Professional Documents
Culture Documents
SCIENTIFIQUE
UNIVERSITE FERHAT ABBAS - SETIF-
UFAS (ALGERIE)
MEMOIRE
Magister En Electrotechnique
Par
KHATIR Abdelfatah
Thème
Sétif 2009
Remerciements
Louange au Dieu le tout puissant qui m'a accordé la foi, le courage et la patience pour mener
ce travail.
Je tiens à remercier infiniment le Dr. HEMSAS Kamel Eddine pour sa patience et ses
conseils précieux qui m’ont été très utiles. Permettez-moi Monsieur de vous exprimer me
reconnaissances et mes remerciements les plus sincères.
Je remercie également les membres du jury qui m'ont honoré en acceptant de juger et
d’enrichir ce modeste travail.
Mes remerciements sont destinés aussi à toute ma famille, et tous mes amis pour leur aide et
leur soutien.
Khatir Abdelfatah
Je dédie ce travail
A mes chers parents,
A toute ma famille,
A tous mes amis,
A tous ceux qui veulent savoir.
NOTATIONS
Notations
Introduction générale
Chapitre 1 : Surveillance de la MAS à cage : Etat de l’art
1.1 - Introduction ................................................................................................................. 10
1.1.1- Définitions de quelques termes liés au diagnostic ................................................. 10
1.1.2 Analyse de la procédure du diagnostic ................................................................... 12
1.2 - Défaillances de la machine asynchrone ........................................................................ 12
1.2.1 - Défauts statoriques .............................................................................................. 14
1.2.2 - Défauts rotoriques ............................................................................................... 16
a - Ruptures de barres ............................................................................................... 16
b - Ruptures d’anneaux ............................................................................................. 16
c - Excentricité statique, dynamique et mixte ............................................................ 17
d - Roulement à billes ............................................................................................... 18
1.2.3 - Défauts extérieurs (d’environnement) .................................................................. 18
1.3 - Méthodes de surveillance de la machine asynchrone .................................................... 19
1.3.1 - Redondance physique ou matérielle .................................................................... 19
1.3.2 - Redondance analytique ou Méthodes basées sur un modèle ................................. 19
a - La génération de résidus ...................................................................................... 20
b - La détection ........................................................................................................ 21
c - La localisation ..................................................................................................... 21
1.3.3 - Méthodes basées sur l’analyse spectrale .............................................................. 22
a - Analyses vibratoires de la machine ...................................................................... 23
b - Analyse des flux ................................................................................................. 23
c - Analyse du couple électromagnétique .................................................................. 23
d - Analyse des courants statoriques ......................................................................... 24
1.3.4 - Méthodes basées sur l’intelligence artificielle (IA) .............................................. 24
a - Réseaux de neurones artificiels ............................................................................ 25
b - Reconnaissances des formes (RDF) ..................................................................... 25
c - Logique floue ...................................................................................................... 26
1.4 - Conclusions ................................................................................................................. 27
Chapitre 2 : Modèle multi-enroulement de la MAS à cage
2.1 - Introduction ................................................................................................................. 29
2.1.1 - Le stator .............................................................................................................. 30
2.1.2 - Le rotor ............................................................................................................... 31
2.1.3 - Les organes mécaniques ...................................................................................... 31
2.2 - Modèle multi-enroulement de la machine asynchrone triphasé à cage .......................... 32
2.2.1 - Hypothèses simplificatrices ................................................................................. 32
2.2.2 - Inductances de la machine ................................................................................... 33
2.2.3 - Mise en équations de la machine ......................................................................... 34
a - Equations des tensions statotoriques .................................................................... 34
b - Equations de tensions au rotor ............................................................................. 35
c - Equation globale des tensions .............................................................................. 36
2.2.4 - Expression du couple électromagnétique ............................................................. 41
2.3 - Prise en compte du défaut dans le modèle .................................................................... 42
2.4 - Conclusion ................................................................................................................... 43
Chapitre 3 : Résultats des simulations
3.1 - Introduction ................................................................................................................. 45
3.2 - Résultats de simulation d’un fonctionnement sain ........................................................ 45
3.3 - Résultats de simulation d’un fonctionnement avec un défaut ........................................ 48
3.3.1 - Cassure de barres rotoriques ................................................................................ 48
a - Effet du défaut sur la durée du régime transitoire ................................................. 53
3.3.2 - Cassure de portions d’anneaux de court-circuit .................................................... 55
3.4 - Conclusions ................................................................................................................. 57
Chapitre 4 : Méthode de diagnostic
4.1 - Introduction ................................................................................................................. 59
4.2 - Analyse spectrale du courant statorique........................................................................ 59
4.2.1 - Cassures de barres ............................................................................................... 61
a - Effet du nombre de barres cassées sur les harmoniques ........................................ 61
4.2.2 - Cassures des portions d’anneaux de court-circuit ................................................. 62
4.3 - Diagnostic par Réseaux de neurones ............................................................................ 64
4.3.1 - Principe de diagnostic par les réseaux de neurones .............................................. 65
4.3.2 – Réseau de Neurone Artificielle RNA .................................................................. 65
a - Réseaux statiques ................................................................................................ 65
b - Réseaux dynamiques ........................................................................................... 66
c - Propriétés des RNA ............................................................................................. 67
4.3.3 – Apprentissage dans les RNA............................................................................... 68
4.3.4 – Choix du modèle neuronal .................................................................................. 68
4.3.5 – Simulation du modèle neuronal........................................................................... 70
4.3.6 – Génération de résidus des défauts rotoriques ....................................................... 73
4.3.7 – Localisation des défaillances............................................................................... 76
4.4 - Diagnostic par la logique floue ..................................................................................... 79
4.4.1 - Fonctions d'appartenances ................................................................................... 80
4.4.2 – Système d'inférence ............................................................................................ 82
4.4.1 - Résultats de simulation ........................................................................................ 82
4.5 - Comparaison ................................................................................................................ 86
4.6 - Conclusions ................................................................................................................. 88
Conclusion générale
Bibliographie
Introduction générale
Les objectifs des différentes structures industrielles sont toujours liés à l'augmentation
de la qualité, la productivité et la rentabilité, la surveillance spéciale du processus pendant les
cycles de fonctionnement devient insuffisants.
Il est donc impératif de mettre en œuvre des systèmes de surveillance adéquats ayant
pour but de détecter de façon précoce les défauts.
Bien que déjà présents dans d’autres domaines, et parmi les différentes techniques de
diagnostic, l'analyse spectrale, les réseaux de neurones et la logique floue constituent des
nouvelles techniques dans le domaine de diagnostic.
Nous avons voulu savoir quel pourrait être l’apport de ces techniques appliquées à la
surveillance d’un système fortement non linéaire, qu’est la machine asynchrone à cage.
7
Introduction générale
Le mémoire comporte quatre chapitres. Dans le premier chapitre, nous rappelons les
principaux défauts qui peuvent apparaître dans la machine asynchrone à cage, et leurs
origines. Puis, nous présenterons les différentes techniques de surveillance des machines
asynchrones.
Nous terminerons par une conclusion générale sur l’ensemble de cette étude et nous
proposons des perspectives de travail, et enfin, retrouvons en bibliographie les différents
ouvrages utilisés dans ce mémoire.
8
CHAPITRE 1
1.1 - Introduction
Bien que la machine asynchrone soit réputée par ses qualités de robustesses et de
faible coût de construction, il arrive néanmoins que celle-ci présente une panne électrique ou
mécanique, la responsabilité de garantir la disponibilité des systèmes repose sur la
maintenance et pour accomplir ces fonctions, la maintenance nécessite de connaître l'état de
fonctionnement des systèmes, la surveillance donne une réponse aux besoins de ces
d'informations.
10
Chapitre 1 Surveillance de la MAS à cage : Etat de l’art
11
Chapitre 1 Surveillance de la MAS à cage : Etat de l’art
12
Chapitre 1 Surveillance de la MAS à cage : Etat de l’art
Une étude statistique, effectuée en 1988 par une compagnie allemande de systèmes
industriels sur les pannes des machines asynchrones de faible et moyenne puissance (50KW à
200KW) a donné les résultats suivants (Fig. 1.4) :
Fig. 1.4 - Répartition des pannes des machines de faible et moyenne puissance.
Les défauts statoriques sont les plus rencontrés dans ces types de machines.
Une autre étude statistique faite sur des machines de grande puissance (100KW à
1MW) a donné les résultats suivants (Fig. 1.5) :
13
Chapitre 1 Surveillance de la MAS à cage : Etat de l’art
Les contraintes mécaniques sont plus grandes pour ces types de machines ce qui
explique le taux élevé des pannes dues aux roulements. Celles-ci exigent une maintenance
mécanique accrue [Bou01].
Ces études montrent que certains défauts sont plus fréquents que d’autres, parmi ces
défauts :
L’apparition d’un défaut au niveau du stator de la machine asynchrone peut avoir des
origines diverses. Nous pouvons citer, par exemple, les défauts d’isolement dans un
enroulement. Les différentes causes pour ce type de défaut sont :
Vibrations mécaniques.
Vieillissement naturel des isolants. Tous les matériaux isolants ont une durée de vie
limitée. Même dans une utilisation ‘normale’, l’isolant finit naturellement par se
dégrader.
14
Chapitre 1 Surveillance de la MAS à cage : Etat de l’art
15
Chapitre 1 Surveillance de la MAS à cage : Etat de l’art
On peut avoir des défauts court-circuits 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. Il entraîne une augmentation des courants statoriques dans la
phase affectée, une légère variation de l’amplitude sur les autres phases.
Nous pouvons citer aussi les court-circuits apparaissant 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 [Did04] [Ond06].
a - Ruptures de barres
Cassure ou la rupture de barre est l’une des défauts les plus fréquents au rotor. Elle
peut se situer au niveau de son encoche soit à l’extrémité qui la relie à l’anneau rotorique. La
détérioration des barres réduit la valeur moyenne du couple électromagnétique et augmente
l’amplitude des oscillations, qui elles-mêmes provoquent des oscillations de la vitesse de
rotation. La grande amplitude de ces oscillations accélère la détérioration de la machine. Ainsi
le couple diminue sensiblement avec le nombre de barres cassées induisant un effet cumulatif
de la défaillance. L’effet d’une cassure de barre croit rapidement avec le nombre de barres
cassées [Ond06].
b - Ruptures d’anneaux
La rupture de portion d’anneau est un défaut qui apparaît aussi fréquemment que la
cassure de barres. Ces ruptures sont dues soit à des bulles de coulées ou aux dilatations
16
Chapitre 1 Surveillance de la MAS à cage : Etat de l’art
différentielles entre les barres et les anneaux. Comme il est difficile de le détecter, ce défaut
est généralement groupé, voir confondu, avec la rupture de barres dans les études statistiques.
Ces 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, peuvent entraîner leur cassure.
La rupture d’une portion d’anneau déséquilibre la répartition des courants dans les barres
rotoriques et de ce fait, engendre un effet de modulation d’amplitude sur les courants
statoriques [Ond06].
