996
0.4188
0.995 0.4188
0.994 0.4188
0.993 0.4188
0 5 10 15 20 25 0 5 10 15 20 25
Figure III.7. Résultats d'estimation paramétrique en présence d'une rupture d’une

seule barre
La figure (III.7) représente l'évolution des paramètres lors de la procédure d'identification avec
information a priori relative à l'essai en moyenne charge. Pour le même essai, on représente à la
figure (III.8) la comparaison entre le courant réel et le courant estimée sur l'axe d de Park pour les
deux types d’excitations.
78
réel
estmé
2.5
1.5
10 1
0.5
Courant [A]
0
-0.5
-1
-1.5
-2
-2.5
1000 1005 1010 1015 1020 1025 1030 1035 1040 1045
Temps [s]
5
Courant [A]
-5
-10
0 1000 2000 3000 4000 5000 6000

échantillons
erreur entre ids réel et ids estimé

0.08
0.06
0.04
0.02
erreur du Courant [A]
-0.02
-0.04
-0.06
-0.08
0 1000 2000 3000 4000 5000 6000 7000
échantillons [s]
Figure III.8.Comparaison du courant réel et estimé d'axe d de Park
III.6.4.3 Détection d'une rupture de deux barres
Pour la rupture de plusieurs barres au rotor, on peut envisager les situations suivantes :
2
1. Rotor avec deux barres cassées successives  
28
79

2. Rotor avec deux barres cassées décalées d'un angle  
2.8
Pour ces essais, on se propose d'appliquer l'organigramme présenté précédemment pour obtenir le
nombre des barres cassées ainsi que l'angle qui les sépare.
a) Détection sur un seul axe :
Il s'agit dans un premier lieu d'estimer comme précédemment le vecteur des paramètres suivants :
T
   Rs Rr Lm L f 0 0  .
Le tableau (III.3) récapitule la moyenne des estimations pour chaque essai :
Paramètres  essai 1 Essai 1 Paramètres  essai 2 Essai 2
Rs     9.81 10.0485 Rs     9.81 10.0629
Rr     3.83 3.8919 Rr     3.83 3.8981
Lm     0.436 0.4370 Lm     0.436 0.4370
L f     0.0762 0.0759
L f     0.0762 0.0758
nbc  2 1.9740 nbc  2 1.9529
 b  0.0639  b  0.0639
2 2
0.0319 0.1053
0  2* / 28 0.2277 0   / 2.8 1.1275
Les résultats de l'identification font apparaître sur l'ensemble des essais l'existence d'une
défaillance au rotor. Il parait clair que le taux de défaut sur un seul axe est supérieur à l'unité. Par
conséquent, le nombre de barres en défaut est supérieur à une barre. De plus, on remarque que le
nombre de barres cassées estimé lorsque les défauts sont successifs (essai 1) est plus important
que pour des défauts décalés (essais 2). En fait, l'estimation paramétrique explique le déséquilibre
présent dans la machine en projetant les défauts sur un seul axe. Ainsi, plus les barres en défaut
sont proches l'une de l'autre, plus le taux de défaut estimé est important. Dans le cas particulier où
80
les défauts sont successifs, le nombre de barres cassées estimé sur un seul axe est
approximativement proche de la réalité.
 b2 :
D'ailleurs ceci se manifeste clairement sur la valeur de l'estimation de la variance 
 b2 et sa
Lorsque les barres cassées sont successives (essai 1), l'écart entre la variance estimée 
valeur initiale  b2 est de l'ordre de 50 %.
En fait, pour un défaut de deux barres successives, la projection sur un seul axe est adaptée à
l'explication du défaut. Lorsque les barres sont non successives (essais 2), la variation maximale
de l'estimation de la variance est de l'ordre de 160 %., mettant ainsi en évidence une importante
erreur de modélisation. Pour ce genre de défaut, il faut donc réitérer le processus sur un nombre
d'axes plus élevés.
b) Détection sur deux axes :
Comme l'estimation paramétrique précédente a détecté plus d'une barre cassée, il est donc
nécessaire d'effectuer une nouvelle identification en augmentant le nombre de directions de
défaut. On écrit l'expression du nouveau vecteur des paramètres à estimer :
T
   Rs Rr Lm L f 01 02 01 02 
On rapporte sur le tableau (III.4) les estimations des paramètres électriques et le taux de défaut
sur chaque axe ainsi que le décalage angulaire.
Paramètres  essai 1 Essai 1 Paramètres  essai 2 Essai 2
Rs     9.81 9.8698 Rs     9.81 9.8698
Rr     3.83 3.8437 Rr     3.83 3.8437
Lm     0.436 0.4338 Lm     0.436 0.4338
L f     0.0762 0.0754 L f     0.0762 0.0754
nbc1,2  2 0.9952/ 0.9966 nbc1,2  2 0.9952/0.9970
81
 b  0.0639 0.0368
 b  0.0639 0.1171
2 2
  2*  0.2244    0.2842
28 2.8
La rupture de deux barres au rotor se manifeste sur les deux axes de défaut par un taux de défaut
 
proche de l'unité. En effet, pour l'ensemble des essais les taux de barres cassées nbc1 et nbc 2
indiquent l'existence d'un déséquilibre sur les deux directions de défaut. Dans les essais 1 et 2, les
paramètres électriques sont peu affectés par le défaut. On a vu que sur un seul axe de défaut, la
 b2 était importante. En revanche, comme le montre le
variation de l'estimation de la variance 
 b2 est proche de sa valeur initiale (0.0639). Ceci est une indication
tableau (III.4), l'estimation 
quant au bon choix du nombre de directions de recherche.
Du fait de l'absence d'un capteur absolu, les angles  01 et  02 sont différents d'un essai à l'autre. Ils
ne permettent donc pas une localisation des barres cassées. Par contre, l'angle  permet de
connaitre le décalage angulaire entre les deux barres en défaut. D'après l'estimation de cet écart,
on peut conclure que le rotor dans l'essai 1 possède deux barres successives, alors que les barres
cassées dans l’essai 2.
D’après les résultats de simulation trouvée au chapitre deux et dans ce chapitre on va faire une
comparaison entre les deux méthodes
III.7.Comparaison entre méthode ondelettes et Bayésienne :
Le tableau suivant présente une comparaison entre les deux méthodes :
Méthode ondelettes Méthode Bayésienne

Propose une analyse très fine des signaux et Propose une identification paramétrique mise
permet de détecter la non-stationnarité dans les au point d'algorithmes dédiés à l'estimation
signaux où cette particularité est non réaliste des paramètres physiques, en tenant
disponible dans les techniques classiques compte d'une connaissance a priori (loi de
(FFT, STFT). Bayes) de la machine,elle permis une avancée
prometteuse du diagnostic par estimation
82
paramétrique.
Diagnostic est basé sur l'analyse des signaux à Les algorithmes de type erreur d'équation ont
niveau élevé obtenus à partir de la été abandonnés car ils sont biaisés et beaucoup
décomposition en ondelettes (discrète) du trop sensibles aux perturbations stochastiques
signal du courant statorique a donné une image et aux erreurs de modélisation mais le LAII a
réelle sur les différents défauts rotoriques de montré que l'adjonction d'une information a
la machine asynchrone à cage. ainsi la priori en erreur de sortie, grâce à un critère
transformé d’ondelettes continue en trois composite, permet d'introduire une
dimension a menée à des résultats très connaissance initiale, relative à la machine
significatifs en terme de défauts saine par exemple, et ainsi d'accélérer et de
robustifier la convergence de l'algorithme de
Programmation Non Linéaire. (P.N.L)
Elles nous permettent d'effectuer une analyse l'un des objectifs les plus importants, dans le
robuste et mènent à une multitude cadre du diagnostic, concerne la mise au point
d'applications. Contrairement à la transformée de modèles mathématiques réellement
de Fourier à court terme, la transformée en représentatifs d'un fonctionnement en défaut.
ondelettes fait appel à la notion de temps-
échelle impliquant des fenêtres d'analyse de
longueurs dynamiques.
En modélisation orientée vers le diagnostic, il En modélisation orientée vers le diagnostic, il
est essentiel d'envisager deux modes ; un mode est essentiel d'envisager deux modes ; un mode
commun et un mode différentiel. commun et un mode différentiel.
 Le mode commun doit correspondre au  Le mode commun doit correspondre au
modèle dynamique de la machine modèle dynamique de la machine
asynchrone. Exprimé dans un repère asynchrone. Exprimé dans un repère
triphasé ou biphasé, il traduit le triphasé ou biphasé, il traduit le
fonctionnement sain de la machine. fonctionnement sain de la machine.
 Le mode différentiel a pour objectif de  Le mode différentiel a pour objectif de
traduire le dysfonctionnement traduire le dysfonctionnement
et ses paramètres doivent être essentiellement et ses paramètres doivent être
sensibles au défaut essentiellement sensibles au défaut
83
Les applications de la technique des ondelettes La méthode de diagnostic par identication

