Modelisations Et Outils D'aide Au Diagnostic de Defauts de Machines Synchrones Et A Reluctance Variable Bouchareb Thesis)

Rpublique Algrienne Dmocratique et Populaire
Ministre de lEnseignement Suprieur et de la Recherche Scientifique

Universit de Constantine 1
Facult des Sciences de la Technologie
Dpartement dElectrotechnique
THSE
Prsente Pour Lobtention du Diplme de
DOCTORAT EN SCIENCES
Spcialit: Modlisation et Commande des Machines Electriques
Prsente par
Melle BOUCHAREB Ilhem

Magistre en Electrotechnique de lUniversit de Constantine 1
MODELISATIONS ET OUTILS DAIDE AU DIAGNOSTIC

DE DEFAUTS DE
MACHINES SYNCHRONES ET A RELUCTANCE VARIABLE
Soutenue le :
03 /07/2013
Devant le Jury compos de :

Prsident :
Aissa Bouzid
Professeur
Rapporteur :
Ammar Bentounsi
Professeur
Examinateur 1 : Abdelhak Bennia
Professeur
Examinateur 2 : Rachid Abdessemed
Professeur
Universit de Batna
Examinateur 3 : Mabrouk Chabane
Professeur
Universit de Batna
Membre invit : Abdesselam Lebaroud
MCA
Universit de Skikda
Remerciements
La thse de doctorat expose dans ce mmoire a t effectue au sein du Laboratoire

Gnie Electrique Constantine (LGEC), sous la direction du Prof. Ammar Bentounsi, en
collaboration avec le Dept. de Machines Electriques de lUniversit Technique de ClujNapoca, Roumanie, pour la partie exprimentale ralise lors dun stage de deux mois
(Fvrier-Mars 2013), sous la direction du Prof. Lorand Szabo auquel jexprimerai ici ma
profonde gratitude pour laccueil quil ma rserv en son labo. et laide prcieuse apporte
pour raliser les validations exprimentales de mes dveloppements thoriques.
Jexprime mes sincres remerciements Monsieur Aissa Bouzid, Professeur lUniversit

du Constantine, pour avoir accept de juger ce travail et pour mavoir fait lhonneur de
prsider le jury.
Je remercie vivement Messieurs Rachid Abdessemed et Mabrouk Chabane, Professeurs

lUniversit Batna, pour avoir accept dexaminer ma thse et pour l'intrt qu'ils lui ont
porte.
Je remercierai aussi Monsieur Abdelhak Bennia, Professeur lUniversit de Constantine,

davoir accept spontanment de juger mon travail.
Toute ma gratitude pour Monsieur
Amar Bentounsi, Professeur lUniversit de
Constantine, pour le sujet quil ma propos, les conseils prodigus et pour la confiance quil
ma accorde tout au long de cette thse.
Je remercie chaleureusement Monsieur Abdesselam Lebaroud, Matre de Confrence A

lUniversit de Skikda, pour avoir co-encadr cette thse de manire officieuse, pour ses
comptences et tous les prcieux conseils qu'il a apports.
Je ne terminerai pas sans remercier toutes celles et ceux qui mont aide concrtiser cette
thse !
Tout grand progrs scientifique est n dune

nouvelle audace de limagination.
John Dewey, Philosophe et pdagogue anglais

:
:
:

.
.
) (...

.

.
:
(
)

:
.

.

.
) ( .

.