17
Chapitre 1 Surveillance de la MAS à cage : Etat de l’art
D’autre part, cette augmentation peut avoir comme conséquences des frottements entre
le stator et le rotor en raison des forces d’attraction magnétique qui déséquilibrent le système.
Ceci donne naissance à des niveaux de vibration considérables dans les enroulements.
d - Roulement à billes
18
Chapitre 1 Surveillance de la MAS à cage : Etat de l’art
Dans cette partie nous allons décrire les méthodes les plus couramment rencontrées
pour le diagnostic des défaillances de la machine asynchrone.
19
Chapitre 1 Surveillance de la MAS à cage : Etat de l’art
surveillance consiste à vérifier si ces relations sont égales à zéro (dans un sens statistique
précisé plus loin) en utilisant les mesures prélevées en ligne sur le système. Le concept de
redondance analytique repose sur l'utilisation d'un modèle mathématique du système à
surveiller. Pour cette raison, les méthodes utilisant la redondance analytique pour la
surveillance sont appelées méthodes à base de modèle.
Les méthodes à base de modèles analytiques exploitent des données numériques issues
d’un modèle du système étudié Ces données sont ensuite comparées aux mesures effectuées
sur le système, un écart révélant une anomalie .Ces méthodes reposent donc sur le principe de
redondance analytique : des équations analytiques décrivant le fonctionnement nominal du
système sont utilisées pour établir puis vérifier des relations liant les grandeurs mesurées entre
elles [Bac02].
Pour mettre au point une telle procédure de diagnostic, la première étape consiste a
mettre au point un modèle du système. Une fois le modèle validé, la procédure de diagnostic
en elle même comporte trois phases:
a - Génération de résidus
Une image de cette cohérence est donnée par les caractéristiques statistiques (pour les
méthodes basées sur un modèle du système) ou spectrales (pour les méthodes basées sur un
modèle de signal).
20
Chapitre 1 Surveillance de la MAS à cage : Etat de l’art
b - La détection
Les résidus sont obtenus en comparant des modèles s'exprimant sous la forme d'état et
un système réel. Lorsque le modèle permet de représenter exactement le système (aucune
erreur de modélisation, connaissance de la nature des signaux inconnus agissant sur le
système, ...) alors les résidus générés seront strictement égaux à zéro en fonctionnement
normal et différent de zéro en présence de pannes (on prend en considération les fausse
alarmes). La procédure de détection se résumera alors à déclencher une alarme lorsqu'au
moins un résidu différera de zéro.
En pratique, les modèles que nous utilisons sont obtenus à partir d'hypothèses
simplificatrices et sont donc imparfaits. Les résidus (qui reflètent l'écart entre le modèle et le
système) ne sont plus parfaitement égaux à zéro.
c - La localisation
Lorsqu'une panne est détectée, une procédure de localisation est utilisée pour
permettre de déterminer l'origine de celle-ci. A la différence de la détection où un seul résidu
est nécessaire, la procédure de localisation nécessite un ensemble (ou vecteur) de résidus.
21
Chapitre 1 Surveillance de la MAS à cage : Etat de l’art
L'analyse spectrale est utilisée depuis de nombreuses années pour détecter des
défaillances dans les machines électriques, essentiellement les ruptures de barres et/ou de
portions d’anneaux au rotor des machines asynchrones, la dégradation des roulements, les
excentricités et les courts-circuits dans les bobinages. Ces cas se prêtent bien à cette approche
dans la mesure où de nombreux phénomènes se traduisent par l'apparition de fréquences
directement liées à la vitesse de rotation ou à des multiples de la fréquence d'alimentation.
22
Chapitre 1 Surveillance de la MAS à cage : Etat de l’art
Les vibrations de la machine fournissent des informations sur pratiquement tous les
défauts fréquemment rencontrés, notamment ceux mécaniques [Cas03].
Problème d’accessibilité,
De plus, le coût de ces capteurs reste relativement élevé par rapport aux autres
capteurs tels que les capteurs de vitesse ou de courant.
Pour s’affranchir de ces problèmes, les recherches focalisent leurs efforts pour détecter
et localiser les défauts par l’analyse d’autres signaux.
Ces grandeurs sont difficilement mesurables mais des études ont été menées pour
extraire des signatures spécifiques à certains défauts.
Le flux axial est toujours présent dans les machines électriques à cause des
dissymétries inhérentes à leur fabrication. L'étude des variations de flux peut donc être une
solution pour détecter et localiser un défaut à travers de l'utilisation de bobines exploratrices
placées à l'extérieur de la machine, perpendiculairement à l'axe du rotor
23
Chapitre 1 Surveillance de la MAS à cage : Etat de l’art
Pour ces inconvénients et pour extraire de manière précise les informations relatives
aux défauts les recherches ont été particulièrement dirigées vers le spectre des courants
statoriques pour deux raisons : Les courants sont faciles à mesurer, ils fournissent des
informations sur de nombreux défauts. [Cas03]
L'apparition des raies spectrales dont les fréquences sont directement liées
à la fréquence de rotation de la machine, aux fréquences des champs
tournants et aux paramètres physiques de la machine (nombre d'encoche
rotorique et nombre de paires de pôles).
24
Chapitre 1 Surveillance de la MAS à cage : Etat de l’art
partir d’une expérience passée à reconnaître des formes complexes et à effectuer des
déductions [Ond06].
La simplicité dans la mise en œuvre, une fois préparées les règles d’expert.
Pour identifier des défauts dans un système, le diagnostic réalisé par réseaux de
neurones doit disposer d’un nombre suffisant d’exemples de bon fonctionnement et de défauts
pour pouvoir les apprendre. Pendant la phase d’apprentissage, les exemples sont présentés au
réseau en entrée avec les diagnostics correspondants à la sortie. Le réseau s’auto-organise,
apprenant à relier les exemples montrés aux diagnostics. Après l’apprentissage, le réseau ne
reconnaît pas seulement les exemples appris mais également des paradigmes leur ressemblant,
ce qui correspond à une certaine robustesse par rapport aux déformations de signaux par le
bruit. L’inconvénient majeur est d’arriver à déterminer une méthodologie pour maîtriser les
problèmes inhérents, qui sont principalement le choix de la structure, de la taille du réseau et
des algorithmes d’apprentissage pour un problème précis.
Par contre, la principale raison de leur intérêt en diagnostic industriel est leur faculté
d’apprentissage et la mémorisation d’un grand volume d’information [Ond06].
25
Chapitre 1 Surveillance de la MAS à cage : Etat de l’art
L’objectif du diagnostic par la reconnaissance des formes est d’associer une observation
du système (données fournies par des capteurs, par exemple), à un mode de fonctionnement,
correspondant à une classe. Pour cela, on procède comme suit :
c - Logique floue
Nous venons de voir que la logique floue sert à représenter des connaissances
incertaines et imprécises. La commande floue sert à prendre une décision même si l'on ne peut
pas estimer les entrées/sorties qu'à partir de prédicats vagues ou lorsque ses entrées/sorties
sont entachées d'erreurs que l'on peut évaluer que grossièrement.
26
Chapitre 1 Surveillance de la MAS à cage : Etat de l’art
souvent imprécises, incertaines et parfois qualitatives, dans des boucles de régulation parfois
incomplètes.
La notion d'ensemble floue permet de définir une appartenance graduelle d'un élément
à une classe, c'est-à-dire appartenir plus ou moins fortement à cette classe. L'appartenance
d'un objet à une classe est ainsi définie par un degré d'appartenance entre 0 et 1.
Le contrôleur flou est basé sur un ensemble de règles du type Si …. Alors …. (Comme
en logique classique) établies en général de manière empirique.
Il existe trois étapes essentielles dans la mise en ouvre d'un contrôleur flou (Fig.1.9)
Entées Sorties
1.4 - Conclusions
Dans ce premier chapitre nous avons rappelé brièvement les différents défauts de la
machine asynchrone triphasée à cage ainsi que leurs origines.
Après la présentation des différents défauts qui peuvent apparaître dans la machine
asynchrone nous avons présenté les différentes méthodes de diagnostic des défauts appliquer
à la machine asynchrone. Comme nous avons mentionné précédemment, notre travail est
consacré à l'étude et à la détection des cassures de barres et de portions d'anneau de court-
circuit dans la cage rotorique d'un moteur asynchrone. Pour cela, il faut disposer d'un bon
modèle mathématique, décrivant le comportement de la machine dans l'état sain et avec
défaut. Ceci fait l'objet du chapitre suivant.
27
CHAPITRE 2
2.1 - Introduction
Pour des raisons de commodité pratique, le modèle sera mathématique afin d’être
simulé sur calculateur numérique. On cherche donc une relation mathématique qui lie les
variables d’entrée et celles de sortie. Cette relation mathématique prend une certaine forme
qui définit la structure du modèle. Elle fait intervenir des paramètres dont, en général, on
ignore a priori les valeurs numériques.
Ainsi la modélisation permet de guider les développements par une quantification des
phénomènes.
En outre, elle est d'un appoint précieux en permettant d'une part, de restituer une
image de ce que l'on peut observer expérimentalement, et d'autre part de prévoir des
comportements de la machine plus varie que ceux de l'observation expérimentale.
Pour obtenir le modèle d'un système ; trois tâches doivent être accomplies :
Choisir le modèle ;
Vérifier sa validité.
29
Chapitre 2 Modèle multi-enroulement de la MAS à cage
2.1.1 - Le stator
Il est constitué d’un enroulement bobiné réparti dans les encoches du circuit
magnétique. Ce circuit magnétique est constitué d’un empilage de tôles dans lesquelles sont
découpées des encoches parallèles à l’axe de la machine (figure 2.1).
Circuit
Magnétique
Les encoches
Têtes de
bobines
30
Chapitre 2 Modèle multi-enroulement de la MAS à cage
2.1.2 - Le rotor
Dans le rotor à cage, les anneaux de court-circuit permettent la circulation des courants
d’un conducteur d’encoche (barre rotorique) à l’autre. Ces barres conductrices sont
régulièrement réparties, et constituent le circuit du rotor (figure 2.2). Cette cage est insérée à
l’intérieur d’un circuit magnétique constitué de disques en tôles empilés sur l’arbre de la
machine analogue à celui du moteur à rotor bobiné.
Les barres
rotoriques
L'anneau de
court-circuit
Le rotor à cage
La cage d’écureuil en aluminium
Dans le cas de rotors à cage d’écureuil, les conducteurs sont réalisés par coulage d’un
alliage d’aluminium, ou par des barres massives de cuivre préformées et frettés dans les tôles
du rotor. Il n’y a généralement pas, ou très peu, d’isolation entre les barres rotoriques et les
tôles magnétiques, mais leur résistance est suffisamment faible pour que les courants de fuite
dans les tôles soient négligeables, sauf lorsqu’il y a une rupture de barre [Ond06].
Le moteur à cage d’écureuil est beaucoup plus simple à construire que le moteur à
rotor bobiné et, de ce fait, son prix de revient est inférieur. De plus, il dispose d’une plus
grande robustesse. Il constitue la plus grande partie du parc de moteurs asynchrones
actuellement en service.