ont couvert presque chaque aspect du paramétrique conduit à procéder à l'estimation
diagnostic de défaut, trois aspects principaux des paramètres du modèle complet. Ainsi, les
dans ces applications : y compris l'analyse de paramètres électriques du mode commun (avec
temps-fréquence des signaux, l'extraction de connaissance a priori), indiqueront l'état
dispositif de défaut, la détection de singularité dynamique de la machine et les paramètres du
pour des signaux et l'extraction des signaux mode différentiel permettront d'accéder à
faibles ainsi que la décomposition des signaux l'information sur les défauts présents dans la
et l'identification du défaut. machine.
Le concept d’ondelette est émergé du concept La surveillance de ces paramètres va
de la FFT et STFT. permettre la détection et la localisation du des
équilibre.
l'application de la transformée en ondelettes Le test sur la variance de l'erreur de sortie, en
discrète est optimisée, concernant le choix de liaison avec une connaissance a priori des
certains paramètres tels que la fréquence paramètres a estimé constitue un excellent
d’échantillonnage, le type de l’ondelette, outil de diagnostic
l'ordre de l’ondelette ou le nombre de niveaux
de décomposition.
III.8 Conclusion :
Dans ce chapitre, nous avons proposé une procédure de détection et de localisation des défauts
sur la machine asynchrone basée sur l'estimation paramétrique et sur l'utilisation de modèles
dédiés aux défauts statoriques et rotoriques. Cette procédure de diagnostic a été validée à partir
de défauts expérimentaux réels, dans les deux principaux modes de fonctionnement envisagés
Elle a permis la localisation et la quantification le nombre de barres cassées au rotor, Ceci est dû
à la puissance de l'algorithme d'identification avec information a priori et au modèle global de
défauts permettant d'expliquer un déséquilibre au rotor de la machine.
84
CONCLUSIONS GENERALES &
PERSPECTIVES
Conclusions générales et perspectives

Le travail présenté dans ce mémoire expose l'apport des méthodes ondelettes et Bayésienne pour
le diagnostic des défauts des machines électriques et plus particulièrement celui de la machine
asynchrone à cage d'écureuil.
Pour aborder l'étude, nous avons établi un état de l'art des défauts pouvant intervenir dans la
machine asynchrone et des méthodes classiques permettant de les identifier. Ce travail
préliminaire a mis en évidence deux catégories d’approches en vue du diagnostic spécifique de la
machine asynchrone :
La première est basée sur la transformée en ondelettes et divisé en deux sections : transformé
d’ondelettes continue et transformée d’ondelettes discrète pour le diagnostic des défauts de
rupture des barres rotoriques et rupture des portions d’anneaux de court-circuit
 La transformée en ondelettes continue est faite en trois dimensions (Temps échelle
Amplitude).
 La transformée d’ondelettes discrète est basée sur l'analyse des signaux à niveau
élevé obtenus a partir de la décomposition en ondelettes du signal du courant
statorique. Elle est concentrée sur l'étude des signaux d'approximation et de détail
résultants de la décomposition en multi-niveau qui contiennent les informations des
défauts. Ces signaux permettent la détection de l'évolution des harmoniques
caractéristiques liées à la rupture pendant le fonctionnement en charge. Une
particularité de la technique des ondelettes, la détection de la non-stationnarité dans un
signal est exploitée à travers une décomposition du courant statorique lors de cassure
des barres et cassure d’un segment d’anneau.
La seconde traite la modélisation et l'identification paramétrique en vue de la surveillance de la

machine asynchrone à cage d'écureuil. Le point de départ dans cette partie a été le
perfectionnement de la méthodologie de surveillance par estimation paramétrique des procédés
industriels. Des investigations ont été menées en s'appuyant sur les algorithmes à erreur de sortie
afin d'établir une stratégie générale pour un diagnostic sûr des défauts. Cette nouvelle approche
nous a permis d'atteindre un second objectif, la surveillance généralisée de la machine
85
asynchrone à cage. A travers cet objectif, la modélisation des défauts statoriques et rotoriques de
la machine asynchrone ainsi que l'application des algorithmes récursifs dans le diagnostic des
défauts ont été considérés.
La méthode d'estimation paramétrique Bayésienne, à la différence des autres approches, permet

l'adjonction de la connaissance a priori. Ce-ci dit, la rend parfaitement adaptée à la surveillance
des procédés en génie électrique. Néanmoins, une difficulté de premier ordre, concerne la mise
au point d'une technique de discrimination entre une variation prévisible dans l'état paramétrique
et un mode de fonctionnement défectueux doit être pris en considération. Le test sur la variance
de l'erreur de sortie, en liaison avec une connaissance a priori des modes de fonctionnement sains
de la machine, constitue un excellent outil pour remédier à cette dite difficulté.
La validation, à partir d'essais expérimentaux, de ces modèles de défauts selon [ BAC02] et la

procédure d'identification a ainsi permis d'une part, la localisation au rotor de barres cassées dans
les axes de recherche et d’autre part la quantification du nombre de barres cassées au rotor (dans
le cas de notre machine). Ainsi, dans des situations de défauts réels, la procédure de diagnostic
par estimation paramétrique mise en place donne une image très réaliste du déséquilibre présent
dans la machine. Ceci est dû d'une part, à la puissance de l'algorithme d'identification avec
information a priori et d'autre part, au modèle global de défauts permettant d'expliquer un
déséquilibre au rotor de la machine. Un tableau de comparaison mettant en évidence les
particularités, avantages, inconvénients, apports et résultats de chacune des deux méthodes
(ondelettes et Bayésienne) est présenté à l’issue de ce chapitre.
Comme perspective nous sommes conscients de n'avoir étudié que certains points d'un sujet
d'étude très vaste qui nécessitera une investigation plus poussée et une meilleure compréhension
physique des phénomènes mis en jeu et l'utilisation d'outils appropriés.
En ce qui conçerne le moteur asynchrone, il est évident qu’il y a beaucoup de points à traiter,
d’autre défauts plus complexes comme un court circuit entre les spires et défauts d’excentricité
devront être bien traités.
86
Les approches proposées, basées sur la transformée en ondelettes discrète du signal, peuvent être
prolongées pour le diagnostic et la discrimination entre d'autres types de défauts dans les
machines électriques.
La prise en compte des pertes fer devient nécessaire, pour éviter que celles-ci se reportent sur les
paramètres résistifs faussant l'estimation paramétrique. Un modèle décrivant les courants de
Foucault dans les tôles magnétiques devient nécessaire.
87
ANNEXE A
ANNEXE A Modèle multi- enroulement de la MAS à cage
ANNEXE A: Modèle multi- enroulement de la MAS à cage
A.1 Introduction :
L'étude et la mise au point des méthodes de diagnostic des machines électriques nécessitent
l’aménagement d’un environnement expérimental riche. En effet, les méthodes élaborées
doivent être testées pour diverses conditions de fonctionnement et pour des machines de
caractéristiques différentes ce qui est rarement possible en pratique ; c'est pour cette raison
que la modélisation et la simulation des machines électriques constituent une étape
primordiale en matière du diagnostic. Elles permettent la compréhension du fonctionnement
défectueux et la vérification, sur un prototype virtuel, des algorithmes de détection et de
localisation des défauts.
Elles permettent aussi, de construire des bases de données sur les manifestations électriques et
magnétiques des défauts. Il est important donc, de synthétiser un modèle adapté au problème
à traiter, décrivant le comportement de la machine non pas de la façon moyenne, comme pour
la commande, mais d'une façon la plus fine possible. [ABE99]
Pour obtenir le modèle d'un système ; trois tâches doivent être accomplies :
 Choisir le modèle ;
 Déterminer ses paramètres;
 Vérifier sa validité.
La modélisation décrite dans cette annexe, à pour objet de simuler la rupture de barres ou de
portions d'anneaux de court-circuit pour une machine asynchrone à cage. Pour ce faire nous
avons choit un modèle basé sur un circuit maillé représentant la cage rotorique car il s’adapte
bien au problème posé puisque il décrit chaque élément de la cage par un circuit électrique
équivalent [KHA09].
A.2 Modèle multi enroulements de la machine asynchrone triphasée à cage:
L'objectif est avant tout de posséder un modèle de la machine asynchrone qui met en évidence
l'influence des défauts étudiés sur les grandeurs mesurables de la machine (courants, vitesse,
couple, …), afin d'étudier les phénomènes mise en jeu.
Pour ce faire, on va modéliser le rotor de la machine par des mailles reliées entre elles
électriquement et couplées magnétiquement, afin de disposer d'un modèle mathématique où
88
les paramètres mesurables apparaissent explicitement et ne nécessitent pas d'outils de calcul