:
University of Constantine 1- Faculty of Technology Sciences

DEPT. OF ELECTRICAL ENGEENERING
PhD Thesis Summary

Title:
MODELING TOOLS FOR FAULT DIAGNOSIS OF

SYNCHRONOUS RELUCTANCE & VARIABLE RELUCTANCE
MACHINES
PhD student : ILHEM BOUCHAREB

SUPERVISOR: Pr. Ammar Bentounsi
The Condition monitoring of machines has become an art that can diagnose and precisely
potential defects to act quickly before the break !
Monitoring and diagnosis of electric machines represent a scientific and economic challenge
motivated by the goals of dependability and continuity of service of electric drives.
Electromechanical converters (engines, generators, actuators) occupy an increasingly
important in industrial equipment, especially with the new requirements for electric traction or
decentralized energy production with new structures machines. In addition, these devices can
play a critical role in the process which generates severe constraints in terms of dependability
and availability rates, hence the need for robust diagnosis increased and thus the development
of diagnostic tools more efficient. Effective diagnosis paves the way for a fault tolerant
control, and should therefore increase the robustness of the industrial process.
Many approaches and diagnostic procedures are developed for fault detection and diagnosis
by different research communities automatic, productics and artificial intelligence. The
methods differ in the type of a priori knowledge about the process that they require. So they
can be classified generally as model-based methods, based on knowledge and methods based
on historical data. Methods based models consider a structural model of the behavior of the
process based on fundamental physical principles. These models can be quantitative type,
expressed as mathematical or qualitative equations, expressed for example in the form of
logical relations. Methods based knowledge exploits the skills, reasoning and expert
knowledge about the process to turn them into rules, so as to solve specific problems.
Finally, methods for database search to discover information, as typical examples and trends
in the measurements from the sensors and actuators, which can identify the behavior of the
process. These methods include, among others, learning methods and classification (or
recognition).
The most recent studies have been devoted to the electrical monitoring of induction machines
in particular the inspection of the stator current. In recent years, research in the field of
electric motor drives for critical industrial applications such as automotive, aerospace,
robotics, nuclear power plants or decentralized production are focused on research level of the
drive motor and various topologies. The concept of the fault tolerant device and the
development of devices dependability are often required to improve the availability of
systems integrating this type of machine, minimize maintenance costs and ensure more
effectively the security of goods and people in direct or indirect relationship with the
application.
That is why we seek to apply proven methods by asynchronous machine (ASM) for other
machine structures, types, synchronous reluctance machines (SynRM) and variable reluctance
machines (VRM) by their growing presence in the areas of fault tolerance. Therefore, all new
results can be of significant interest to all researchers working in the area of fault tolerance.
The work and research developed within the LGEC (Electrical Engineering Laboratory
Constantine) in collaboration with Electrical Machines and Drives Department Technical
University of Cluj-Napoca, Romania are in this part of the Modeling & support tools to diagnose
faults synchronous machines & a variable reluctance. The research topics cover aspects: digital
finite element modeling, using the FLUX-2D 7.6 software and MATLAB-Simulink with the flowFLUX-2D 10.4 and in order to improve the operation of the first type of machine studied and
modeled we proposed new converter model based on the principle of the separation of the phases
then understanding and analysis of different stator and / or rotor faults, research and development
of monitoring tools, diagnosis and fault monitoring driver assistance and human-system
interaction based on the optimal time-frequency representation, called "dependent class signal
(DCS)" whose plane ambiguity is smoothed by a kernel designed to achieve maximum separation
between the defect class and healthy class machine. The separation of classes is performed by
Fisher contrast, based on compactness and reparability of classes. The assignment criteria or
classification of a new signal is based on several intelligent methods by classification algorithms
in order to automate the process of diagnosis: the hidden Markov model (HMM), combined with
Neural Networks (RN), K-means (KPP) and the Mahalanobis (MAH) or Ecludienne (ED)
distance. Different decision rules are compared in the presence or absence of defects and rejected
observations are analyzed to determine the possible emergence of a new mode of operation. The
Kalman filter approach is used for monitoring of evolution developed and allows prediction
modes included in the training set and determine the future state of these modes.
In this context, the thesis consists of four chapters:

The first presents an overview on the supervision and the different approaches for the detection
and diagnosis of faults developed by different research communities, including the signal
approach and the system approach which we have supported our work.
The second chapter provides a finite element design of the fault tolerant switched reluctance
machine consists in modifying their windings. Splitting phases independent coils is the
method most widely used for machinery fault tolerance. It is necessary to compensate for the
absence of a phase fault or coil has the least possible changes in the torque characteristic. The
power converter of the machine must also be designed to be fault tolerant. Using the
programmed intelligence converter must be able to reconfigure its control and power of the
machine according to the severity of defects, to continue operating of the machine
The third chapter explains the failures which may form on a whole converter - variable
reluctance machine and the occurrence of each of these defects. This chapter is divided into two
main parts. The first part describes the different sources (electrical, mechanical,) failures that can
occur to the machine variable reluctance. As for the second part, it presents different failures that
can undergo a power converter. Finally analyzing of the different measured signals such as
current flow, and electromagnetic torque through Fourier transform (FFT).
Chapter 4 is dedicated to the development of our diagnostic system for variable reluctance
machines. We describe in this section, the means used to obtain the states, transitions and
events associated with these transitions. We show also how this system can be used by the
operator for the purposes of supervision. The selection algorithms parameters vector form
used by the decision-making system are implemented and presented (learning phase). Failures
correspond to a short circuit, open circuit, for various levels of load supply by voltage inverter.
We conclude this paper with a chapter five dedicated to the experimental results obtained during
the application of our diagnostic classification; a description of the experimental and different
modes studied (healthy, faulty) bench is presented. Classification of the new observations with the
implementation of the proposed methods in combination with the experimental data of the
asynchronous machine and variable reluctance machine proves the effectiveness of these
classification methods independently of the type of fault and the type of machine.
SOMMAIRE
INTRODUCTION GENERALE 1
CHAPITRE 1
Synthse des mthodes de diagnostic et de classification.
1.1 Introduction..
1.2 Gnralits sur le diagnostic
1.2.1 Les diffrentes notions utilises en diagnostic : Supervision et diagnostic...
1.2.2 Le diagnostic dun systme........................................................................................
1.2.3 La procdure de diagnostic. 9