La carcasse sert de support, elle joue le rôle d’enveloppe et assure la protection contre
l’environnement extérieur. L’arbre est un organe de transmission. Il comprend une partie
centrale qui sert de support au corps du rotor et un bout d’arbre sur lequel est fixé un demi
accouplement. Il est généralement constitué en acier moulé ou forgé. Son dimensionnement
est fonction des efforts de flexion (force centrifuge qui s’exerce sur lui, attraction magnétique
radiale, etc…), des efforts radiaux et tangentiels dus aux forces centrifuges, des efforts de
torsion (couple électromagnétique transmis en régime permanent, transitoire). Il est supporté
par un ou plusieurs paliers. Ces paliers soutiennent le rotor et assurent la libre rotation. Le
second palier est libre pour assurer les dilatations thermiques de l’arbre. Une isolation
31
Chapitre 2 Modèle multi-enroulement de la MAS à cage
électrique de l’un des paliers assure l’élimination des courants dans l’arbre dû aux
dissymétries des réluctances du circuit magnétique. Ils sont généralement à roulements pour
les machines de petite et moyenne puissance [Ond06].
Afin d’assurer la variation de vitesse des moteurs électriques mais aussi la conversion
de l’énergie, de nombreuses machines se voient associer un convertisseur. Ainsi, de nos jours,
on trouve dans un grand nombre de procédés industriels, des associations entre des
convertisseurs statiques et des machines électriques (pompage, levage,…).
Cela permet de fournir aux moteurs des tensions et des courants de fréquence variable
servant à commander la machine en couple ou en vitesse.
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 mis en jeu.
Pour se 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
les paramètres mesurables apparaissent explicitement et ne nécessitent pas d'outils de calcul
complexes.
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.
Circuit magnétique linéaire (la perméabilité du fer très grande devant 1).
32
Chapitre 2 Modèle multi-enroulement de la MAS à cage
Pertes fer, les effets capacitifs et les effets thermiques sont négligeables.
Avec ces hypothèses et on suppose un stator sain les différents paramètres du modèle
sont comme suit [Ham06].
INDUCTANCES EXPRESSIONS
4 N s2 Rl
0
L'inductance principale d'une phase statorique. Lsp Lms
e p2
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
33
Chapitre 2 Modèle multi-enroulement de la MAS à cage
d
Vabc Rs iabc abc (2.1)
dt
Avec :
T
Vabc Va Vb Vc , vecteur de tensions statoriques.
T
iabc ia ib ic , vecteur de courants statoriques.
T
irk ir 0 iR1 ... irk ... ir ( N r 1) , vecteur de courants dans les mailles rotoriques.
T
abc a b c , vecteur de flux statoriques.
rs O 0
Rs 0 rs 0 (2.3)
0 0 rs
Las Ms Ms
Ls Ms Las Ms (2.4)
Ms Ms Las
[Msr] : matrice des inductances mutuelles entre phases statoriques et mailles rotoriques.
34
Chapitre 2 Modèle multi-enroulement de la MAS à cage
Où : k = 0, 1, 2, …, Nr-1
L'équation de tension pour une maille ' k ' de la cage rotorique est donnée par :
Re Re d
Rbk ir ( k 1) 2 Rbk irk Rbk ir ( k 1) ie rk 0 (2.6)
Nr Nr dt
Avec :
35
Chapitre 2 Modèle multi-enroulement de la MAS à cage
Nr 1
Le Le
rk Lrp 2l b 2 irk M rr irg Lb ir k 1
ir k 1 ie
Nr j 0 Nr
(2.7)
2 4
Lsr cos r ka cos r ka cos r ka iabc
3 3
Il faut 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
irk irk Re Le Le ie 0 (2.8)
Nr k 0 Nr k 0 dt dt
d I d L
V R I L I (2.9)
dt dt
Avec :
T
V Va Vb Vc 0 0 .... 0 0 , vecteur global des tensions (Nr+4), il
contient les trois tensions statoriques et les Nr tensions des mailles rotoriques ainsi que la
tension de l'anneau de court-circuit.
T
I ia ib ic ir 0 ir1 ... irk .... ir ( k 1) ie , vecteur global des courants
(Nr+4), il contient les trois courants statoriques et les Nr courants des mailles rotoriques, ainsi
que le courant de l'anneau de court-circuit.
Rs 0
R ... ... , matrice globale des résistances.
O Rr
Avec :
36
Chapitre 2 Modèle multi-enroulement de la MAS à cage
Re Re
Rb0 Rr(Nr 1) 2 0 Rr(Nr 1)
Nr Nr
Re
Rr(k 1) Rbk Rr(k 1) 2 Rrk
Nr
Rr (2.10)
Re Re
Rr(Nr 1) RR(Nr 2) Rr(Nr 1) 2
Nr Nr
Re Re
Re
Nr Nr
Ls M sr
L , matrice globale des inductances.
M sr Lr
Le Re
Lrp 2Lrb 2 Mrr Lb Mrr Rr(Nr 1)
Nr Nr
Le
Mrr Lb Lrp 2Lrb 2 Mrr Lb Mrr
Nr
Lr (2.11)
Le Re
Rr (Nr 1) Mrr Rr (Nr 1) Lrp 2Lrb 2
Nr Nr
Re Re
Re
Nr Nr
d M sr
0
dt
d L
..... ..... , dérivée de la matrice globale des inductances.
dt
d M sr
0
dt
37
Chapitre 2 Modèle multi-enroulement de la MAS à cage
1
cos( ) sin( )
2
2 1 2 2
P( ) cos( ) sin( ) (2.12)
3 2 3 3
1 4 4
cos( ) sin( )
2 3 3
P 0
T ..... ..... (2.13)
T
O 1
Sachant que :
T
V T Vtr , avec : Vtr Vos Vds Vqs 0 0..... 0 0
T
I T Itr , avec : I tr ios ids iqs ir 0 ir1 ..... irk ..... ir ( Nr 1) ie
3
Vds Vm cos( s r )t
2
Avec : (2.14)
3
Vqs Vm sin( s r )t
2
1 d T I tr d L
T Vtr R T Itr L T I tr (2.15)
dt dt
1 1 dT 1 dL 1 d Itr
Vtr T RT T L T T Itr T LT (2.16)
dt dt dt
A D
¨B C
1
P Rs P 0
1
A T R T ............................. .... (2.17)
O 0
38
Chapitre 2 Modèle multi-enroulement de la MAS à cage
1 d P
P Ls 0
dt
1 d T
B T L ............................. .... (2.18)
dt
T d P
M sr 0
dt
1 d M sr
0 P
dt
1 d T
C T T ............................. ........................... (2.19)
dt
d P T
M sr 0
dt
1 1
P Ls P P M sr
1
D T L T ............................. ........................... (2.20)
T
M sr P Lr
V0 s i0 s i0 s
Vds ids ids
Vqs iqs iqs
0 ir 0 ir 0
0 d ir1 ir1
Ltr Rtr
dt (2.21)
0 ik ik
0 ir ( Nr 1) ir ( Nr 1)
0 ie ie
[Ltr] et [Rtr] sont les matrices globales des inductances et des résistances obtenues
après la transformation de Park.
39
Chapitre 2 Modèle multi-enroulement de la MAS à cage
Ls 2Ms 0 0 0 0 0 0
3 3 3
0 Ls Ms 0 Lsr Lsr cos(a) Lsr cos((Nr 1)a) 0
2 2 2
3 3
0 0 Ls Ms 0 Lsr sin(a) Lsr sin((Nr 1)a) 0
2 2
............ .......... ............ ........ .................. ............. .......... .......................... ...
3 Le Le
0 Lsr 0 Lrp 2Lb 2 Mrr Lb Mrr Mrr Lb
2 Nr Nr
3 3 Le
0 Lsr cos(a) Lsr sin(a) Mrr Lb Lrp 2Lb 2 Mrr Lb Mrr
2 2 Nr
3 3 Le Le
0 Lsr cos((Nr 1)a) Lsr sin((Nr 1)a) Mrr Lb Mrr Mrr Lb Lrp 2Lb 2
2 2 Nr Nr
............ ................... ...................... ............. ...................... .............. .............. ...........................
Le Le
0 0 0 Le
Nr Nr
rs 0 0 0 0 0 0
3 3
0 rs r (Ls Ms 0 r Lsr sin(a) r Lsr sin((Nr 1)a) 0
2 2
3 3 3
0 r (Ls Ms) rs r Lsr r Lsr cos(a) r Lsr cos((Nr 1)a) 0
2 2 2
............ .......... ............ ........ .................. ............. .......... .......................... ...
Re Re
0 0 0 Rb0 RB(Nr 1) 2 Rb0 0 Rb(Nr 1)
Nr Nr
Re
0 Rb(k 1) Rbk RB(k 1) 2 Rbk
Nr
Re Re
0 O 0 Rb(Nr 1) 0 Rb(Nr 2) Rb(Nr 1) RB(Nr 2) 2
Nr Nr
.......... ............... .............. ............. ...................... .............. .............. ...........................
Re Re
0 0 0 Re
Nr Nr
d 1
m (Ce Cr k0 m ) (2.22)
dt J
d
r r (2.23)
dt
40
Chapitre 2 Modèle multi-enroulement de la MAS à cage
1 1
0 dqs P 0 Ls M sr P 0 I 0 dqs
T (2.24)
kr 0 1 M sr Lr 0 1 I kr
1 1
0 dqs
P Ls P P M sr I 0 dqs
(2.25)
kr M sr
T
P Lr I kr
0s ( Ls 2Ms )i0 s
Nr 1
3
ds ( Ls Ms )ids Lsr irk cos(ka ) (2.26)
2 k 0
Nr 1
3
ds ( Ls Ms )iqs Lsr irk sin(ka )
2 k 0
Or, pour un moteur alimenté par une source triphasée, la puissance instantanée s'écrit :
T
Ps (t ) Vacb I abc
T
P V0 dqs P I 0 dqs (2.27)
T
VOdqs I 0 dqs
Les équations de tensions dans un repère lié au rotor sont données par :
d ds
Vds rsids r qs
dt
¨ (2.28)
d qs
Vqs rsiqs r ds
dt
d d qs
Psa (t ) rs (ids2 iqs2 ) ids ds
iqs r ( ds qs i i )
qs ds (2.29)
dt dt
41
Chapitre 2 Modèle multi-enroulement de la MAS à cage
Nr 1 Nr 1
3
Ce PL sr i qs i rk cos(ka ) i ds i rk sin(ka ) (2.31)
2 k 0 k 0
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
(2.3) doit être reconsidéré pour permettre la prise en compte du défaut rotorique dans le
modèle de la machine.
R e Le
,
N r Nr
Ib(k-1) Ibk
Rb(k-1),Lb(k-1) Rbk,Lbk
R e Le Iek
,
N r Nr
R e Le R e Le
, ,
Nr Nr Nr Nr
I b(k-1) I b(k+1)
R e Le R e Le Ie(k+1)
, ,
Nr Nr Nr Nr
42
Chapitre 2 Modèle multi-enroulement de la MAS à cage
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.
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 [Did04].