complexes. [BEL06]
On a introduit dans notre étude le modèle de la machine asynchrone où on considère le stator

de constitutions symétrique pour avoir une force magnétomotrice sinusoïdale dans l'entrefer et
le rotor à une structure de mailles.
A.2.1 Hypothèses simplificatrices :
Pour mettre en évidence l’influence des défauts électriques sur les grandeurs temporelles de la
machine asynchrone, il est indispensable de poser certaines hypothèses qui ont pour but de
faciliter la mise en équations des circuits électriques de la machine. Mais, il faut imposer un
minimum d’hypothèses si nous voulons que le vecteur de sortie soit le plus exploitable
possible.
Dans l’approche proposée, nous avons supposé que [KHA09] :
 Circuit magnétique linéaire (la perméabilité du fer très grande devant 1).
 Effet de peau négligeable.
 Barres rotoriques isolées les unes des autres
 Pertes fer, effets capacitifs et effets thermiques négligeables.
 Effet d'excentricité absent.
Avec ces hypothèses et on supposant un stator sain les différents paramètres du modèle sont
comme suit [KHA09].
A.2.2 Calcul des inductances de la machine :
A.2.2.1 Partie Statorique :
En premier temps, on suppose que les enroulements statoriques sont idéalement distribués
autour du périphérique de l'entrefer de telle sorte que l'induction résultante puisse être
sinusoïdale, dans ce cas l'expression de la FMM sera [BEL06] :
2 Ns Is
F ( )  cos( ) (A.1)
p
D'après le théorème d'Ampère on peut écrire :
N I
 Hdl  ps s
F ( )   (A.2)
La décomposition de l'induction sera :
89
2 0 N s I s
Bs ( )  cos( ) (A.3)
e p
Par conséquent, le flux magnétique dans l'entrefer est obtenu par l'intégration de l'expression
(A.3)

2p
s   Bs dS   Bs Rl d
S 
2p
On obtient :
4 0 N s R l
s  Is (A.4)
 e p2
Le flux total traversant l’enroulement de la phase « a » est :

2 0 N s R l
2p
 sa  N ss  N s I s
e p2   cos( p ) d (A.5)

2p
Donc :
 sa  Lsp I s
L’inductance principale (magnétisante) de la phase « a » statorique d’après (A.5) est donnée

par :
4 0 N s2 R l
Lsp  Lms  (A.6)
e  p2
Le flux de fuite est donné par :
 fs  L fs I s (A.7)
L’inductance totale de la phase “a” est égale a la somme de l’inductance de magnétisation et

la l’inductance de fuite :
Las  Lsp  L fs (A.8)
Puisque les enroulements statoriques sont symétriques, les inductances propres des trois
phases sont considérées égaux  Las  Lbs  Lcs  Ls 
A.2.2.2 Partie rotorique :
La figure A-1 illustre la modélisation du rotor par un schéma électrique équivalent, le rotor a
était décomposer en circuit élémentaire (mailles) constituer de deux barres et de deux portions
90
d’anneaux les reliant à chaque extrémité. Cette topologie de circuits rotoriques nous permettra
d’envisager la rupture de n’importe quelle barre ou de portion d’anneau.
Figure A.1 : Structure de la cage du rotor. [ALL09], [KHA09]
La figure A.2 représente en fonction de θ, l’allure de l’induction magnétique supposée radiale

produite par une maille rotorique dans l’entrefer on remarque que contrairement au stator, elle
ne peut se ramener au fondamental de sa décomposition en série de Fourier :
Figure A.2: Induction magnétique produite par une maille du rotor. [ALL09]
91
La distribution spatial du champ dû à la k eme boucle de courant rotorique, est considérée

comme étant rectangulaire, l’inductance principale et l’inductance mutuelle d’une maille
rotorique sont données par l’expression du flux propre de la maille k. On a donc :
( k 1) a
 N r  1 0 
rpk  
ka

 Nr e
R lI rk  d

(A.9)
Nr 1 2  R l
rpk  0 I rk (A.10)
Nr 2 e
L’inductance propre d’une boucle rotorique est :
N 1 2
Lrp  r 2 0 Rl (A.11)
Nr e
L’inductance totale de la k eme maille rotorique est égale à la somme de son inductance
principale, des inductances de fuite des deux barres et des inductances de fuites de deux
portions d’anneaux de court circuit fermant la maille k
Lrr  Lrp  2 Lb  2 Le (A.12)
Les mailles rotoriques sont magnétiquement couplées par l’intermédiaire du flux rotorique
d’entrefer, le flux traversant la j eme maille produit par le courant I rk circulant dans la maille k
est donné par :

( j 1) a
 1 0 
rj rk  
ja

 Nr e
Rl I rk  d

(A.13)
D’après l’équation (A.13) on obtient l’inductance mutuelle :
1 2  0
Mrr   Rl (A.14)
N r2 e
A.2.2.3 Inductances mutuelles stator rotor :
L’induction produite par la bobine de la phase « n » dans la k eme maille rotorique est donnée
par :
2 0 N s I s  2 
Bmsr  cos  p  n  (A.15)
e p  3 
Avec n= (1, 2,3)
Le flux traversant la maille k, est donné par :
( k 1) a
rk a  
ka
Bmsr R l d
On obtient :
92
( k 1) a  k 1a
2 1  2  
rk a   Bmsr R l d 0 N s RlI s sin  p  n   (A.16)
ka
 ep p  3   ka
L’inductance mutuelle entre la phase « a » du stator et la maille rotorique est :
 2 
M rk a   M sr cos  p  n  k a (A.17)
 3 
40 N s Rl a 2
Avec M sr  sin   , a p
 ep 2
2 Nr
Le tableau (A.1), résume les expressions des déférentes inductances de la machine asynchrone
à cage qu'on a l'utiliser [KHA09].
INDUCTANCES EXPRESSIONS
40 N s2 Rl
L'inductance principale d'une phase statorique. Lsp  Lms 
e p 2
Lsp
L'inductance mutuelle entre phases statoriques. Ms  
2
L'inductance totale d'une phase statorique. Lsa  Lbs  Lcs  Ls  Lsp  Lsf
Nr  1 2
L'inductance principale d'une maille rotorique Lrp  0 Rl
N2 e
L'inductance mutuelle entre mailles rotoriques non 0 2

Mrr   Rl
adjacentes. N r2 e
L'inductance mutuelle entre mailles rotoriques

Mrk ( k 1)  Mrk ( k 1)  Mrr  Lb
adjacentes.
M rksa  Lsr cos r t  ka  avec :

L'inductance mutuelle entre une maille rotorique et une
phase statorique "a". 4O N s Rl a
Lsr  sin  
ep 
2
2
Tableau A.1 - Inductances de la machine asynchrone à cage.
A.3 Mise en équations de la machine :
93
Nous recherchons l'ensemble des équations différentielles indépendantes de  définissants le

modèle de la machine. Le but de la mise en équations est d'effectuer une simulation
numérique.
A.3.1 Equations des tensions statoriques :
L’équation de tension statorique se met sous la forme matricielle suivante :
d
Vabc    Rs  I abc   abc 
dt (A.18)
abc    Ls  I abc    M sr  I rk 
Avec :
Vabc   Va Vb Vc  , vecteur de tensions statoriques.

T
 I abc    I a I c  , vecteur de courants statoriques.

T
Ib
 I rk    I r 0
T
I R1 ... I rk ... I r ( Nr 1)  , vecteur de courants dans les mailles rotoriques.
abc   a b c  , vecteur de flux statoriques.

T
 Rs  : Matrice des résistances statoriques.
 rs O 0 
 Rs    0 rs 0  (A.19)
 0 0 rs 
 Ls  : Matrice des inductances statoriques.
 Las Ms Ms 
 Ls    Ms Las Ms  (A.20)
 Ms Ms Las 
 M sr  : matrice des inductances mutuelles entre phases statoriques et mailles rotoriques.

 
... Lsr cos( r  ka ) ...
 