1.2.4 Caractristiques souhaitables dun systme de diagnostic.
10
1.2.5 Transformation des mesures dans un systme de diagnostic.. 12

1.3 Classification des mthodes diagnostic
13
1.3.1 Approche signal..
13
1.3.1.1 Surveillance des fluctuations de la vitesse 14

1.3.1.2 Surveillance du couple lectromagntique...
14
1.3.1.3 Surveillance du champ magntique..
15
1.3.2 Approche systme... 15

1.3.2.1 La reprsentation temps-frquence 16
1.3.3 Mthodes base de modles... 19
1.3.3.1 Modles Quantitatifs.. 19
1.3.3.2 Modles qualitatifs ou semi-qualitatifs.. 21
1.3.3.3 Systmes flous...
22
1.3.4 Mthodes base de connaissances
23
1.3.4.1 AMDEC et Arbres de dfaillances
23
1.3.4.2 Systmes experts 25
SOMMAIRE
1.3.5 Mthodes partir des donnes historiques...
26
1.3.5.1 Analyse et reprsentation qualitative des tendances.. 27

1.3.5.2 Analyse en Composantes Principales (ACP). 28
1.3.5.3 Classification et mthodes de reconnaissance de formes.
29
1.4 Une stratgie pour la surveillance a base de mthodes de classification...
31
1.4.1 Mthodes de coalescence ("clustering").
31
1.4.1.1 K-Moyennes..
32
1.4.1.2 C-Moyennes Floues (FCM)..
34
1.4.2 Mthodes statistiques.
36
1.4.3 Arbres de dcision et induction.
37
1.4.4 Rseaux neuronaux artificiels. 39

1.5 Le diagnostic appliqu aux machines lectriques...............................................................
43
1.8 Les grandeurs analyses par les mthodes de diagnostic..
43
1.7 Conclusion..
44
CHAPITRE 2
Modlisation analytico-numrique et construction dune structure tolrante
aux dfauts de la machine rluctance variable 45
2.1 Introduction...
46
2.2 Modle de la machine reluctance variable...
48
2.2.1 Principes de base des MRV
48
2.2.2 Les quations lectriques... 51

2.2.3 Le mode dalimentation.. 52
2.3 Modle de la machine synchrone reluctance variable. 55
2.3.1 Principe de fonctionnement dune machine synchrone rluctance variable
56
SOMMAIRE
2.3.2 Le model mathmatique dune machine synchrone rluctance...
57
2.3.2.1 Dans un repre lier au stator..
58
2.3.2.2 Modle de la machine dans le repre (d-q) li au rotor.
60
2.4 Moteurs rluctance variable dans lapproche tolrante aux dfauts. 66

2.4.1 La tolrance aux pannes des machines lectriques. 66
2.4.2 Exigences dun systme dentranement tolrant aux pannes..
66
2.4.3 Les solutions techniques pour la conception de machines lectriques tolrante aux
panne
67
2.4.3.1. Amliorations de construction dans la conception des machines

lectriques tolrance de panne...
67
2.4.4 Dveloppement dun convertisseur lectronique tolrant aux pannes.
72
2.4.4.1 La conception dune structure de convertisseur tolrante aux pannes..
73
2.4.5 La machine rluctance variable dans lapproche tolrante aux pannes...
74
2.4.6 Proposition de construction modulaire dune machine rluctance variable
76
2.5 Conclusions. 82
CHAPITRE 3
Chapitre III Synthse des dfaillances dun ensemble convertisseur-MRV
83
& signatures des dfaillances par EF...............................................................
3.1 Introduction...
84
3.2 Dfaillances au stator...
86
3.2.1 Dfauts disolant dans un enroulement.
87
3.2.2 Court-circuit entre spires...
88
3.2.3 Court-circuit entre phases..
88
3.3 Modlisation des dfauts..
89
3.3.1 Mthode des lments finis ......
89
3.4 Modlisation interne des machines lectriques par les mthodes dlments finis
91
SOMMAIRE
3.4.1 Equations de Maxwell...
91
3.4.2 Calcul de champ par la mthode dlments finis.
93
3.5 Simulations en utilisant lapproche FEM 2D.. 93