2.4 - Conclusions
43
CHAPITRE 3
3.1 - Introduction
Nous pouvons étudier l’évolution des grandeurs temporelles tels que les courants, le
couple et la vitesse rotorique lorsque la cage rotorique ne présente aucune défaillance.
45
Chapitre 3 Résultats des simulations.
b. Vitesse de rotation
c. Couple électromagnétique
Fig. 3.1 - Evolution des grandeurs électriques et électromécaniques pour un moteur à l'état sain
chargé par un couple résistant nominal de 1.5 Nm.
46
Chapitre 3 Résultats des simulations.
La mise en charge
La mise en charge
b. Vitesse de rotation
La mise en charge
c. Couple électromagnétique
Fig. 3.2 - Evolution des grandeurs électromécaniques pour un moteur à l'état sain chargé par un
couple résistant nominal de 1.5 Nm à l'instant t = 1 [s].
47
Chapitre 3 Résultats des simulations.
Le courant dans cette barre diminue fortement (Fig.3.3.b, entraînant une surintensité
importante dans les barres adjacentes (Fig.3.3.d).
48
Chapitre 3 Résultats des simulations.
Cassure de la barre 1
Cassure de la barre 1
c. Courants efficaces dans les barres à l'état d. Courants efficaces dans les barres avec
sain une barre cassée
Fig. 3.3 - Evolution des grandeurs électriques pour un moteur avec une barre cassée
49
Chapitre 3 Résultats des simulations.
Cassure de la barre 1
a. Vitesse de rotation
Cassure de la barre 1
b. Couple électromagnétique
Fig. 3.4 - Evolution des grandeurs mécanique et électromécanique pour un moteur avec une
barre cassée
Pour mettre en évidence l’effet de position et de nombre de barres cassées, nous
simulons la rupture de trois barres successives la première à l’instant t = 1 [s] le deuxième
barre à l’instant t = 2 [s], et ensuite d’une troisième barre a l’instant t = 3 [s].
Nous présentons sur les figures suivantes l’évolution temporelle des grandeurs de la
machine lorsque nous passons d’un fonctionnement sain à un fonctionnement défaillant
(cassure de trois barres adjacentes et de trois barres non adjacentes).
50
Chapitre 3 Résultats des simulations.
a. Courants statorique avec cassure des barres a. Courants statorique avec cassure des barres
(1, 2, 3) successivement. (1, 9, 18) successivement.
Cassure de la barre 3
Cassure de la barre 9
e. Courants efficaces dans les barres avec 3 f. Courants efficaces dans les barres avec 3 barres
barres cassées adjacentes. cassées non adjacentes.
Fig. 3.5 - Evolution des grandeurs électriques pour un moteur avec trois barres cassées
51
Chapitre 3 Résultats des simulations.
Cassure de la barre 18
Cassure de la barre 3
Cassure de la barre 9
a. Vitesse de rotation.
Cassure de la barre 9
Cassure de la barre 3
b. Couple électromagnétique.
Fig. 3.6 - Evolution des grandeurs mécanique et électromécanique pour un moteur avec 3 barres
cassées.
L’analyse des figures (3.5) et (3.6) montre que l'influence du défaut sur les
performances du moteur ne dépend pas seulement du nombre de barres cassées, mais aussi
de leurs positions qui joue un rôle important :
Barres espacées électriquement de p /3(rad) : on n'observe pas une grande influence sur
les performances du moteur.
52
Chapitre 3 Résultats des simulations.
Le mauvais cas, est lorsque les barres cassées sont adjacentes et c'est le cas le plus
fréquent en pratique, car en générale l'évolution logique de la dégradation d'une cage
rotorique à partir d'une première rupture de barre est une surintensité dans les barres
adjacentes [Ham06].
On remarque nettement que la durée pour atteindre la vitesse nominale augmente avec
le nombre des barres cassées.
Donc la machine sera soumise sous régime transitoire plus long, ce qui a pour
conséquence une dégradation de isolant et pertes supplémentaires et crier des oscillations
dans les caractéristiques mécaniques de la machine plus la déformation de cette dernière,
comme le montre la figure (Fig.3.8).
53
Chapitre 3 Résultats des simulations.
__ Rotor sain
__ Rotor avec une barre cassée
__ Rotor avec 3 barres cassées
(a)
__ Rotor sain
__ Rotor avec une portion d'anneau cassée
__ Rotor avec 2 portions d'anneaux cassées
(b)
54
Chapitre 3 Résultats des simulations.
La cassure d’une portion d’anneau de court-circuit est un défaut qui apparaît aussi
fréquemment que la cassure de barres. L’effet de la cassure d’une portion d’anneau de court-
circuit sur les différentes grandeurs de la machine est représenté sur les figures suivantes.
c. Courants efficaces dans les barres avec la cassure d. Courants efficaces dans les barres avec la cassure
une portion d'anneau de deux portions d'anneaux
Fig. 3.9 - Evolution des grandeurs électriques pour un moteur avec la cassure d'une et deux portions d'anneaux
55
Chapitre 3 Résultats des simulations.
a. Vitesse de rotation
b. Couple électromagnétique
Fig. 3.10- Evolution des grandeurs électromécaniques pour un moteur avec la cassure d'une et deux
portions d'anneaux
Nous remarquons que le courant statorique dans ce cas présente des ondulations plus
importantes que dans le cas d’une barre cassée (Fig.3.9.a), et de même la vitesse et le couple
(Fig.3.10). On constate donc que ce type de défaut est plus sévère que la cassure d’une barre.
La (Fig.3.9.b) représente l’évolution du courant dans la barre qui se trouve entre deux
portions adjacentes cassées. On remarque que lors de la rupture de la deuxième portion cette
barre ne conduit plus de courant.
Lors de l'apparition de forts courants (démarrages, fort couple,…), les courants dans la
cage augmentent considérablement. Que ce soit dans un moteur sain ou dans un moteur avec
barres cassées, la répartition des courants dans les deux anneaux est identique.
56
Chapitre 3 Résultats des simulations.
Il est donc possible que deux portions d'anneaux, se trouvant en regard de part et
d'autre d'une barre se rompent.
CONCLUSIONS
Dans ce chapitre, on a présenté les résultats de simulation d'un moteur asynchrone
triphasé à cage, pour différents régimes de fonctionnement sain et défaillants.
On a trouvé que la rupture d'une barre provoque des oscillations dans le couple et dans
la vitesse, ainsi qu'une modulation de l'enveloppe du courant statorique, l'amplitude de ces
oscillations augmente avec le nombre et l’emplacement des barres casées et leurs influences
sont traités en détail.
On a remarqué que la durée du régime transitoire augmente avec le défaut de barres, et
constaté aussi que les effets de cassures de barres peuvent être inobservables lorsque la
machine fonctionne à vide ou en faible charge.
On peut voir que les allures des courants statoriques, la vitesse et le couple
électromagnétique ne fournissent pas d’informations fines sur l’état du moteur. Par
conséquent, il est plus judicieux de traiter le signal afin d’en ressortir des données plus
représentatives. Ceci fait l'objet du chapitre suivant.
57
CHAPITRE 4
METHODES DE DIAGNOSTIC
Chapitre 4 Méthodes de diagnostic
4.1 - Introduction
Il est un peu difficile d'analyser directement les résultats précédents pour détecter un
défaut, et tout particulièrement quand il s'agit d’une barre cassée ou portion d'anneau.
Seules des méthodes plus utiles comme l'analyse spectrale des signaux offrent un issu
pour le diagnostic de ce type de défaut.
L’analyse des courants statoriques dans le domaine fréquentiel reste la méthode la plus
couramment utilisée car le spectre résultant contient une source de renseignement sur la
majorité des défauts qui pouvant apparaître au sein d’une machine asynchrone.
L’objectif de cette partie consiste à choisir le meilleur signal pour le traiter entre les
signaux de couple, vitesse et le courant statorique :
Les figures (4.1) et (4.2) représentent respectivement l'analyse spectrale des signaux
de couple, vitesse et le courant statorique en régime permanent dans l'état sain et avec une
barre cassée par la fenêtre de Hamming.
59
Chapitre 4 Méthodes de diagnostic
Fig. 4.1 - l'analyse spectrale des signaux de couple, vitesse et le courant statorique en
régime permanent dans l'état sain
Déformation
Déformation
Fig. 4.2 - l'analyse spectrale des signaux de couple, vitesse et le courant statorique en
régime permanent avec une barre cassée
60
Chapitre 4 Méthodes de diagnostic
(1-2g)fs (1+2g)fs
Fig. 4.4 - Spectre du courant statorique d’un Moteur en charge avec une barre cassée.
D'après les travaux de [Raz02] et [Ham06] chaque type de défaut laisse une signature
sur le spectre du courant statorique qui se traduit par l'apparition des raies latérales autour des
fréquences [(1±2kg) fs].
La figure (4.4) représente le spectre du courant statorique d'un moteur avec une barre
cassée. On voit clairement l'apparition des raies latérales aux fréquences [46.6Hz et 53.4Hz]
et avec des amplitudes de [-30dB et -35dB].
(1-2g)fs (1+2g)fs
(1-4g)fs
(1+4g)fs
Fig. 4.5 - Spectre du courant statorique d’un Moteur en charge avec trois barres adjacentes
cassées.
La figure (4.5) représente le spectre du courant statorique d’un moteur avec trois
barres adjacentes cassées.
61
Chapitre 4 Méthodes de diagnostic
On observe une augmentation de [8 dB] sur la raie (1-2g) fs, et une augmentation de
[6 dB] sur la raie (1+2g) fs. On remarque aussi, l'apparition des raies aux fréquences [43
Hz et 57 Hz] qui correspondent à (1±4g) fs.
On conclu que les amplitudes des raies (1±2kg) fs, ou k est un entier positif, augmente
avec le nombre des barres adjacentes cassées.
Dans le cas ou les avec trois barres cassées symétriquement, les raies (1±2g) fs ont
des amplitudes très faibles (Fig.4.6).
(1-2g)fs
Fig. 4.6 - Spectre du courant statorique d’un Moteur en charge avec trois barres cassées
symétriquement.
(1-2g)fs
(1+2g)fs
(1-4g)fs
(1+4g)fs
Fig. 4.7 - Spectre du courant statorique d’un Moteur en charge avec une portion d’anneau
cassée.
62
Chapitre 4 Méthodes de diagnostic
(1-2g)fs
(1+2g)fs
(1-4g)fs
(1+4g)fs
Fig. 4.8 - Spectre du courant statorique d’un Moteur en charge avec deux portions d’anneau
adjacentes cassées.
L’observation des figures (4.7), (4.8) montre que les cassures des portions d'anneaux
de court-circuit, font apparaître des composantes aux fréquences (1±2kg)fs.
Donc, ce type de défaut se manifeste de la même façon que les défauts de barres
rotoriques. Ce type de défaut est plus sévère que celui dû aux cassures de barres.