2
 M sr   ... Lsr cos( r  ka  ) ...
 (A.21)
3
 4 
... Lsr cos( r  ka  ) ...
 3 
94
Où : K  0,1, 2,..., Nr 1
A.3.2 Equations de tensions au rotor :
La figure (A.4) représente le schéma équivalent d’une portion la cage rotorique.
Figure A.3 Schéma équivalent des mailles rotoriques [BEL06].
Sachant que :
I ek  I rk  I e
I bk  I rk  I r ( k 1)
L'équation de tension pour une maille ' k ' de la cage rotorique est donnée par :
 R  R d
Rbk I r ( k 1)   2 e  Rb ( k 1)  Rbk  I rk  Rbk I r ( k 1)  e I e  rk  0 (A.22)
 Nr  Nr dt
Avec :
 L 
 
Nr 1
L
 rk   Lrp  2 Lb  2 e  I rk  M rr  I rg  Lb I r  k 1  I r  k 1  e I e
 Nr  j 0 Nr
(A.23)
  2   4  
 Lsr cos  r  ka  cos   r  ka   cos   r  ka    I abc 
  3   3  
Cependant on doit compléter le système d'équations des circuits du rotor par celle de l'anneau
de court-circuit, on a alors :
Nr 1 Nr 1
Re Le d d
Nr
 I rk 
k 0 Nr
 dt I
k 0
rk  Re Le  Le
dt
Ie  0 (A.24)
95
Ces équations (A.22) (A.23) constituent la mise en équation de la partie rotor.
A.3.3 Equation globale des tensions :
L'équation globale des tensions est donnée par :
d  I  d  L
V    R I    L  I  (A.25)
dt dt
Avec :
V   Va Vb Vc  0 0 .... 0  0 , vecteur global des tensions N r  4 , il contient les

T
trois tensions statoriques et les Nr tensions des mailles rotoriques ainsi que la tension de
l'anneau de court-circuit.
 I    I a
T
Ib Ic  Ir 0 I r1 ... I rk .... I r ( k 1)  I e  , vecteur global des courants N r  4 , il
contient les trois courants statoriques et les N r courants des mailles rotoriques, ainsi que le
courant de l'anneau de court-circuit.
  Rs 33  03N 
 r 1

 R    ...  ...  , matrice globale des résistances.
0
 Nr 13   Rr Nr1Nr1 
Avec :
 Rr  : Matrice des résistances rotoriques de taille Nr 4  Nr 4

 Re R 
 Rb 0  Rr ( Nr 1)  2 N 0    Rr ( Nr 1)   e
Nr
 r

        
 
 R
  Rr ( k 1) Rbk  Rr ( k 1)  2 e  Rrk    
 Nr 
 
 Rr            (A.26)
 R R 
  Rr ( Nr 1)    RR ( Nr 2)  Rr ( Nr 1)  2 e   e 
 Nr Nr 
        
 
 
Re
   
Re
 Re 

 Nr Nr 
96
  Ls 33   M sr 3 N 
 
r 1
 L       Matrice globale des inductances.

 M

 sr Nr13   Lr Nr1 Nr1 
 Le Re 
 Lrp  2 Lrb  2 N M rr  Lb M rr   Rr ( Nr 1)  
Nr 
 r

 Le 
 M rr  Lb Lrp  2 Lrb  2
Nr
M rr  Lb M rr    
 
        
 
 Lr            (A.27)
 Le R 
  Rr ( Nr 1) M rr   Rr ( Nr 1) Lrp  2 Lrb  2   e
 Nr Nr 
        
 
 
Re
  
R
 e  Re 

 Nr Nr 
 d  M sr  
  0  
d  L 
dt 
  .....  .....  , dérivée de la matrice globale des inductances.
dt  
 d  M sr 
t

 dt   0 
 
On remarque que la matrice  M sr  dépend du temps, ce qui nécessite l'inversion de la matrice
inductance  Ls  , de dimension N r  4 à chaque pas de calcul. Pour rendre cette matrice
constante, on applique la transformation de Park sur les équations de tensions statoriques. On

prend le référentiel lié au rotor.
La matrice de Park modifiée est définie par :
 1 
 cos( )  sin( )

 2 
2 1 2 2 
 P( )   cos(  )  sin(  )  (A.28)
3 2 3 3
 
 1 4 4 
 cos(  )  sin(  ) 
2 3 3 
La matrice globale de Park de dimension Nr  4  Nr  4 est définie par :
97
  P      0 
  
T    .....  .....  (A.29)
 
  0 1Nr1 Nr1 
T

[I] : est la matrice identité de dimension Nr  4  Nr  4 .
Sachant que :
V   T Vtr  , avec : Vtr   Vos Vds Vqs  0 0..... 0  0

T
 I   T  Itr  , avec :  Itr    I os

T
I ds I qs  I r 0 I r1 ..... I rk ..... I r ( Nr 1)  I e 
 3
Vds  Vm cos(s  r )t
 2
Avec :  (A.30)
V  3
Vm sin(s  r )t
 qs 2
L'équation (A.29) devient :
d T   I tr  d  L
T Vtr    RT  Itr    L T  Itr 
1
 (A.31)
dt dt
 
 1 d T  1 d  L  d I 
Vtr    
T   R T   T   L   T  T    Itr   
T   L T  tr
1 1
(A.32)
  dt  dt   dt
 A
B C  D
Les termes A, B, C et D sont donnés par :
  P    1  R   P      0
  s   
A  T   R T   .............................  .... 
1
 (A.33)
 
 O    0 

 d  P    
  P     Ls    0 
1
d T   
dt
B  T   L 
1
  .............................  ....  (A.34)
dt  
 T d 
 P    
  M sr  dt
  0 

98
 1 d  M sr  
  0   P    
1 d T 
 dt 
C  T  T   .............................  ...........................  (A.35)
dt  
 d  P    
 M sr    0
T
 dt 
  P    1  L   P      P    1  M  
  s     sr

D  T   L T    .............................  ...........................
1
(A.36)
 
  M sr   P     Lr 
T
 
La mise en équations électriques du modèle de la machine, conduit à un système complet de

dimension N r  4 :
V0 s   I0s   I0s 

V   I   I 
 ds   ds   ds 
Vqs   I qs   I qs 
     
       
0   Ir0   Ir0 
     
 0  L d  I r1   I r1 
    tr  dt      Rtr     (A.37)
     
0   Ik   Ik 
        
     
0   I r ( Nr 1)   I r ( Nr 1) 
     
       
 0   I e   I e 
 Ltr  et  Rtr  sont les matrices globales des inductances et des résistances obtenues après la
transformation de Park.
La matrice  Ltr  est donnée par :
99
 Ls  2M s 0 0  0 0   0  0 
 
 0 Ls  M s 0 
3
Lsr
3
Lsr cos(a)  
3
Lsr cos(( Nr 1)a)  0 
 2 2 2 
 
 0 0 Ls  M s  0
3
Lsr sin(a)  
3
Lsr sin(( Nr 1)a)  0 
 2 2 
 
 ............ .......... ............  ........ .................. ............. .......... ..........................  ... 
 3 Le L e 
 0 Lsr 0  Lrp  2Lb  2 Mrr  Lb M rr  M rr  Lb  
 2 Nr Nr 
 
 0 3
Lsr cos(a)
3
Lsr sin(a)  Mrr  Lb
Le
Lrp  2Lb  2M rr  Lb M rr    
 2 2 Nr 
 
            
            
 
 3 3 Le Le
 0 Lsr cos(( Nr  1)a) Lsr sin(( Nr 1)a)  M rr  Lb  M rr M rr  Lb Lrp  2Lb  2   
 2 2 Nr Nr 
 ............ ................... ......................  ............. ...................... .............. .............. ...........................  
 