3.5.1 Construction du modle en Flux 2D... 94
3.5.2 Calcul des angles de conduction. 96
3.5.3 Couplage Flux 2D avec MATLAB-Simulink
97
3.6 Les rsultats de simulation obtenus par le biais du couplage de Flux 2D-Simulink
100
Programme..
3.6.1 Les rsultats de simulation de la MRV........ 101
3.6.2 Les rsultats de simulation de la MSRV.
105
3.6.3 Les dfauts du convertisseur de puissance tolrant aux pannes.
107
3.7 Lapproche signal.
109
3.7.1 Analyse spectrale
109
3.8 Conclusion .
113
CHAPITRE 4
Vers des nouvelles approches de diagnostic : application au diagnostic des

machines rluctance variable 114
4.1 Introduction...
115
4.2 Techniques de surveillance de la situation existante..
116
4.3 Description du procd.
117
4.4 Modes de fonctionnement tudis
117
4.5 Extraction du vecteur forme par la RTF......................................... 118

4.5.1 Un espace de reprsentation discriminant..
118
SOMMAIRE
4.5.2 La conception de la RTF..
119
4.5.3 La conception du noyau de Fisher pour la classification 121

4.6 Dtermination dune mthode de dcision .
124
4.6.1 Modles de Markov cachs (MMC)...
124
4.6.1.1 Modles de Markov cach discrte................ 124

4.6.1.2 Les modles de Markov cach... 125
4.6.1.3 Classification par MMC
127
4.6.2 Les Rseaux de Neurones (RN).. 128

4.6.2.2 Architecture des rseaux de neurones
129
4.6.2.3 Apprentissage des rseaux de neurones.....
131
4.6.2.4 Limites
132
4.6.3 Les k plus proches voisins (k - ppv)
134
4.6.3.1 Rgle des k plus proches voisins (k - ppv).. 135

4.6.3.2 Choix de la distance dans la rgle des k ppv...
135
4.6.3.3 Choix du nombre de plus proches voisins k.
136
4.7 Lvolution des modes de fonctionnement..
137
4.7.1 Approche par filtre de Kalman...
137
4.7.2 Vers la prdiction 140

4.8. Application au diagnostic de la machine reluctance variable...
141
4.8.1 Simulation et rsultats de classification avec MMC..
141
4.8.2 Simulations et rsultats de classification avec RN.. 142

4.8.3 Rsultats de classification avec Kpp
144
4.8.4 Lvolution des modes de fonctionnement. 146

4.9 Application au diagnostic de la machine synchrone rluctance variable...... 147
4.9.1 Simulation et rsultats de classification vide...
147
SOMMAIRE
4.9.1.1 Simulation et rsultats de classification avec MMC
147
4.9.1.2 Simulations et rsultats de classification avec RN..
149
4.9.1.3 Rsultats de classification avec Kpp.
151
4.9.1.4 Lvolution des modes de fonctionnement.
151
4.10 Conclusion
152
CHAPITRE 5
Rsultats exprimentaux du diagnostic automatique
153
5.1 Introduction...
154
5.2 Etude exprimentale et Acquisition des donnes 155

5.3 La classification des dfauts denroulement de la machine asynchrone..
156
5.3.1 Simulations et rsultats de classification avec MMC.
157
5.3.2 Simulation et rsultats de classification avec les RN
158
5.3.3 Simulations et rsultats de classification avec Kpp...
160
5.4 La classification des dfauts denroulement de la machine rluctance

variable.
162
5.4.1 Simulations et rsultats de classification avec HMM 163

5.4.2 Simulations et rsultats de classification avec les RN..
165
5.4.3 Simulations et rsultats de classification avec Kpp..
166
5.5 La classification des dfauts denroulement de la machine synchrone rluctance

variable.
169
5.5.1 Simulations et rsultats de classification avec HMM 171

5.5.2 Simulations et rsultats de classification avec les RN..
173
5.5.3 Simulations et rsultats de classification avec Kpp.
174
5.6 Gnralisation de l'analyse discriminante au problme multiclasses... 176