Etat sain / / / / / /
3barres
-27.34 -32.65 -43.80 -40.80 -51.78 /
adjacentes cassées
3barres espacées
-39.98 -44.42 / / / /
cassées
1 portion
-21 -25.75 -33.75 -4680 -49.14 -54.74
d’anneau cassée
2 portions
d’anneaux -20.54 -27.72 -36.81 -46.82 -49.75 -56.19
adjacentes cassées
Tableau 4.1 – Amplitude des composantes (1±2kg)fs, pour différents défauts
63
Chapitre 4 Méthodes de diagnostic
Sp(t)
Processus
Expérimental
Entrée e(t) + (t)
_
Sm(t)
Modèle
Nominal
Identification
La détection de défaillance est réalisée par le suivi de l'erreur de sortie (t) (méthode
des résidus) ou par la mise en évidence d'un écart entre le modèle (qui s'éloigne alors de la
physique du phénomène) et le processus réel.
Dans le second cas, l'erreur de sortie peut être minimisée en modifiant les paramètres
structurées du modèle.
De cette manière les paramètres inhérents au système sont identifiés et suivis même en
cas de défaillance. Le modèle adapté donne alors une signature du mode de fonctionnement.
64
Chapitre 4 Méthodes de diagnostic
Les réseaux de neurones sont des êtres mathématiques, capables de générer des
modèles comportementaux à partir des données entrées-sorties des systèmes dynamiques.
Dernièrement, les réseaux de neurones ont connu une utilisation large en ce qui
concerne la modélisation, la commande et la surveillance des systèmes industriels.
Un réseau de neurone est un ensemble de neurones reliés entre eux avec une topologie
spécifique d’interconnexions et une loi appropriée d’apprentissage pour adapter les poids de
connexions.
D’une manière générale, la structure des connexions entre les neurones d’un réseau
peut aller d’une connectivité totale où tous les neurones sont reliés les uns aux autres, à une
connectivité locale où les neurones ne sont connectés qu’à leurs proches voisins.
Une autre structure de connexions est celle des réseaux multicouches, constitués d’une
couche d’entrée, d’une couche de sortie et d’une ou de plusieurs couches internes, appelées
aussi couches cachées. Dans cette structure, les neurones qui appartiennent à une même
couche ne sont pas connectés entre eux. Chacune des couches reçoit des signaux de la couche
précédente et transmet le résultat de ses traitements à la couche suivante. Selon le type de
connexions, on distingue deux catégories de réseau de neurone : les réseaux statiques et les
réseaux dynamiques.
a - Réseaux statiques
Dans les réseaux statiques, dits aussi réseaux non récurrents, lorsqu’une entrée est
présentée au réseau, la réponse de ce dernier est calculée instantanément, après la traversée de
ses couches de l’entrée vers la sortie, dans un sens unique. La sortie de n’importe quel
neurone, d’un réseau statique, ne peut pas être appliquée directement sur son entrée ni
65
Chapitre 4 Méthodes de diagnostic
indirectement à travers d’autres neurones. Le modèle le plus utilisé des réseaux statiques est
celui des réseaux multicouches, appelés aussi réseaux MLP.
La figure 4.10 présente un exemple des réseaux MLP statiques. Il est constitué d’une
couche d’entrée, d’une couche de sortie et de plusieurs couches cachées. Par conception,
chaque neurone de la couche l est connecté à tous les neurones de la couche l+1 [Hem05].
b - Réseaux dynamiques
Dans un réseau dynamique, appelé aussi réseau récurrent, chaque neurone peut
recevoir des informations de tous les autres neurones et leur envoi lui-même des signaux.
Nous trouvons, dans la littérature des réseaux de neurones, plusieurs types de réseaux
dynamiques.
Citons, à titre d’exemples les réseaux de Hopfield, les cartes de Kohonen, les réseaux
avec retour d’état et les réseaux avec retour de sortie. La figure 4.11 présente la structure d’un
réseau dynamique avec retour de sortie [Hem05].
66
Chapitre 4 Méthodes de diagnostic
D’une manière générale, un réseau de neurones est doté des propriétés suivantes:
67
Chapitre 4 Méthodes de diagnostic
L'apprentissage est une phase très importante pour le déploiement d'un réseau de
neurone durant laquelle le comportement du réseau est modifié jusqu'à l'obtention du
comportement désiré.
Généralement, les variables modifiées pendant l'apprentissage sont les poids des
connexions. L’apprentissage adopté n’est, donc, que la modification des poids du réseau pour
accorder sa réponse aux échantillons et à l'expérience.
Il s'agit d'une méthode d'apprentissage supervisé, fondée sur la modification des poids
du réseau dans le sens contraire à celui du gradient de l'erreur par rapport à ces poids.
L’objectif de la méthode de la rétropropagation est d’adapter les poids synaptiques de façon à
minimiser la valeur moyenne de l’erreur sur l’ensemble d’entraînements [Hem05].
Avant de mettre en oeuvre ces étapes, nous allons développer le modèle neuronal
utilisé pour l'identification de la machine.
Cette difficulté est la puissance de l'outil logiciel utilisé pour la modélisation d'une part
et à la complexité d'autre part.
68
Chapitre 4 Méthodes de diagnostic
Dans notre RNA nous avons utilisé les variables {le courant statorique (Is), le couple
électromagnétique (Ce) et la vitesse de rotation (Wr)} qui sont utilisées car elles sont les plus
représentative des défauts (leurs allures varient considérablement en cas d'application d'un
défaut).
D'autre part, leurs mesures sont accessibles par des capteurs qui fournissent leurs
grandeurs physiques.
Le modèle neuronal de la machine asynchrone est donné par la figure 4.12 suivante :
Is Iss
Ce Ces
Wr Wrs
69
Chapitre 4 Méthodes de diagnostic
D’abord, il fait le chargement de deux fichiers de données (.mat), l’un pour les valeurs
d’entrées et l’autre pour les valeurs de sorties (désirées).
Après avoir charger les entrées et les sorties, on créent un réseau de neurones à trois
couches (couche d’entrée, couche de sortie et deux couches cachées), en utilisant la fonction
Matlab ‘newff’ .
Une fois que le réseau de neurone est construit et que leur apprentissage a atteint des
performances satisfaisantes, en utilisant la fonction de Matlab ‘train’, et simulé les résultats
on fait appel à la fonction ‘sim’ de Matlab, on passe à l'étape de comparaison entre les
résultats de simulation et la sortie du réseau de neurone, ceci nous permet d’observer les
erreurs correspondantes. (Des aspects supplémentaires sur cette technique dans l'annexe B).
Pour que les tests du réseau de neurone sur l’exemple qui appartenait à la base
d'apprentissage du réseau de neurone donne de meilleurs résultats, on doit chercher les
meilleurs paramètres pour le RNA, afin d'avoir obtenu des résultats plus proches que ceux
du modèle mathématique (réels).
Pour cela on va faire des choix arbitraires sur les neurones, et sur le nombre de
couches cachées.
Cela peut être expliqué par les résultats obtenus dans la phase d'apprentissage de deux
réseaux de neurone (RNA1 et RNA2), le premier a une seule couche cachée dont le nombre
des neurones est six et le deuxième a deux couches cachées six dans la première couche
cachée et huit dans la deuxième comme montre les figures 4.13 et 4.14 respectivement.
D’après les résultats obtenus (figures 4.13 et 4.14), on remarque que pour la même
valeur d'erreur quadratique moyenne (10-9) les deux réseaux étudiés sont très différents par
rapport au temps d'apprentissage ; ce qui veut dire que la meilleure architecture qui atteint la
performance désiré à la phase d’apprentissage dans un court temps est la deuxième.
0
10
-2
10
Training-Blue Goal-Black
-4
10
-6
10
-8
10
-10
10
0 10 20 30 40 50
56 Epochs
0
10
-2
10
Training-Blue Goal-Black
-4
10
-6
10
-8
10
-10
10
0 5 10 15 20 25 30 35 40
43 Epochs
71
Chapitre 4 Méthodes de diagnostic
b. Couple électromagnétique
e. L'erreur du couple
72
Chapitre 4 Méthodes de diagnostic
Les résidus générés dans le cas où la machine est défaillante, au niveau du rotor, sont
donnés par les figures (4.16), (4.17), (4.18) et (4.19) qui représentent les résidus générés dans
le cas d'une barre cassée, trois barres cassées, cassure d'une portion d'anneau et cassure de
deux portions d'anneau respectivement.
On voit que les allures des résidus commencent d'une valeur proche de zéro, puis
augmentent brusquement à l'instant 2 s avec des fluctuations permanentes.
73
Chapitre 4 Méthodes de diagnostic
Fig. 4.16 - Résidus générés dans le cas d'une Fig. 4.17 - Résidus générés dans le cas de trois
barre cassée barres cassées
74
Chapitre 4 Méthodes de diagnostic
Fig. 4.18 - Résidus générés dans le cas de Fig. 4.19 - Résidus générés dans le cas de cassure
cassure d'une portion d'anneau de deux portions d'anneau
75
Chapitre 4 Méthodes de diagnostic
Pour la localisation des défauts on se limite à analyser les résidus le tableau 4.2 qui
résume l'influence des défauts sur chaque résidu
L’état du moteur r1 r2 r3
3barres adjacentes
< 0.206 < 0.105 < 17.4
cassées
1 portion d’anneau
< 0. 300 < 0.188 < 28.8
cassée
2 portions d’anneaux
< 0.330 < 0.212 < 34.5
adjacents cassés
On observe que pour un fonctionnement normal { r1< 0.009 , r2< 0.006 et r3< 0.2 }, et
pour un défaut d'une barre cassée { r1< 0.060 , r2< 0.027 et r3< 4.0 }et comme ça quand le
dégât de défaut augmente les amplitudes des résidus augmentent aussi.
Donc on peut mettre des marges limitent chaque type de défaut étudié.
On peut aussi utiliser la valeur efficace (RMS Root Mean Square) pour chaque résidu
comme signal détecteur de défaut comme le montre les figures (4.20), (4.21), (4.22) et (4.23)
qui représentent les RMS des résidus générés dans le cas d'une barre cassée, trois barres
cassées, cassure d'une portion d'anneau et cassure de deux portions d'anneau respectivement.
Les indices (a) (b) et (c) pour les grandeurs courant statorique, le couple électromagnétique et
la vitesse de rotation respectivement.
1 t T
RMS I (t ) 2 dt (4.1)
T t
76
Chapitre 4 Méthodes de diagnostic
(a) (a)
(b) (b)
(c) (c)
Fig. 4.20 - RMS des résidus générés dans le Fig. 4.21 - RMS des résidus générés dans le cas de
cas d'une barre cassée trois barres cassées
77
Chapitre 4 Méthodes de diagnostic
(a) (a)
(b) (b)
(c) (c)
Fig. 4.22 - RMS des résidus générés dans le Fig. 4.23 - RMS des résidus générés dans le cas de
cas de cassure d'une portion d'anneau cassure de deux portions d'anneau
78
Chapitre 4 Méthodes de diagnostic
Par l'analyse des RMS des résidus on peut rassembler les informations dans le tableau
4.3 qui résume l'influence des défauts sur chaque résidu
L’état du moteur a b c
Etat sain 0 0 0
3barres adjacentes
< 0.1 < 0.07 < 11
cassées
1 portion d’anneau
< 0. 15 < 0.12 < 18
cassée
2 portions d’anneaux
< 0.17 < 0.13 < 21
adjacents cassés
Tableau 4.3 – l’amplitude des RMS des résidus pour les déférents défauts
Dans cette méthode, la logique floue est utilisée pour prendre des décisions sur l’état
de moteur sain ou avec défaut.