 0 Le Le
0 0        Le 
 Nr Nr 
La matrice  Rtr  est donnée par :
rs 0 0  0 0   0  0
 0 rs  r ( M  Ls )  0  r L
3
   rL
3
sin(( N r  1) a )

 
sin( a )   0
s sr sr
2 2
 3 3 3 
 0  r ( Ls  M s ) rs   rL
sr
 rL
sr
cos( a )    rL
sr
cos(( N r  1) a )  0

              
2 2 2
    
0 0  R R 2
R
e
R  R  
R 
e
 N 
0 0
b 0 b ( N r 1) b0 b ( N r 1)
N
    
r r
      
  R R R 2
R
e
R

 
  0 0  
b ( k 1) bk b ( k 1) bk
N
      
r
    
0 0 R R R 2
R
e
 
R 
e
 
0  0  R
b ( N r 1) b ( N r  2) b ( N r 1) b ( N r  2)
Nr Nr
                   
0 0 R
e
R
e 
 0        Re

 Nr Nr 
100
A ces équations, on ajoute les équations électromécaniques afin d'avoir la vitesse électrique de
rotation et la position  r du rotor.
d 1
m  (Ce  Cr  k0m ) (A.38)
dt J
d
 r  r (A.39)
dt
L’expression de (Ce) sera présentée dans la section suivante.
A.3.4 Expression du couple électromagnétique :
Il faut d'abord, trouver les expressions des composantes biphasées ds, qs et du flux
statorique.
On a :
  0 dqs     P    1 0   Ls   M sr    P   0  I 0dqs 

1
         (A.40)
 kr     0 1   M sr   Lr    0 1   I kr 
T
  0 dqs     P     Ls   P     P    M sr   I 0 dqs 

1 1
    
  I kr 
(A.41)
 kr     M sr   P     
T
 Lr 
Après le calcul on obtient :

  ( L  2M ) I
 0s s s 0s
 3 Nr 1
 ds  ( Ls  M s ) I ds  Lsr  I rk cos(ka ) (A.42)
 2 k 0
 3 Nr 1
 ds  ( Ls  M s ) I qs  Lsr  I rk sin(ka )
 2 k 0
Or, pour un moteur alimenté par une source triphasée, la puissance instantanée s'écrit :
Ps (t )  Vacb   I abc 
T

  P   V0 dqs    P    I 0 dqs 
T
(A.43)
T
 VOdqs   I 0 dqs 
Les équations de tensions dans un repère lié au rotor sont données par :
101
 d ds
 Vds  rs I ds   r qs
dt
 ¨ (A.44)
V  r I  d qs
 r ds
 qs s qs dt
En remplaçant les tensions Vds et Vqs dans l'expression (A.44), on obtient :
 d ds d qs 
Psa (t )  rs ( I ds2  I qs2 )   I ds  I qs   r ( ds I qs  qs I ds ) (A.45)
 dt dt 
Le troisième terme, représente la puissance électromagnétique transmise au rotor à travers

l'entrefer par l'intermédiaire du champ tournant. Donc le couple électromagnétique est :
Ce  P( ds I qs  qs I ds ) (A.46)
En remplaçant  ds et  qs par leurs expressions, on obtient :
3  Nr 1 N r 1

Ce  PLsr  I qs  I rk cos(ka)  ids  I rk sin(ka)  (A.47)
2  k 0 k 0 
A.4 Prise en compte des défauts rotoriques dans le modèle :
Le type de défaut que nous étudions est la rupture d’une ou plusieurs barres rotoriques ou de
portions d’anneaux de court-circuit. Le circuit électrique rotorique donné à la figure (A.3)
doit être reconsidéré pour permettre la prise en compte du défaut rotorique dans le modèle de
la machine. La figure (A.4) représente le schéma des deux cas : état sain et en présence d’une
barre cassée.
Figure A.4. Schéma équivalent de la cage rotorique

(a) .état sain (b) avec une barre cassée
102
La simulation de ce type de défaillance peut être en utilisant deux méthodes différentes, le but
étant d’annuler le courant qui traverse la barre incriminée.
La première méthode de modélisation consiste à reconstituer totalement le circuit électrique

rotorique. Dans ce type d’approche, la barre rotorique défaillante est enlevée du circuit
électrique, ce qui oblige à recalculer les matrices des résistances  Rr  et des
inductances  Lr  de la machine asynchrone.
En effet, la suppression d’une barre de la cage nous donne des matrices  Rr  et  Lr  de rang
inférieur à celle développée pour la machine saine.
La seconde approche envisageable consiste à augmenter artificiellement la valeur de la

résistance de la barre ou de la portion d’anneau incriminée d’un facteur suffisant pour que le
courant qui la traverse soit le plus proche possible de zéro en régime permanent.
En comparaison avec la première méthode, la structure du circuit électrique rotorique n’est

pas modifiée car nous considérons, dans ce type de modélisation, qu’une rupture de barre
n’altère pas les inductances propres et mutuelles de la cage rotorique.
Par conséquent, le programme de simulation s’adaptera à cette nouvelle contrainte et nous

donnera l’évolution temporelle des différents signaux pour un fonctionnement de la machine
avec ce type de défaut.
De plus, la simulation d’une barre partiellement cassée (barre fissurée de moitié par exemple)
ne peut pas être envisagée si nous utilisons la première méthode de modélisation alors qu’elle
est tout à fait faisable avec la seconde [KHA09].
A.5 Conclusion :
Nous avons utilisé un modèle multi enroulement qui tient compte de la structure du rotor. Le
choix d’un tel modèle est imposé par l’objectif de pouvoir simuler une rupture de barre ou de
portion d’anneaux de court-circuit au rotor. Pour cela, nous avons représenté toutes les
équations des barres et les portions d’anneaux du rotor.
103
ANNEXE B
ANNEXE B Modèle d’état de défaut de la MAS à cage
ANNEXE B : Modèle d’état de défaut de la MAS à cage

L'objectif de cette annexe est l'élaboration de modèle de défaut de la machine asynchrone à
cage d'écureuil. Ce modèle doit permettre la détection et la localisation de rupture de barres
au rotor. En vue d'un diagnostic de la machine asynchrone par identification paramétrique,
cette modélisation doit obéir à deux objectifs contradictoires :
 Le modèle obtenu doit être simple de mise en oeuvre, pour pouvoir l’identifier.
 La représentation du défaut doit être fine et réaliste afin d'en détecter les plus faibles.
B.1 Introduction :
L'hypothèse fondamentale pour la surveillance d'un système par un suivi paramétrique est
qu'un défaut se traduit par la variation d'un (ou plusieurs) paramètre(s) caractéristique(s) du
système, constituant ainsi la signature de ce défaut. Intuitivement, diagnostiquer un défaut
revient donc à réaliser un suivi des paramètres d'un modèle de fonctionnement normal.
(Modèle de Park par exemple pour la machine asynchrone) et la simple variation
paramétrique [MOR 99, DUR 99] est une indication de la présence d'un défaut.
En fait, ce postulat peut facilement être mis en défaut par le fait que cette méthodologie de
base n'est pas capable de distinguer une variation paramétrique normale (due à un changement
dans l'état de la machine) de celle correspondant à un défaut d'apparition aléatoire. Il est
évident qu'un défaut a tendance à modifier le modèle normal, allant dans certains cas jusqu'à
modifier sa structure, mais presque toujours en introduisant une erreur de modélisation.
D'après [MOR 99, SCH 99], il paraît clair que l'utilisation de modèles simplifiés s'avère
inadaptée dans le cadre du diagnostic. D'où l'intérêt d'introduire des modes dans le modèle de
fonctionnement normal, sensibles uniquement au défaut.
Comme nous l'avons déjà signalé, la méthodologie de surveillance présentée précédemment
fait appel à une étude du comportement de la machine en régime défectueux. La
caractérisation des fonctionnements défaillants constitue ainsi une étape essentielle pour la
modélisation physique des défauts.
La machine asynchrone présente en plus d'un comportement dynamique conventionnel, un
comportement dû au défaut. Ainsi, notre étude consiste à élaborer des modèles permettant le
découplage des deux modes ; le mode commun qui n'est autre que le modèle dynamique de la
machine asynchrone. Ce mode, exprimé dans le repère triphasé ou dans le repère de Park et
paramétrisé par les composants électriques de la machine, est l'image du comportement de la
machine saine. Pour tenir compte du défaut, il faut cependant introduire le mode différentiel
104
qui traduit le dysfonctionnement. Les paramètres de ce mode doivent permettre la détection

et la localisation du défaut. Dans cette annexe, nous développons un modèle de défaut de la
machine asynchrone : un modèle de défaut rotorique de type rupture de barres. Une panne de
type rupture de barres au rotor apparaissant n'étant pas à exclure lors de grandes sollicitations
de la machine.
B.2.Modèle de défauts rotorique de la machine asynchrone :
Dans le cadre du diagnostic, la mise au point d'un modèle est surtout motivée par les
possibilités de simuler des défauts. [ABE 99, MAK 97, VAS 94] proposent une modélisation
multi-mailles du rotor de la machine asynchrone à cage d'écureuil faisant intervenir les