5.7 Conclusion..
179
SOMMAIRE
Conclusion gnrale
180
Bibliographie
182
Annexe..
197
Introduction gnrale
INTRODUCTION GENERALE
La surveillance Condition monitoring des machines est devenue un art qui permet
de diagnostiquer temps et avec prcision les dfauts potentiels pour agir rapidement avant la
casse !
La surveillance et le diagnostic des machines lectriques reprsentent un enjeu
scientifique et conomique motiv par les objectifs de sret de fonctionnement et de
continuit de service des entranements lectriques. Les convertisseurs lectromcaniques
(moteurs, gnrateurs, actionneurs,) occupent une place de plus en plus importante dans les
quipements industriels, surtout avec les nouvelles exigences en matire de traction lectrique
ou de production dcentralise dnergie avec de nouvelles structures de machines. De plus,
ces dispositifs peuvent occuper une place critique dans le processus ce qui gnre des
contraintes svres en termes de sret de fonctionnement et de taux disponibilit, do la
ncessit dun diagnostic robuste; une surveillance accrue et donc le dveloppement doutils
de diagnostic de plus en plus performants. Un diagnostic efficace ouvre la voie une
commande tolrante aux dfauts, et doit par consquent augmenter la robustesse du processus
industriel.
De nombreuses approches et procdures de diagnostic sont dveloppes, en vue

de la dtection de dfaillances et du diagnostic, par les diffrentes communauts de
recherche en automatique, productique et intelligence artificielle. Les mthodes se
diffrencient par rapport au type de connaissances a priori sur le processus qu'elles
ncessitent. Ainsi elles peuvent tre classes, de faon gnrale, comme des mthodes base
de modles, base de connaissances et des mthodes base de donnes historiques.
Les mthodes base de modles considrent un modle structurel du comportement du
processus bas sur des principes physiques fondamentaux. Ces modles peuvent tre de
type quantitatif, exprims sous forme dquations mathmatiques ou bien de type
qualitatif, exprims par exemple sous forme de relations logiques. Les mthodes base de
connaissance exploitent les comptences, le raisonnement et les connaissances des experts sur
le processus pour les transformer en rgles, de manire rsoudre des problmes
spcifiques. Enfin, les mthodes base de donnes cherchent dcouvrir des
informations, sous forme dexemples type ou tendances, au sein des mesures venant
des capteurs et des actionneurs, pouvant identifier le comportement du procd. Ces
1
Introduction gnrale
mthodes comprennent, parmi dautres, les mthodes dapprentissage et de classification (ou

reconnaissance de formes).
La plupart des tudes rcentes ont t consacres la surveillance lectrique de la

machine asynchrone en particulier sur l'inspection du courant du statorique. Au cours de ces
dernires annes, les activits de recherche dans le domaine des entranements de moteurs
lectriques pour des applications industrielles critiques comme lautomobile, laronautique,
la robotique, les centrales nuclaires ou encore la production dcentralise sont axes sur la
recherche au niveau du moteur d'entranement et diverses topologies. Le concept de dispositif
de tolrance de panne et la mise en place de dispositifs de suret de fonctionnement est bien
souvent exige afin damliorer la disponibilit des systmes intgrant ce type de machine, de
minimiser le cot de la maintenance et dassurer le plus efficacement possible la scurit des
biens et des personnes en relation directe ou indirecte avec lapplication.
C'est pourquoi nous cherchons appliquer les mthodes prouves par la machine
asynchrone (MAS) pour dautres structures de machines, types machines synchrones
rluctance (MSRV) et machines rluctance variable (MRV). De par leur prsence
grandissante dans des domaines de la tolrance aux pannes. Par consquent, tous les nouveaux
rsultats peuvent tre d'intrt important pour tous les chercheurs travaillant dans le domaine
de la tolrance aux pannes.
Les travaux et les recherches dvelopps au sein du LGEC (Laboratoire Gnie