Le système flou est basé sur la connaissance expérimentale sur les règles et fonctions
d'appartenances, qui décrivent le comportement de moteur. Le modèle multi enroulement est
utilisé pour générer des données virtuelles qui soutiennent la construction de la composition et
les fonctions donne la possibilité de test en ligne du système proposé.
La mise en page a été mise en œuvre dans MATLAB / Simulink, à la fois des données
provenant d'un moteur (programme de simulation).
79
Chapitre 4 Méthodes de diagnostic
Source
MAS
triphasée
A/D
Calcule
des
RMS
Le système
d'inférence
flou
Dans cette disposition, les RMS des courants statoriques sont considérés comme des
variables d'entrées du système flou et l'état du moteur est choisi comme variable de sortie
[Fel98].
4.4.1 – Les fonctions d'appartenances
L'état du moteur peut être connu par l'observation des RMS des courants. Par
conséquent, les données numériques sont représentées comme des informations linguistiques.
Ainsi, les amplitudes des RMS (3 entrées "Ia, Ib, Ic") et l'état du moteur (1 sortie
"SF"), sont classées en utilisant six variables linguistiques, ce qui donne six catégories sont:
très petites (TP), petit (P), moyen (M), moyen grand (MG), grand (G) et très grand (TG).
En autres termes et en utilisant la théorie logique floue, les trois entrées et la sortie du
système sont définis comme:
Entrées:
Ia Ia (iaj ) / iaj Ia (4.2)
Sortie:
SF SF ( sf j ) / sf j SF (4.5)
80
Chapitre 4 Méthodes de diagnostic
Les iaj, ibj, icj et sf sont les éléments de l'univers discret de discours, Ia, Ib, Ic et SF
sont l'univers de discours, Ia , Ib , Ic et SF sont les fonction d'appartenances qui
correspond.
Les variables des fonctions d'appartenances d'entrée et de sortie sont construits par
l'analyse des données générées par le modèle multi enroulement dans les différents cas.
On défini TP, P, M, MG, G et TG qui correspondre aux termes linguistiques très petit,
petit, moyenne, moyenne grand, grand, très grand pour chaque variable dans les différents
fonctions d'appartenances, on utilisant pour les trois variables d'entré les fonctions
triangulaire, trapézoïdal comme montre la figure 4.25, et la fonction trapézoïdal seulement
pour le variable de sortie comme montre la figure 4.26.
81
Chapitre 4 Méthodes de diagnostic
La conception des règles dans notre cas est basée sur la compréhension de l'expert.
On rappelle que notre système est symétrique, cela revient à dire que les trois courants
ont les mêmes valeurs efficaces (avec une tolérance).
82
Chapitre 4 Méthodes de diagnostic
Les tests ont été effectués avec le moteur en état sain et avec défauts, et on va faire ces
testes avec une charge de 1.5 Nm et l'injection des différents défauts à la troisième seconde.
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
2 2.5 3 3.5 4 4.5 5 5.5 6
temps[s]
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
2 2.5 3 3.5 4 4.5 5 5.5 6
temps[s]
Fig. 4.29 – Sortie du système flou pour un défaut de cassure une barre
83
Chapitre 4 Méthodes de diagnostic
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
2 2.5 3 3.5 4 4.5 5 5.5 6
temps[s]
Fig. 4.30 – Sortie du système flou pour un défaut de cassure trios barres
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
2 2.5 3 3.5 4 4.5 5 5.5 6
temps[s]
Fig. 4.31 – Sortie du système flou pour un défaut de cassure d'une portion d'anneau
84
Chapitre 4 Méthodes de diagnostic
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
2 2.5 3 3.5 4 4.5 5 5.5 6
temps[s]
Fig. 4.32 – Sortie du système flou pour un défaut de cassure deux portions d'anneau
Temps de
L’état du moteur La sortie
repense
3barres adjacentes
0.6 = 0.40 s
cassées
1 portion d’anneau
0.5 = 0.40 s
cassée
2 portions d’anneaux
> 0.9 = 0.40 s
adjacents cassés
Tableau 4.4 – Amplitude des RMS des résidus les déférents défauts
85
Chapitre 4 Méthodes de diagnostic
4.5 - Comparaisons
Notre travail, loin d’être achever, porte principalement sur le diagnostic de la cassure
d’une ou plusieurs barres ou anneaux dans la cage d’une MAS.
L'analyse des courants statoriques dans le domaine fréquentiel reste la méthode la plus
couramment utilisée car le spectre résultant contient une source de renseignement sur la
majorité des défauts électriques et magnétiques pouvant apparaître au sein d'une machine
asynchrone. Nous savons que le suivi de l'amplitude des composantes caractéristiques de
fréquence fs (1 2 gk dans le spectre du courant permet de se renseigner sur l'état de la cage
rotorique. Cette technique est dénommée dans la littérature "Motor Current Signature
Analysis" (MCSA). Les défauts de la machine asynchrone se traduisent dans le spectre du
courant statorique soit par :
Les raies spectrales qui apparaissent avec des fréquences qui sont directement
liées à la vitesse de rotation de la machine, aux vitesses des champs tournants et aux
paramètres physiques de la machine.
Les raies spectrales ont une modification de leurs amplitudes, dans le spectre du
courant.
Le technicien de la surveillance doit avoir une bonne connaissance des défauts et leurs
signatures à partir du courant statorique.
A l’issue de ce quatrième chapitre, nous donnons le tableau 4.5 récapitulatif, dans lequel
on trouve les différents résultats des défauts rotoriques étudiés par les 03 techniques.
Cet avantage est dû principalement à la simplicité d’analysé les résidus générer pour le
système flou ou les réseaux de neurones.
Le point commun entre les trios techniques est l’utilisation du courants statorique
comme une source d’information, on rajoute dans le cas des réseaux de neurones deux
grandeurs (couple électromagnétique et vitesse de rotation) pour un meilleur apprentissage et
plus de précision.
L’inconvénient de cette technique (RNA) est le nombre des capteurs utilisés par
conséquence le cout deviens important dans l’implémentation pratique.
86
Chapitre 4 Méthodes de diagnostic
La technique de la logique floue qui nous donne des bons résultats et elle demande une
base de données riche sur les différents comportements de la machine dans les différents
régimes.
Techniques
utilisées MCSA RNA LF
Etat
du moteur
- Augmentation sévère
2 portions Augmentation sévère
sur la raie (1±2g) fs Sortie du système flou
d’anneaux des résidus
- Augmentation sévère (> 0. 9)
adjacentes cassées sévère des raies aux r1< 0.33, r2< 0.21 et r3< 35
(1±4g) fs
87
Chapitre 4 Méthodes de diagnostic
4.6 - Conclusions
Dans ce chapitre nous avons étudié utilisant trois modèles différents de diagnostic,
l'analyse spectrale du courant, les réseaux des neurones et la logique floue.
D’après les résultats de la simulation nous avons trouvé que ces harmoniques,
augmentent avec le nombre de barres et de portions d’anneaux cassées, et dépendent aussi de
leurs mutuelles positions.
Dans la méthode des réseaux des neurones nous avons un algorithme neuronal
intelligent pour le diagnostique de la machine asynchrone, précisément la détection des
défauts rotoriques par la génération des résidus.
Et nous avons terminé par la méthode de la logique floue qui utilise les RMS des
courants statoriques comme des variables d'entrée du système flou et l'état du moteur est
choisi comme variable de sortie, basant sur le travail de [Fel98].
Les résultats obtenus par ces trois méthodes on été jugés satisfaisants
comparativement à ce qui a été trouvé jusqu'a nos jours par validation avec les travaux de
[Lay07] ,[Fel98].
88
CONCLUSIONS GENERALES ET PERSPECTIVES
Conclusions générales et perspectives
Au début de ce travail, nous avons rappelé les différents défauts qui peuvent affectés le
bon fonctionnement de la machine asynchrone triphasée à cage, ainsi que ses origines. Puis,
nous avons présenté un état de l’art des différentes techniques de surveillance des machines
asynchrones.
Dans le quatrième chapitre nous avons traité quelques techniques utiliser récemment
dans le diagnostique, commencent par la transformée de Fourier rapide (FFT) (Fast Fourier
Transform) est exploitée pour l’étude et l’analyse spectrale du courant statorique et par
conséquent de déterminer les composantes (1±2kg) fs caractérisant les défauts rotoriques.
Par la suite, nous avons proposé une méthode de diagnostic à base du réseau de
neurones. Le choix du modèle neuronal est déterminé après plusieurs essais effectué, puis
nous avons utilisé le modèle neuronal pour simuler le comportement d'un moteur à l'état sain.
88
En suite la génération des résidus par la comparaison des résultats de model neuronal
par celui des models défaillants de la machine asynchrone.
1. Utiliser les capteurs & l’analyseur de spectre pour plus de validation des
résultats obtenus.
89
Bibliographie
Bibliographie
[Bac02] S. Bachir « Contribution au diagnostic de la machine asynchrone par estimation
paramétrique ». Thèse de doctorat, Université de Poitiers, 2002.
[Bou01] T. Boumegora « Recherche des signatures électromagnétiques des défauts dans une
machine asynchrone et synthèse d’observateurs en vue du diagnostic ». Thèse de doctorat,
Ecole centrale de Lyon, 2001.
[Cas03] R. Casimir «Diagnostic des défauts des machines asynchrones par reconnaissance
des formes ». Thèse de doctorat, Ecole centrale de Lyon, 2003.
[Chr01] C. Christophe « Surveillance des systèmes non linéaires Application aux machines
électriques ». Doctorat de L'Université des Sciences et Technologies de Lille, 16 novembre
2001.
91
Annexe B Survol sur Réseaux de neurones
1- Introduction
Lors de l’émergence d’une nouvelle technique, l’ingénieur se demande naturellement
en quoi elle peut lui être utile. Si elle est dotée d’un nom plus métaphorique que scientifique
ce qui est évidemment le cas pour les réseaux de neurones, la réponse à cette question doit
être particulièrement précise et motivée. C’est la raison pour laquelle ce travail est consacré à
un exposé des arguments théoriques et pratiques qui justifient l’utilisation des réseaux de
neurones.
La mise en oeuvre des réseaux de neurones est généralement simple ; la tentation peut
être grande d’appliquer cette technique d’une manière irréfléchie ou inadaptée, ce qui ne peut
conduire qu’à des déceptions. Voilà pourquoi on ne cherchera pas à expliquer en détail, dans
ce chapitre, comment on met en oeuvre les réseaux de neurones, Mais plutôt pourquoi ils
peuvent être mis en oeuvre de préférence à d’autres outils, et Dans quel but.