paramètres électriques des barres et de l'anneau. Outre leur complexité, l'inconvénient de ces
modèles est qu'ils nécessitent une connaissance approfondie des paramètres électriques de la
machine. Dans le cas d'une approche paramétrique, ces modèles sont inappropriés en raison
du nombre élevé des paramètres qui les régissent.
Dans notre cas, il est donc nécessaire d'élaborer un modèle de défaut rotorique qui explique le
déséquilibre à travers un minimum de paramètres. Ces paramètres doivent être l'image du
défaut présent dans la machine et permettre ainsi de le quantifier et de le localiser.
B.2.1 Modèle de défauts rotoriques :
La figure (B.1) illustre la modélisation conventionnelle du rotor par dipôles élémentaires avec
une barre cassée [ABE 99, MAN 96].
Figure B.1 Modélisation par dipôles élémentaires du rotor en défaut
105
On a considéré qu'une rupture de barre rotorique est à l'origine d'un champ H 0 stationnaire par
rapport au rotor (ou plutôt d'une anomalie de champ, stationnaire par rapport au rotor) [BAC
02]. On suppose que le rotor en défaut est équivalent à un rotor sain, auquel on a adjoint un
bobinage supplémentaire parcouru par un courant fictif i0 de défaut.
Une panne au rotor est donc équivalente à un déséquilibre de champ traduit par un bobinage
en court-circuit, du fait de la cage d'écureuil, et dont le nombre de spires fictives est
proportionnel au taux de défaut. Pour tenir compte de cette anomalie de champ, ce bobinage
doit obligatoirement avoir la même direction que la barre en défaut. Par conséquent, le mode
différentiel introduit comporte deux paramètres de défaut permettant la détection et la
localisation des barres cassées :
1-L'angle électrique noté  0 repérant le "bobinage"en défaut par rapport à l'axe d (axe de
l'encoche rotorique dont le courant induit est en phase avec la première phase statorique). Ce
paramètre permet la localisation de la barre en défaut.
2-Le rapport de défaut noté 0 égal au rapport du nombre de spires en défaut sur le nombre
total de spires dans une phase triphasée rotorique fictive sans défaut.
Ce paramètre permet de quantifier le déséquilibre et d'obtenir le nombre de barres cassées. Le
nombre de spires au rotor étant fictif, pour un rotor de nb barres, si on considère une spire
rotorique comme étant une maille constituée de deux barres court-circuitées par deux portions
d'anneaux [ABE 99, BAC 01a], alors le nombre total de spires rotoriques est égal au nombre
nb
de barres au rotor. Une phase fictive est constituée donc de barres. Pour nbc barres cassées
3
sur une phase, l'expression du rapport de défaut 0 est donnée par :
3nbc
0  (B.1)
nb
Remarque : On pourrait se poser des questions quant à la validité de la relation (B.1) dans
le cas d'un rotor à cage. En fait, cette expression permet un passage simple du rotor à cage au
rotor bobiné et traduit tout simplement une relation de proportionnalité entre le nombre de
barres cassées nbc et le taux de défaut au rotor.
B.2.2 Modélisation de la rupture de barres :
Les équations de tension et de flux de la bobine en défaut B0 exprimées dans le repère biphasé
d'axe d et q lié au rotor sont les suivantes :
106
d0
0  0 Rr i0  (B.2)
dt
0  02 Lmi0  0 Lm cos(0 ) sin(0 )  i dqs  i dqr 

2 2
(B.3)
3 3
Avec
Nombre de spires fictives en défaut
0  (B.4)
Nombre total de spires fictives sur une phase
 0 : angle repérant le défaut
Le courant i0 dans le bobinage représentant le défaut est donc à l'origine du champ
magnétique H 0 stationnaire par rapport au rotor et dirigé selon l'axe  0 . Ce champ magnétique
est à l'origine du flux 0 . En projetant i0 et 0 sur les axes d et q de Park, on leur associe les
vecteurs stationnaires :
cos 0   cos 0 
i dq 0    i0 ,  dq 0    0
sin 0   sin 0  
Les relations (B.2) et (B.3) deviennent des relations entre des vecteurs stationnaires par
rapport au rotor. Ainsi, dans le repère rotorique, l'ensemble des équations de la machine au
stator, au rotor et au bobinage B0 est donné par :
d  
U dqs  RS i dqs   dqs   P    dqs (B.5)
dt 2
 2 
 dqs  L f i dqs  Lm  i dqs  i dqr  0 i dqo  (B.6)
 3 
d
0  Lm i dqr   (B.7)
dt dqr
 dqr  Lm  i dqs  i dqr  

2
0 Lm i dqo (B.8)
3
d  dqo
0  0 Rr i dqo  (B.9)
dt
2  2 
 dqo  0 LmQ 0   i dqs  i dqr  0 i dqo  (B.10)
3  3 
107
cos 0 2 cos 0  sin 0  

Avec Q 0    
cos 0  sin 0  sin 0  
2
Par analogie avec l'étude du schéma équivalent ramené au primaire des transformateurs, les
équations de flux de la machine asynchrone en défaut rotorique deviennent :
 ~

 dqs   dqf   dqm  L f i dqs  Lm  i dqs  i dqr  i dqo  (B.11)
 
 dqr   dqm  Lm  i dqs  i dqr  i dqo 

~
(B.12)
 
~
 dqo  0Q 0   dqm (B.13)
De même, l'équation de tension du bobinage en défaut ramenée au primaire s'écrit :

~ 2 0 d d
i dqo  Q 0  dqm  R01 dqm (B.14)
3 Rr dt dt
Figure B.2. Premier modèle de la machine avec défauts rotoriques
La figure (B.2) représente le schéma équivalent de la machine asynchrone en défaut de

rupture de barres dans le repère de Park lié au rotor.
B.2.3 Schéma électrique équivalent :
D'après l'équation (B.14), la bobine B0 représentant le défaut se ramène à un simple
quadripôle résistif mis en parallèle avec l'inductance magnétisante et la résistance rotorique.

Dans le repère de Park, la mise en équation d'état d'un tel système reste complexe il s'avère
plus judicieux d'établir le schéma équivalent de la machine avec résistance rotorique et
résistance de défaut totalisées au rotor. Ainsi, la résistance équivalente Req est la mise en
108
parallèle de la résistance rotorique Rr et la résistance de défaut R0 . L'expression de la matrice
résistance équivalente au rotor est alors obtenue comme suit :

Req1  Rr1  R01
2 (B.15)
 Rr1  0 Rr1Q  0 
3
En inversant, on obtient ainsi l'expression de la matrice résistance équivalente :
Req1  Rr1  Rdéfaut
 (B.16)
 Rr1  Q  0  Rr
1 
2
Avec :   0
3
Ainsi, la résistance équivalente au rotor est la mise en série de la résistance saine Rr et d'une
matrice résistance de défaut Rdéfaut . La figure (B.3) illustre le schéma équivalent de la machine
asynchrone avec défaut rotorique en régime dynamique avec fuite ramenée au stator
Figure B.3 Modèle de la machine avec défauts rotoriques
On pourrait se poser des questions quant au rôle de la matrice résistance Rdéfaut dans
l'explication du défaut rotorique. En effet, vu le caractère purement résistif de ce quadripôle, il

pourrait être légitime de le confondre avec la résistance rotorique Rr . En fait, il suffit tout
simplement d'écrire les expressions respectives de la résistance saine Rr et de la résistance de
défaut Rdéfaut pour pouvoir distinguer leur rôle respectif :
1 0 
Rr  Rr  
0 1
 cos 0  2
cos 0  sin 0  
Rdéfaut  Rr  
1   cos   sin   sin  0

2

 0 0
109
On peut constater que la résistance de défaut, au contraire de la résistance saine, est non
équilibrée (i.e : non diagonale dont les termes sur la diagonale sont différents) et possède des
termes de couplage. Ainsi, l'introduction de cette matrice dans le schéma équivalent modifie
entièrement la structure de la machine. Lorsque la machine est saine donc(   0 ), la
résistance Rdéfaut devient nulle ce qui revient à court-circuiter le quadripôle de défaut. Le
schéma équivalent de la machine en défaut (Figure B.3) va donc correspondre au modèle

classique de Park lié au rotor. Lorsque le paramètre est non nul, la résistance Rdéfaut introduit
un déséquilibre dans les grandeurs rotoriques ainsi que des termes de couplage sur les deux
axes d et q du rotor. Par conséquent, de nouvelles composantes dont la pulsation est
proportionnelle au glissement de la machine sont introduites, et se retrouvent de ce fait dans
les courants statoriques, traduisant ainsi un déséquilibre rotorique.
L'angle  0 permet d'effectuer un repérage absolu du bobinage en défaut par rapport à l'axe d
(Figure B.1) En effet, les courants réels induits dans les encoches rotoriques étant nb phases,
l'angle  0 est donc fixé par la position initiale du rotor par rapport au stator.
Pour localiser une barre cassée, il faut donc imposer au rotor une référence (un top zéro) qui
permet de repérer les barres selon l'angle  0 : il suffit pour cela d'effectuer la mesure de la
position du rotor grâce à un capteur absolu.
B.3. Validation en régime stationnaire :
Nous avons montré qu'un défaut rotorique en régime stationnaire est à l'origine de nouvelles
composantes de fréquences 1  2kg  f s dans le courant statorique, qui induisent des
oscillations du couple [ABE 99, DID 01]. Ainsi, pour valider le modèle de défaut rotorique de
la machine asynchrone, il suffit de comparer les résultats expérimentaux aux résultats issus de
la simulation de ce modèle. Il s'agit donc de simuler le modèle de défaut en régime
stationnaire (tensions sinusoïdales) en présence de rupture de barres au rotor.
Le système global simulé est obtenu en introduisant l'équation électromécanique de la
machine Ainsi, la machine asynchrone en défaut de rupture de barre peut être décrite par le
système d'équations différentielles :

x  t   A( ) x  t   Bu  t  (B.17)
110
y t   C x t  (B.18)
Avec
T
T T
u  U ds U qs  , y  ids iqs  : entrée et sortie de la machine.
   Rs  Req  Lf1   Req Lm1   P  2   Lf1 