Electrique Constantine) en collaboration avec Electrical Machines and Drives Department
Technical University of Cluj-Napoca, Romania se situent dans ce cadre de la Modlisations &
outils daide au diagnostic de dfauts de machines synchrones & a reluctance variable. Les
thmes de recherche abords couvrent les aspects : modlisation numrique par lments
finis, laide du logiciel FLUX-2D 7.6 et MATLAB-Simulink avec le flux-2D 10.4 et afin
damliorer le fonctionnement de ce premier type de machine tudi et modlis, la on a
propos un nouveau modle de convertisseur bas sur le principe de la sparation entre les
phases puis comprhension et lanalyse de diffrents dfauts stator et/ou du rotor, la recherche
et le dveloppement d'outils de surveillance, de diagnostic et de la supervision des dfauts
aide la conduite et interaction homme-systme base sur la reprsentation temps-frquence
optimale, dite "dpendante de la classe du signal (DCS)" dont le plan dambigut est liss
2
Introduction gnrale
par un noyau conu spcialement afin de raliser une sparation maximale entre la classe de
dfaut et la classe de la machine saine. La sparation de classes est ralise par le contraste de
Fisher, base sur la compacit et la sparabilit des classes. Le critre daffectation ou du
classement dun nouveau signal est bas sur plusieurs mthodes intelligentes par des
algorithmes de classification en vue de rendre la procdure de diagnostic automatique: le
modle de Markov cach (HMM), rseaux associe aux Rseaux de Neurones (RN), K Plus
Proches Voisins (KPP), les distances Mahalanobis (MA) ou Euclidienne (ED). Les diffrentes
rgles de dcision sont alors compares sur des essais en prsence ou non de dfauts et les
observations rejetes sont analyses pour dterminer une ventuelle apparition dun nouveau
mode de fonctionnement. Lapproche de filtre de Kalman est utilise pour le suivi dvolution
dvelopp et permettre la prdiction des modes de fonctionnement contenus dans lensemble
dapprentissage et ainsi dterminer les tats futurs de ces diffrents modes.
Dans ce contexte, le mmoire comporte quatre chapitres. Le premier prsente un tour

d'horizon sur la supervision et les diffrentes approches de dtection et de diagnostic de
dfaillances dveloppes par les diffrentes communauts de recherche, dont lapproche
signal et lapproche systme sur lesquelles nous avons appuy nos travaux.
Le deuxime chapitre propose un design lment fini de la machine rluctance

variable tolrance de pannes consiste modifier leurs enroulements. Le fractionnement des
phases en bobines indpendantes est la mthode la plus largement utilise pour les machines
tolrance de panne. Il est ncessaire de compenser l'absence d'une phase en dfaut ou une
bobine d'avoir le moins de changements possibles dans le couple dvelopp caractristique.
Le convertisseur de puissance de la machine doit tre conu pour tre aussi tolrant aux
pannes. En utilisant le convertisseur intelligence programme doit tre capable de
reconfigurer son contrle et alimentation de la machine de la fonction de la gravit des
dfauts, afin de poursuivre l'exploitation de la machine.
Le troisime chapitre prsente les diffrentes dfaillances qui peuvent se produirent

sur un ensemble convertisseur - machine rluctance variable ainsi que loccurrence de
chacun de ces dfauts. Ce chapitre se dcompose en deux grandes parties. La premire partie
fait tat des diffrentes origines (lectriques, mcaniques,) des dfaillances qui peuvent se
produire sur la machine reluctance variable. Quant la seconde partie, elle prsente les
diffrentes dfaillances que peut subir un convertisseur de puissance. Pour finir en analysant
3
Introduction gnrale
les diffrents signaux mesurs tels que le courant, les flux, les vibrations et le couple
lectromagntique par la Transforme de Fourier (FFT).
Le chapitre 4 est ddi la mise en place de notre systme de diagnostic aux

machines rluctance variable. Nous dcrivons, dans cette partie, les moyens utiliss pour
obtenir les tats, les transitions et les vnements associs ces transitions. Nous montrons,
galement, comment ce systme peut tre utilis par l'oprateur, des fins de surveillance.
Les algorithmes de slection de paramtres du vecteur forme utilis par le systme de
dcision et prsents (phase d'apprentissage), sont mis en application. Une description des
diffrents modes de fonctionnement tudis (sain, dfaillants), est prsente. Les dfaillances
correspondent un court-circuit, circuit-circuit, et ceci, pour diffrents niveaux de charge en
alimentation onduleur de tension.
Nous terminons ce mmoire avec un chapitre 5 consacr aux rsultats

exprimentaux obtenus lors de l'application de notre systme de diagnostic. Une description
du banc exprimental ainsi que des diffrents modes de fonctionnement tudis (sain,
dfaillants) sont prsents. La classification des nouvelles observations avec la mise en uvre
des mthodes proposes, en combinant les donnes exprimentales de la machine asynchrone
et de la machine rluctance variable, prouve l'efficacit de ces mthodes de classification
indpendante du type de dfaut et du type de machine.
CHAPITRE : I
SYNTHESE DES METHODES