Et dans ce qui suit on donne un brève historique sur les réseaux de neurones :
En 1949, D. Hebb présente dans son ouvrage "The Organization of Behavior" une
règle d'apprentissage. De nombreux modèles de réseaux aujourd'hui s'inspirent encore de la
règle de Hebb.
92
Annexe B Survol sur Réseaux de neurones
C'est en 1982 que J. Hopfield présente son étude d'un réseau complètement rebouclé,
dont il analyse la dynamique.
Aujourd'hui, les réseaux neuronaux sont utilisés dans de nombreux domaines (entre
autres, vie artificielle et intelligence artificielle) à cause de leur propriété en particulier, leur
capacité d'apprentissage, et qu'ils soient des systèmes dynamiques.
2- Le neurone biologique
L’homme est certainement la machine la plus complexe et la plus fascinante qui a été
crée à ce jour. Bien des scientifiques ont voulu percer son fonctionnement sans y parvenir.
C’est dans les années 1940, que deux scientifiques ont eu l’idée de copier le fonctionnement
du système nerveux, le connexionnisme était né. Ils créèrent le premier neurone artificiel.
a) Soma
Le soma possède un noyau qui contient l’information génétique de l’organisme dont le
neurone est issu, et un cytoplasme qui contient « la machinerie de synthèse » des protéines
constitutives ou régénératrices de ces neurones (membrane et squelette cytosquelette – de la
cellule, mais aussi neurotransmetteurs, …). Diamètre de la cellule : 0.01 - 0.05 mm, (Figure
93
Annexe B Survol sur Réseaux de neurones
b) Axone
Unique aux cellules nerveuses, diamètre : 1-25 mm (humain), 1 mm (poulpe),
longueur : 1 mm to 1 m. (!!!), connexion vers les autres neurones (synapses), permet la
transmission d'information.
c) Dendrites
Reçoivent les signaux des autres neurones, chacune couverte de centaines de synapses.
2.2.- Le cerveau.
Le cerveau humain est composé de trois couches qui sont successives : Le cerveau
reptilien qui est la couche la plus ancienne, gère le niveau le plus instinct. L’hippocampe (ou
cerveau archaïque) est le siège de l’émotivité et de la sensibilité. Le cortex (couche la plus
récente) est propre aux mammifères, c’est le siège du raisonnement et de la pensée
conceptuelle. Le cerveau peut aussi être décomposé en un certain nombre de régions, tant sur
le plan morphologique que fonctionnel. Si la plupart des fonctions sont réparties de manière
symétrique sur les deux hémisphères du cerveau, un certain nombre de fonctions « de haut
niveau » ne sont en fait affectées qu'à un seul hémisphère. Il est aussi important de noter que
plusieurs types de neurones peuvent exister au niveau du cortex (pyramidaux, stellaires, en
panier, ...) et sont structurés à la fois horizontalement et verticalement.
La notion de Population de Neurones définie par Hebb a permis de décrire une sorte
de Coopération entre neurones. Chacun des neurones de cette population est nécessaire pour
maintenir l’activation des autres. On retrouve l’opposé de cette notion pour décrire des
neurones ayant un fonctionnement concurrentiel. Lorsque dans un ensemble de neurones
94
Annexe B Survol sur Réseaux de neurones
Le cerveau n’est donc pas composé d’un seul type de neurones mais au contraire de
plusieurs types de neurones avec des topologies et des ensembles de connexions variés en
relation avec la fonction du neurone (ouïe, vue, mémoire, ...).
a) Structure.
Un neurone formel est la représentation mathématique d’un neurone biologique. Il
comporte une arborisation dendritique en contact synaptique avec d’autres neurones.
L’envoi d’un potentiel d’action par un de ces neurones se présente par le signal xi. Il
provoque une modification du potentiel de membrane d’amplitude wi*xi, wi représentant «
l’efficacité synaptique ». On considère que le signal d’entré du neurone est la combinaison
linéaire des wi*xi (on place souvent une entrée supplémentaire pour représenter le seuil
d’activation membranaire, caractérisée par un signal constant et un poids figurant le seuil).
La sortie (potentiel émis dans l’axone) est assimilée à une fonction de l’entrée (somme
des wi*xi), souvent de type sigmoïde. Figure. (B.2)
95
Annexe B Survol sur Réseaux de neurones
A partir de cette valeur, une fonction de transfert calcule la valeur de l'état du neurone.
C'est cette valeur qui sera transmise aux neurones avals.
X X X
-1 -1
1 1
1
X X
-1 -1 X
-1
Nous constatons que les équations décrivant le comportement des neurones artificiels
n'introduisent pas la notion de temps. En effet, et c'est le cas pour la plupart des modèles
actuels de réseaux de neurones, nous avons affaire à des modèles à temps discret, synchrone,
dont le comportement des composants ne varie pas dans le temps.
96
Annexe B Survol sur Réseaux de neurones
Par analogie à la biologie, on peut dire que les connexions représentent l'axone et les
différentes dendrites qui relient le neurone aux autres neurones. La particularité de la
connexion est d'être pondérée. On simule ainsi la relation entre les neurones, c'est à dire
l'influence de l'activation (désactivation) d'un neurone sur un autre. Dans la majorité des cas,
les connexions servent à calculer l'entrée du neurone tandis que les fonctions d'activation
détermineront la sortie.
Les RNA, nés il y a environs une soixantaine d’années, ont évolués jusqu’à
aujourd’hui. Leurs évolutions n’ont pas toujours été d’actualité car les premiers RNA ne
peuvent pas exécuter de fonction XOR, mais seul quelques scientifiques tels que Aderson,
Albus, Kohonen et W.Willsha. y ont cru. Kohonen développa le SOM, qui est une carte auto
organisatrice.
C’est dans les années 80 que les RNA revinrent « au goût du jour » grâce à ALBUS et
surtout à Kohonen.
Principe
- Graphe orienté : interconnexion d'éléments simples (Les neurones).
- échange d'information via les connexions.
- Calcul distribué et coopératif.
Utilisation :
- système de décision.
- approximation de fonctions.
- résolution de problèmes.
- mémorisation et compression.
Avantages :
- Tolérance par rapport aux fautes (élimination d'un neurone...).
- Apprentissage automatique des poids.
- Capacité de généralisation.
Inconvénients :
- Représentation complexe.
- Paramètres difficiles à interpréter physiquement (boite noire).
97
Annexe B Survol sur Réseaux de neurones
Architecture
Les unités cachées réalisent une transformation non linéaire des entrées. Dans un
espace où une séparation/régression linéaire devient possible, cette solution linéaire étant
réalisée par la dernière couche de poids du réseau (Assimilable à un Perceptron monocouche).
Dans le cadre de la classification supervisée : réalisation d'une projection Discriminante non
linéaire généralisant le modèle de Fisher, Chaque unité cachée peut être interprétée
grossièrement comme un facteur discriminant non linéaire. (Figure B-4)
Sortie
Transformation
linéaire
classes
Transformation
non-linéaire Couche
Entrées
98
Annexe B Survol sur Réseaux de neurones
Approximateur universel
p p
y K (x ) W jk j (x ) W 0K W jk j (x ) (Avec 0(x)=1)……..……(A2-2)
j 1 j 1
Les poids de connexion sont des paramètres à adapter (en plus des paramètres des j)
lors de la phase d'apprentissage, afin que les sorties du réseau soient proches des sorties
désirées.
Entrées
99
Annexe B Survol sur Réseaux de neurones
Approximateur universel :
Comme un MLP, un réseau RBF (muni de suffisamment d'unités cachées) est capable
d'approcher toute fonction entrée-sortie.Il est apte à modéliser un classificateur bayésien.
(Même rôle joué par les unités cachées que celles d'un MLP).
Les LVQ (pour "Learning Vector Quantization") sont un cas particulier des SOM, où
seul le noeud ayant la meilleure corrélation est adapté. On parle, pour ce type de réseau où
seul le "vainqueur" est sélectionné, de réseaux à compétition.
100
Annexe B Survol sur Réseaux de neurones
c) Les ART
Les réseaux ART (pour "Adaptative Resonnance Theorie") sont des réseaux à
apprentissage par compétition. Le problème majeur qu'il se pose dans ce type de réseaux est le
dilemme « stabilité/plasticité ». En effet, dans un apprentissage par compétition, rien ne
garantit que les catégories formées vont rester stables.
2.5-. L’apprentissage.
L’un des grands attraits des réseaux de neurone est en effet leur faculté
d’apprentissage .le besoin d’apprentissage se manifeste lorsque l’information que possède un
réseau de neurone Est représentée dans les poids de connexions entre les neurones
l’apprentissage consiste donc à ajuster des poids de telles façons que le réseau présente
certains comportement désirés .mathématiquement l’apprentissage est définit par :
W
0
t
101
Annexe B Survol sur Réseaux de neurones
Remarque : suite a notre choix d’utiliser les deux types de réseaux de neurones MLP
et RBF nous allons étudier brièvement leurs deux algorithmes.
ni
L 1
y K (x ) F w ikl 1 y il ( x ) ………………………………………………..………
i 1
…(A2-3)
l
Avec y i
= sortie de la i ém e
unité de la couche l
Et K ém e unité de la couche (l 1)
L’erreur calculée en sortie, est "rétro propagée" jusqu'aux unités d’entrées, avec
modification des poids en commençant par la dernière couche.
K
Couche l+1
E
W L1 wikl
ik wikl
Couche l
102
Annexe B Survol sur Réseaux de neurones
- Chaque cluster représenté par une unité RBF (centre et rayon, ou Matrice var.
/covar.) Dans le cas de la classification : il est conseillé d'effectuer le processus de clustering
par classe (pour garantir une bonne représentation de Chaque classe).
(Couche de Sortie) par minimisation du critère des moindres carrés (calcul de Matrice
pseudo inverse, cf. régression linéaire multiple). Dans le cadre de la classification, possibilité
d'appliquer le modèle de Régression logistique en sortie.
103
Annexe B Survol sur Réseaux de neurones
104
Annexe C Survol sur logique floue
Les recherches et les applications concernant la logique floue datent de plus d’une
trentaine d’années. Elle a été introduite pour la première fois par Lotfi.A.Zadeh (professeur à
l’université de Californie à Berkeley), internationalement connu pour ses travaux en
automatique et théorie des systèmes, qui a éprouvé le besoin de formaliser la présentation et le
traitement des connaissances imprécises ou approximatives, afin de pouvoir traiter des
systèmes de grandes complexités.
La logique floue est considérée comme un outil de plus, ajouté à la panoplie des outils
traditionnellement disponibles (logique classique, automatique, recherche opérationnelle,
…etc.). Elle ne doit être considérée à priori comme devant apporter une solution à la
réalisation de toute application, mais il convient de se demander si la réalisation à effectuer
présente des caractéristiques telles que la logique floue soit intéressante.
Les connaissances concernant le système à réaliser sont imparfaites, c’est à dire que
certaines d’entre elles sont soumises à des imprécisions, éventuellement à des
incertitudes. Par exemple, des données sont fournies par des instruments d’observation
dont la précision n’est pas absolue.