A     
 Req  Req Lm1   P  2 
T
1 
 L 0 0 0
B
f
 , C  1 0 0 0  ,  R    R .  I   Q   
0 1 0 0   eq  r  0 
 1     1 
0 0 0
 Lf 
On excite la machine avec une entrée sinusoïdale U s et en régime établi, on introduit une
rupture d'une barre. La simulation nous permet d'obtenir le vecteur des courants statoriques is .
Sur le banc expérimental de 1.1 kW selon le référence [BAC02], on remplace le rotor sain par
un rotor avec une barre cassée. Le défaut est obtenu en trouant une encoche rotorique à l'aide
d'une perceuse.
B.4 Conclusion :
Cette annexe a été consacrée à l'élaboration de modèles dédiés à la simulation et à la détection

de défauts sur la machine asynchrone à cage d'écureuil. Une attention particulière a été
apportée au niveau méthodologique en s'inspirant de la notion de mode différentiel associé à
un mode commun.
111
ANNEXE C
ANNEXE C Paramètres des moteurs utilisés
C.1 Paramètres du moteur A utilisé [SAH04] :
P  450 w Puissance nominale
V  127 v Tension nominale de ligne

f s  50 Hz Fréquence d'alimentation
p 1 Nombre de paire de pôle

D  75 mm Diamètre moyen
l  60 mm Longueur de la machine
e  0.38 mm Epaisseur d'entrefer
N r  27 Nombre de barres
N s  193 Nombre de spires par phase
rs  4.1 ohm Résistance d'une phase statorique
Lsf  17.5 mH Inductance de fuite statorique
Rb  74ohm Résistance d'une barre rotorique
Re  74ohm Résistance d'un anneau de court circuit
Lb  0.33  H Inductance de fuite d'une barre rotorique.
Le  0.33  H Inductance de fuite d'anneau de court circuit.
J  4.5.103 Nms Moment d'inertie.

k0  5.106 Nms Coefficient de frottement.
C.2 Caractéristiques de la machine B utilisé [BAC02] :
Pour nos expérimentations, nous avons utilisé une machine LS90 de 1.1 kW à deux paires de
pôles, conçue par Moteurs Leroy Somer pour les besoins expérimentaux.
Ses caractéristiques détaillées sont données par la table suivante :
Tab. C.1 Caractéristiques de la machine

Puissance 1.1 kW
Tension nominale 230/400 V
Courant nominal 2.6/4.3 A
cos(  ) 0.82/0.85
Vitesse nominale 1425 tr/min
112
ANNEXE C Paramètres des moteurs utilisés
Nombre de paires de pôles 2

Nombre d'encoches statoriques 48
Nombre de barres au rotor 28
Nombre de spires par phase 464
113
BIBLIOGRAPHIE
Bibliographie
[ABE 99] A. Abed, L. Baghli, H. Razik & A. Rezzoug, Modelling induction motors for diagnosis
purposes, EPE'99, Lausanne, Suisse, pp. 1-8, September 1999.
[ABE 02] A. Abed, Contribution à l'étude et au diagnostic de la machine asynchrone Thèse de
doctorat, Université de Henri Poincaré, Nancy-I, France, 2002.
[ALL09] A.Allal.Grandeurs non invasives pour le diagnostic des machines électriques. Thèse de
Magister .Université Ferhat Abbas de Sétif .Algérie 2009.
[AYA07]. M. Ayad, D. Chikouche Application de la transformée en ondelette à l'analyse des
signaux vibratoires d'un système d'engrenage en vue d'un diagnostic précoce,
4th International Conference on Computer Integrated Manufacturing CIP’2007.
[BAC 02a] S. Bachir, Contribution au diagnostic de la machine asynchrone par estimation
paramétrique. Thèse de doctorat , Université de Poitiers . France 2002.
[BAC 02b] S. Bachir, G. Champenois, S. Tnani, Jean-C. Trigeassou and S. Moreau. Une
méthodologie de diagnostic basé sur l’approche Bayésienne : Application à la machine
asynchrone à vitesse constante. CIFA'02, Nantes, France, pp.447-452, 8-10 Juillet 2002.
[BAC 06] S. Bachir, S. Tnani, Jean-C. Trigeassou and G. Champenois, Diagnosis by Parameter
Estimation of Stator and Rotor Faults Occurring in Induction Machines IEEE transactions on
industrial electronics,vol.53,no.3,june 2006.
[BAG 97] L. Baghli, L. Hein, H. Razik & A. Rezzoug, Modelling rotor cage induction motors for
default detection, IEEE International SDEMPED'97, Carry-le-Rouet, France, pp. 41-47,
Septembre 1997.
[BEL06] S.BEL. Diagnostic des défauts dans les moteurs asynchrones triphasés à cage. Thèse de
Magister .Université Mohamed Boudiaf de M’sila Algérie 2006.
[BOU08a] A.Bouzida .diagnostic de défauts de la machine asynchrone à cage par la technique
des ondelettes. Thèse de Magister .Ecole Nationale Polytechnique d’Alger. Algérie 2008
[BOU10b] A. Bouzida, O. Touhami, R. Ibtiouen, A. Belouchrani, M. Fadel and A. Rezzoug.
Fault Diagnosis in Industrial Induction Machines through Discrete Wavelet Transform. 2010
IEEE.
[DEM03]. J. Demaeyer, M. Bebronne et S. Forthomme, Les Ondelettes:L’Analyse de Fourier
Département de physique faculté des sciences, printemps des sciences 2003.
[HIM 72] D. M. Himmelblau, Applied non linear programming, Mc Graw Hill, USA, 1972.
Bibliographie
[KHA99] A.Khatir. Etude comparative des modèles des machines asynchrones utilisés en
diagnostic des défauts .Thèse de Magister .Université Ferhat Abbas de Sétif .Algérie 2009.
[LJU 87] L. Ljung, System identification : Theory for the user, Prentice Hall, New Jersey, USA,
1987.
[MAR 63] D. W. Marquardt, An algorithm for least-squares estimation of non linear
parameters, Journal of Soc. Indust. Appl. Math. VOL.11, N° 02, pp. 431-441, 1963.
[MEN 99] M. Mensler, Analyse et étude comparative de méthodes d'identification des systèmes
à représentation continue. Développement d'une boîte à outil logicielle, Thèse de doctorat,
Université de Nancy I, France, 1999.
[MIS10] M. Misiti. Y. Misiti. G. Oppenheim. J. M. Poggi. Wavelet Toolbox for Use with
MATLAB 2010.
[MOR 99] S. Moreau, Contribution à la modélisation et à l'estimation paramétrique des machines
électriques à courant alternatif : Application au diagnostic, Thèse de doctorat, Université de
Poitiers, France, 1999
[PER05] V .Perrier Idée de la base Application de la théorie des ondelettes, Laboratoire de
Modélisation et Calcul de l’IMAG Institut National Polytechnique de Grenoble 2005.
[POL94] R. Polikar. The story of wavelet, Department of Electrical & Computer Engineering
Rowan University 1994.
[RIC 91] J. Richalet, Pratique de l'identification, Hermès, Paris, 1991.
[SCH 92] C. Schauder, Adaptive speed identification for vector control of induction motors
without rotational transducers, IEEE Trans. on Industriels Applications, VOL.28, NO. 05,pp.
1054-1061, 1992.
[SOD 83] T. Soderstrom & P. Stroica, Instrumental variable methods for system identification,
Springer Verlag, Berlin, 1983.
[TEC 09] .Technique de l’ingénieur 2009.
[TRI 88] J. C. Trigeassou, Recherche de modèles expérimentaux assistée par ordinateur,
Technique et Documentation Lavoisier, Paris 1988.
[TRI 99] J. C. Trigeassou, J. P. Gaubert, S. Moreau & T. Poinot, Modélisation et identification
en génie électrique à partir de résultats expérimentaux, Journées 3EI'99, Supelec Gif-sur-Yvette,
Mars 1999.
Bibliographie
[WAL 94] R. F. Walliser & C. F. Landy, Determination of interbar currents in the detection of
broken rotor bars in squirrel cage induction motors, IEEE Transactions on Energy Conversion,
VOL. 09, NO. 1, pp. 152-158, mars 1994
[YOU 70] P. C. Young, An instrumental variable method for real-time identification of
a noisy process, Automatica, VOL. 06, pp. 271-287, 1970
Résumé :
Dans ce mémoire nous avons utilisé techniques des ondelettes et Bayésienne dans le but du
diagnostic des machines asynchrones à cage d’écureuil. La première technique qui offre une analyse
très fine des signaux unidimensionnels et bidimensionnels à travers une transformée d’ondelettes
continue et décomposition en ondelettes discrètes, et la deuxième s'appuie sur une modélisation de la
signature de défauts en associant un mode commun (modèle sain) et un mode différentiel (de défaut :
cassure des barres et cassure d’un segment d’anneau) et sur une méthodologie d'estimation
paramétrique permettant l'adjonction de l'expertise de l'utilisateur.
Ces deux technique sont performée à l’environnement Matlab, les résultats obtenus ont montré
l’efficacité de ces technique dans la détection des défauts électriques rotoriques même la détection de
la non-stationnarité dans la première. Ainsi extraire les informations nécessaires à partir du courant
moteur de la machine pour la deuxième.
Mots clés : cassure des barres, modélisation de la machine asynchrone à cage, technique des
ondelettes, information a priori, méthode Bayésienne.
Abstract:
In this thesis we used techniques of wavelet and Bayesian with the aim of the diagnosis of the
induction machines with squirrel cage. The first technique which offers a very fine analysis of the one
dimensional and two-dimensional signals through one transformed by continues wavelet and
decomposition by discreet wavelet, and the second approach on a modelling of the signature defects
by associating a common mode (healthy model) and a differential mode (of defect: broken bars and
broken segment of ring) and it is methodology of paramétrique estimation allowing the addition of the
expertise of the user.
This two technique are performed in Matlab environment, the obtained results showed the efficiency
of these techniques in the detection of the electric defects rotoriques even the detection of non-
stationnarité in the first one. So extract the necessary information from the common engine of the
machine for the second.
Keywords: Broken bars, modelling induction machine with squirrel cage, wavelet technique and
Bayesian method.
: ‫ملخص‬
‫ايذمٍٕح‬.‫فً هز ٖ اٌّزوشج لّٕا تا سرخذاَ ذمًٕذا اٌّىٌداخ واٌثاٌضٌح تهذف ذشخٍض أعطاب اَ الخ اٌغٍش ِرىالرح راخ اإلطاس اٌّىطىي‬
‫ أِا‬، ‫األوٌى ذرٍح إخشاء ذحًٍٍ دلٍك خذ ا يإلشاساخ راخ تعذ و راخ تعذٌٓ عثشخحىيي اٌّىٌداخ ايِسرّش و ذحًٍٍ اٌّىٌداخ اٌّرمطع‬
ِٓ ‫اٌثأً فرشذىض عٍى اٌشتظ تٍٓ ذىلٍعا إٌّىرج اٌعاَ (اٌسٍٍُ) و إٌّىرج اٌّعطىب( عطب ذىسٍش اٌمضثاْ وعطة لطع ششٌحح‬
‫ج‬ ‫اٌرمٍٕح‬
‫ إٌرائح‬Matlab ‫ هاذاْ اٌرمٍٕراْ ذُ إٔداصهّا فً تشِدٍح‬.ٍِٓ‫ق ) بطشٌمح ذسّح ترمذٌش اٌّعطٍا خ ورٌه تإضافح خثشاخ اٌّسرخذ‬
‫اٌحًج‬
ًٌ‫ وتاٌرا‬،‫اٌّحمك أثثرد وفاءج هزٖ اٌرمٍٕح فً اٌىشف عٓ اٌعٍىب اٌىهشتائٍح فً اٌّحشن و وزا وشف اإلشاساخ غٍش اٌثاترح فً األوٌى‬
‫ج‬
.‫اسرخالص اٌّعٍىِاخ اٌالصِح ِٓ خالي ذٍاس ِحشن اٌّاوٍٕح‬
‫ذمًٕ اٌثاٌضٌح‬ ‫ ج‬،ْ‫ ذىسٍش اٌمضثا‬:‫الكلمات الرئيسية‬
‫ ج‬،‫ ّٔىرج اَ الخ اٌغٍش ِرىالرح راخ اإلطاس اٌّىطىي‬،‫ذمًٕ اٌّىٌداخ‬