DE DIAGNOSTIC
ET
DE CLASSIFICATION
Chapitre I :
Synthse des mthodes de diagnostic et de classification
I.I Introduction
Le diagnostic des dfaillances de systmes industriels a bnfici dun intrt intense

de recherche. Lorsquil est ralis avec efficacit, il reprsente un des moyens pour contribuer
obtenir un meilleur gain de productivit. Sa vocation premire est de dtecter et de localiser
une dfaillance des matriels. Les machines lectriques sont trs prsentes dans de nombreux
processus et leur surveillance est devenue un souci permanent particulirement dans les
systmes embarqus.
Grce leurs atouts, en termes de cot et de performances, les machines rluctance
variables trouvent actuellement de multiples
applications dans la production dnergie
lectrique (oliennes, alternateurs, ), la traction lectrique (vhicules lectriques, navires,

), etc. Do notre intrt pour ce type de machines et leur diagnostic, lequel tait jusque l
rserv aux machines asynchrones.
Le diagnostic des machines lectriques offre un panorama des techniques de
dtection, de classification des dfauts lectriques, mcaniques, thermiques et lectroniques
pouvant affecter lensemble des organes dun entranement lectrique. Il sadresse autant aux
concepteurs de ces entranements quaux ingnieurs chargs de leur surveillance et de leur
maintenance.
La littrature sur le diagnostic de dfaillances dans les processus industriels est
vaste, stendant ds mthodes analytiques lintelligence artificielle et aux mthodes
statistiques. Dun point de vue de la modlisation, les mthodes de diagnostic ont
besoin de modles prcis du processus, de modles semi-quantitatifs ou bien de modles
qualitatifs. Par ailleurs, dautres mthodes nutilisent aucune forme de modle et sappuient
seulement sur des donnes historiques du processus.
Nous prsentons dans ce premier chapitre les diffrentes mthodes de surveillance et
de diagnostic les plus frquemment utilises. Pour la description de
ces diffrentes
mthodes de diagnostic, nous ferons appel la littrature tudie dans le domaine. Nous
prcisons que cet tat de lart nest pas exhaustif car notre objectif est uniquement de
situer ces mthodes par rapport leurs applications potentielles. Il existe dautres faons
de classer les diverses mthodes et techniques de diagnostic.
Chapitre I :
I.2 Gnralits sur le diagnostic

De nos jours, les systmes industriels modernes deviennent de plus en plus complexes
et leurs commandes de plus en plus sophistiques. En mme temps, la fiabilit, disponibilit et
sret de fonctionnement sont devenues trs importantes ; elles constituent de vritables
enjeux pour les entreprises actuelles. Le diagnostic des systmes est apparu dans le but
damliorer les points prcdents. Terme peu rpandu pour les domaines techniques il y a une
trentaine dannes, le diagnostic est devenu un sujet dimportance stratgique.
Quelle que soit la branche dindustrie concerne, aujourdhui, les procds industriels
sont coupls un calculateur numrique qui ne se contente pas de faire lacquisition des
donnes mais qui est charg de la mise en uvre de lautomatisation. Automatiser peut avoir
des objectifs divers. Les plus frquents sont daugmenter les performances du systme de
production, de garantir la qualit du produit fabriqu ou de diminuer les cots de fabrication.
Mais un autre objectif est de plus en plus pris en compte par les systmes de contrlecommande : amliorer la scurit de linstallation industrielle, des hommes qui y travaillent et
de son environnement. Dautres objectifs peuvent sy rajouter tels que garantir la satisfaction
des normes de qualit. On arrive ainsi une automatisation qui ne sattache pas seulement au
maintien de quelques variables des valeurs de rfrence, mais qui sintresse au procd
dans sa globalit et dans ses divers modes de fonctionnement.
Dans ce qui va suivre, nous allons successivement dvelopper :
les diffrentes notions utilises en diagnostic (dfauts, dtection, localisation,
identification, rsidu, symptme) ;
les caractristiques souhaitables dun systme de diagnostic ;
les transformations des mesures dans un systme de diagnostic ;
une synthse des approches de diagnostic (approches signal, approches base
de modle et approches base de systme) ;
une synthse des approches de classification ;
Chapitre I :
I.2.I Les diffrentes notions utilises en diagnostic : Supervision et diagnostic