Certaines des connaissances sont exprimées avec des termes du langage naturel, par un
expert ou un observateur humain. Le traitement simultané de connaissances numériques
et symboliques sur les mêmes variables n’est réalisable de façon simple que dans le
cadre de la logique floue.
105
Annexe C Survol sur logique floue
Il existe des classes aux limites mal définies, dont les frontières ne peuvent pas être
indiquées précisément ou des catégories mal séparées qui se chevauchent partiellement.
Une grande flexibilité est recherchée, soit dans la précision de la présentation afin de
s’adapter aux conditions d’observation, soit dans l’adaptation aux conditions
d’utilisation du système réalisé.
Il n’existe pas de modèle rigoureux du problème que l’on traite ou il est d’une très
grande complexité.
Notre façon naturelle de l’aborder passe par une vue globale de certains de ses aspects.
En effet, certain cas demandent un simple raisonnement humain sans avoir aucun
modèle mathématique à l’esprit, alors que l’utilisation d’un modèle mathématique serait
trop lourde.
Pour mettre au profit cet outil (la logique floue), il a fallu introduire une nouvelle
théorie capable de compléter l’insuffisance de la logique classique (standard). Cette théorie
doit être en mesure de traiter la partie vague de nos perceptions et d’utiliser un processus de
raisonnement baser sur un langage naturel.
Le concept de sous ensembles flous à été introduit pour éviter les passages brusques
d’une classe à une autre (ex : de la classe noire à la classe blanche) et d’autoriser des élément
à n’appartenir complètement ni à l’une ni à l’autre (à être gris par exemple), ou encore à
appartenir partiellement à chacune (avec un fort degré à la classe noire et un faible degré à la
classe blanche dans le cas du gris foncé).
106
Annexe C Survol sur logique floue
Un ensemble classique est un ensemble dont les limites sont bien définies. La notation
classique qui désigne l’inclusion d’un sous ensemble ‘A’ dans un ensemble X est : A X
On peut reformuler cette notation en utilisant une fonction caractéristique, soit A(x)
cette fonction:
1 pour x A
A(x) =
0 pour x A
Comme exemple, on peut prendre la figure C-1 qui schématise un ensemble classique.
A(x)
x
A
X
Un sous-ensemble flou A de X est défini par une fonction d’appartenance qui associe
à chaque élément x de X, le degré fA(x), compris entre 0 et 1, avec lequel x appartient à A.
107
Annexe C Survol sur logique floue
Dans le cas particulier où fA(x) ne prend que des valeurs égales à 0 ou 1, le sous-
ensemble A est un sous-ensemble classique de X. Donc un sous-ensemble classique est un cas
particulier de sous-ensemble flou.
La figure c-2 représente quelques formes que peut prendre une fonction d’appartenance
fA(x) [6].
fA(x) fA(x) fA(x)
1 1 1
x x x
fA(x) fA(x)
1 1
x x
Ex1 :
Soit A un sous ensemble flou d’élément x ;
Soit Prop(A) = « de la région oranaise » ;
x représente une ville de la région oranaise.
Il est claire que plus la distance d’une ville à Oran augmente plus elle n’appartient pas
à la région oranaise.
108
Annexe C Survol sur logique floue
Distance
Prop(A2)= «éloigné »
distance
Ex 3 :
Considérons maintenant A1, A2, A3 tel que
Prop(A1)= « proche »
Prop(A2)= « moyennement distant »
Prop(A3)= «éloigné »
Dans ce cas on peut avoir le schéma suivant :
« proche »
fA1, fA2, fA3 « éloigné »
« moyennement distant »
distance
109
Annexe C Survol sur logique floue
Toutes les variables que l’on considère, en physique ou en économie, par exemple,
prennent une valeur unique dans leur ensemble de définition X dans une situation donnée (la
distance est égale à 232 mètres, le prix de revient est de 252 357 dinars). Néanmoins, les
conditions d’observation ne permettent pas toujours de connaître parfaitement cette valeur
unique. Dans bien de cas, la valeur est seulement approximative (environ 250 000 ) ou
évaluées grossièrement ( entre 200 et 250 mètres), l’instrument de mesure est légèrement
imprécis (252 mètres à 1% prés), ou elle est décrite de façon qualitative « la distance est
faible ». Une variable linguistique sert à modéliser les connaissances imprécises ou vagues sur
une variable dont la valeur précise peut être inconnue.
Définition : Une variable linguistique est un triplet (V,X,TV) dans lequel V une
variable définie sur un ensemble de référence X. L’ensemble TV={A1,A2,..}, fini ou infini,
contient des sous ensembles flous normalisés de X, utilisables pour caractériser V.(un sous
ensemble flou normalisé de X , est un sous ensemble flou dont la valeur maximale que peut
prendre sa fonction d’appartenance est égale à 1).
Les sous-ensembles flous de TV définissent des restrictions des valeurs que prend V
dans X. Pour simplifier, on note Ai à la fois le terme linguistique (« faible », « cher »…) et le
sous-ensemble flou qui lui est associé.
Considérons l’énergie d’un signal comme variable V, définie sur l’ensemble X des
réels positifs
V = Energie.
X= +
110
Annexe C Survol sur logique floue
Fonction d’appartenance
Tp P M G Tg
x
Fig.(C-3) Exemple d’une variable linguistique utilisée
pour décrire l’énergie d’un signal
Une proposition élémentaire est définie à partir d’une variable linguistique (V,X,TV)
par la qualification « V est A », où A est une caractérisation floue appartenant à TV.
Une proposition floue générale est obtenue par l’utilisation conjointe de propositions
floues élémentaires.
3.3.2.1. La conjonction
3.3.2.2. La disjonction
La fonction d’appartenance la plus simple qui peut être associée à la disjonction est de
la forme :
111
Annexe C Survol sur logique floue
3.3.2.3. L’implication
Une implication entre deux propositions floues élémentaires définit aussi une
proposition floue que l’on peut exprimer par « x est A implique y est B » ou « si x est A alors
y est B ».
Une proposition floue utilisant une implication floue est appelée « règle floue », cette
notation est très utilisée en logique floue surtout en ce qui concerne la prise des décisions et
l’extraction des conclusions.
1 si fA(x) fB(y)
fR(x , y) = ……………………….(Brouwer-Godel)
fB(y) sinon.
La logique floue est une extension de la logique classique. Les propositions floues
définies à partir d’un ensemble L de variables linguistiques (v, X, Tv). Dans le cas particulier
où toutes les propositions floues sont booléennes, c’est à dire où elles sont absolument vraies,
soit absolument fausses, la logique floue est identique à la logique classique.
112
Annexe C Survol sur logique floue
conclusion : y est B
Dans cette logique une conclusion ne peut être établie que lorsque x correspond
exactement à A, c’est à dire seulement lorsque la prémisse est absolument vraie.
Conclusion : y est B’
Où :
Pour calculer la valeur de vérité d’une telle implication floue MFI; cette dernière peut
être décomposée en plusieurs autres implications simples (unidimensionnelle). Une fois la
décomposition est établie, on traite chacune des implications résultantes à part. C'est à dire de
calculer la valeur de vérité de chacune d’elle. Par la suite, on fait le travail inverse. C'est à
dire, faire l’assemblage des différentes valeurs de vérités, pour en sortir une valeur globale,
qui sera considérée comme étant la valeur de vérité de l’implication floue
multidimensionnelle. Pour cela il existe plusieurs techniques, dont les plus connues sont les
suivantes.
L’intersection entre C’ et C’’ (C’ C’’) sera considérée comme étant le résultat final.
2- une autre approche plus, récente est utilisée ; Elle est représentée comme suit :
où : C1 C2 = C ………………..(5)
La différence essentielle qui existe entre les deux modèles réside dans la partie
conséquence de chaque implication floue décomposée (DFI, Decomposed Fuzzy
Implication) ; D’après Tsukamoto, les parties conséquences des DFI (équations 1 et 2) sont
identiques, tandis que dans le deuxième modèle proposé, les parties conséquences (C) est
l’intersection des deux parties conséquences C1 et C2 (équations 3, 4, 5). Donc dans le
114
Annexe C Survol sur logique floue
C’est le deuxième modèle qui fera l’objet de notre application ; Une fois le modèle est
choisi.
Les éléments qui constituent le vecteur flou, sont les parties antécédentes des
implications floues décomposées (DFI). Ces derniers sont des variables linguistiques floues,
par exemple, x est petit, y est moyen …etc., où « petit et moyen …etc. » sont représentés par
des sous-ensembles flous .
Dans cet exemple, le vecteur flou est VF = ( x y )T, où T désigne le transposé. C’est ce
vecteur flou qui sera par la suite l’ensemble des données d’entrées.
Pour traiter les données acquises, il faut passer par plusieurs étapes. Ces dernières sont
résumées dans l’organigramme de la figure C-4.
La toute première opération d’un système d’inférence flou, est la fuzzification, elle
consiste à convertir les entrées crispes (brutes) en leurs représentations floues. Dans
cette étape, les domaines de variation des variables d’entrée sont divisés en sous-
ensembles flous caractérisés par les propriétés linguistiques, cette conversion est réalisée
simplement en calculant les degrés d’appartenance des entrées à chaque sous-ensemble
flou.
La deuxième étape consiste à faire passer les entrées floues dans la base de règle qui
comporte les connaissances concernant le procédé.
Les décisions sont effectuées par le traitement des règles floues. Ces règles sont activées
dès que leurs propositions élémentaires initiales (prémisses) ont un degré
d’appartenance non nul.
115
Annexe C Survol sur logique floue
plusieurs méthodes, la plus utilisée consiste à calculer le centre de gravité des valeurs
obtenues par la base de règle.
Entrées crispes
Interface de fuzzification
Base de
règles
Interface de
défuzzification
Sorties
crispes
Fig.(C-4) Chaîne de traitement en logique floue
116
.
.
.
.
:
.
Abstract
The presented work concern the diagnosis of squirrel cage induction motors failures,
using new techniques such as spectral analysis, neural networks and fuzzy logic.
It is obviously impossible to identify, simultaneously, all failures possibilities and
combinations.
So we will examine more precisely the rotor failures. For this reason we used the multi-
winding model to analyze the machine behavior's, in absence and presence failure's.
Keywords: Squirrel cage induction machine, neural networks, fuzzy, failures, diagnosis,
surveillance, detection.
Résumé
Le travail présenté s'inscrit dans le cadre du diagnostic des défauts rotoriques dans les
moteurs asynchrones triphasés à cage d'écureuil, utilisant des nouvelles techniques tel
que l'analyse spectrale, les réseaux de neurones et la logique floue.
Il est évidemment qu’il est impossible de cerner, simultanément, toutes les
combinaisons possibles des défauts où peuvent apparaître. Nous avons examiné plus
précisément les défauts qui peuvent apparaître au niveau du rotor. Pour cela nous avons
utilisé le modèle multi -enroulements de pour analyser le comportement de la machine
en absence et en présence des défaillances.
Mots-clés: Machine asynchrone triphasée à cage, réseaux de neurones, logique floue,
défauts, diagnostic, surveillance, détection.