Bourdim Samia PDF

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Bourdim Samia PDF

Uploaded by

Copyright:

Available Formats

‫وزارة التعليــــــم العالــــي و البحــث العلمـــــــي‬

MINISTERE DE L’ENSEIGNEMENT SUPERIEUR ET DE LA RECHERCHE

Présenté au département d’Electrotechnique

Méthodes ondelettes et Bayésiennes pour le

Soutenu le 04 / 07 / 2011 devant la commission d’examen composée de :

Président Dr. Hachemi Mabrouk M.C.Université de Sétif

Tout d'abord merci à dieu de m'avoir donner la force pour

Liste des acronymes

Liste des tableaux

Liste des figures

Figure III.8 Comparaison du courant réel et estimé d'axe d de Park 79

I. Présentation des différents défauts du MAS à cage d’écureuil 1

II. Théorie des ondelettes et leurs applications 21

II.3.4 Transformée en ondelettes discrète (TOD)………………………………….. 34

III. Méthode Bayésienne pour le diagnostic 53

Conclusions générales et perspectives 86

Annexe A Modèle multi- enroulement de la MAS à cage 89

A.3.1 Equations des tensions statoriques ……………………………………. 95

Annexe B Modèle d’état de défaut du MAS à cage 106

Annexe C Paramètres des moteurs utilisés 115

Présentation des différents défauts de la

La croissance utilisation de la machine asynchrone à cage d’écureuil, essentiellement due à sa

I.2 Eléments de constitution de la machine asynchrone :

La connaissance des éléments de constitution des machines asynchrones permet de comprendre

Barre inclinée Boite à Bornes

Figure I.1. Eléments de constitution d'une MAS à cage d’écureuil [ALL09]

Figure I.2 Stator

Figure I.3. Rotor à cage d’écureuil [BOU08a].

Figure I.4.PALIERS [ALL09]

Figure I.5. Sources des défauts de la machine asynchrone à cage [BOU08a].

Figure I.6.Principaux défauts de la machine asynchrone et leurs causes [BOU08a].

I.3.1 Défaillances d'ordre mécanique :

I.3.1.1 Défaillances des roulements :

En présente dans la figure I.8 le dimensionnement d’un roulement à billes

Figure I.8 Dimensions d’un roulement à billes [BEL06].

Où m=1,2,…, et fi est l'une des fréquences de vibration caractéristiques correspondant aux

Où n est le nombre de billes, fr est la fréquence de rotation rotorique.

f1   N 2  f r 1  DB cos    PD  (I.3)

Pour un défaut dans la course interne du roulement :

Pour un défaut dans les billes :

Pour un défaut dans la course :

I.3.1.2 Défaillances des flasques :

I.3.1.3 Défaillances de l'arbre :

I.3.1.4 Défauts d’excentricité :

Figure I.9 : Différents types de la dissymétrie de l’entrefer

de rotation et le centre du stator

a) excentricité statique b) excentricité dynamique

I.3.2 Défaillances d'ordre électriques :

I.3.2.1 Défaillances des circuits électriques statoriques :

I.3.2.2. Défaillances des circuits électriques rotoriques :

mauvaise utilisation de la machine asynchrone (charge trop importante) ou encore

Figure I.11 : Rotor à cage d'écureuil [BOU08a].

La détérioration des barres réduit la valeur moyenne du couple électromagnétique et augmente

I.4.1 Méthodes externes :

I.4.2 Méthodes internes :

I.4.3 Méthodes inductives :

I.4.4 Méthodes déductives :

Le raisonnement en arrière est la principale caractéristique de ces méthodes, la méthode

La modélisation et la simulation des machines constituent une étape primordiale en matière

I.5.1 Approche analytique :

On cite deux méthodes :

 Méthode des réseaux de perméance : Elle consiste à découper la machine en

 La méthode des éléments finis : Il s’agit de découper la machine en éléments de