La surveillance industrielle joue un rle primordial dans laugmentation de la
disponibilit des installations industrielles, rduisant ainsi les cots directs et indirects de la
maintenance des quipements de production. Les cots directs de cette maintenance sont ceux
relatifs aux diverses pices de rechange, main duvre, etc. Par contre, les cots indirects sont
essentiellement dus au manque gagner engendr par un arrt de la production. Par
consquent, les entreprises soucieuses davoir une meilleure matrise des cots de
maintenance ont intrt adopter une politique de surveillance.
La sret est dfinie comme un ensemble de proprits indispensables une
installation industrielle.
La surveillance se rfre la capacit de reconnatre un comportement anormal et de
le signaler.
La supervision est fonde sur la surveillance et la capacit dagir, pour viter des
dommages sur linstallation et pour continuer la production, si cela est possible.
Une dfaillance est dfinie comme linaptitude dun composant remplir toute ou
partie de sa fonction.
Un dfaut est un cart entre un comportement attendu et un comportement observ.
Constat grce un indicateur de dfaut, il rvle la prsence dune dfaillance.
Lindicateur de dfaut est en pratique labor grce aux variables mesurables de
linstallation.
Un systme physique, ou un procd technologique, est conu pour raliser une
mission donne. Cette mission nest pas toujours remplie de la mme faon, elle peut tre
totalement ou partiellement remplie avec diffrents niveaux de qualit.
Lvolution de ce procd (ou systme) au cours du temps peut tre dcrite par
diffrents modes de fonctionnement. On distingue en gnral :
Les modes normaux sous lesquels la mission est remplie, lun deux est le mode
nominal o la mission est correctement remplie ;
Les modes volutifs qui caractrisent des modes, souvent transitoires, de passage
dun mode de fonctionnement un autre, les modes de dmarrage et darrt, qui sont
videmment pris en compte au moment de la conception du systme de contrle-commande ;
Les modes anormaux sous lesquels la mission est partiellement ou totalement non
remplie, incluant les modes dfaillants, les modes interdits, qui sont les diffrents tats que
8
Chapitre I :
peut prendre un procd sous leffet dune panne ou dun dysfonctionnement. Ces modes
particuliers peuvent ncessiter soit darrter immdiatement linstallation, soit de basculer la
commande vers un mode de repli, ou encore vers un mode dgrad qui consiste modifier les
consignes des boucles locales ou mme carrment larchitecture de la commande ou du
procd.
I.2.2 Le diagnostic dun systme

Le diagnostic dun systme est lidentification du mode de fonctionnement, chaque
instant, par ses manifestations extrieures (symptmes). Son principe gnral consiste
confronter les donnes releves au cours du fonctionnement rel du systme avec la
connaissance que lon a de son fonctionnement normal ou dfaillant. Si le mode de
fonctionnement identifi est un mode dfaillant, le systme de diagnostic devrait localiser sa
cause. Il est vident que si lon veut reprsenter tous les dfauts possibles dune installation
industrielle, la tche peut tre considrable. En consquence, la plupart des mthodes que
nous voquerons ci-dessous se fondent sur les connaissances du comportement normal de
linstallation. Mais il est bien clair que si lon a une bonne connaissance des anomalies
possibles, il faut lutiliser pour amliorer la surveillance et le diagnostic.
I.2.3 La procdure de diagnostic

On distingue gnralement, dans la procdure de diagnostic, deux tapes principales :
dtection et localisation, plus lidentification pour certaines mthodes. Les dfinitions
prcises de ces notions ainsi que les diffrents types de dfauts et la dfinition des termes
"rsidu" et "symptme" (souvent utiliss en diagnostic) sont rappels dans la suite de cette
section.
Dtection : La dtection (Fault detection) est la premire dcision que doit prendre un
systme de surveillance. Cest le fait de dcider quun indicateur de dfaut est pertinent et
donc de signaler si le systme est dfaillant ou pas. La dtection revient choisir entre deux
hypothses la premire correspond au fonctionnement normal, la deuxime correspond au
fonctionnement dfaillant. Pour dtecter les dfauts dun systme, il faut donc tre capable de
classer les situations observables comme tant normales ou anormales.
Localisation : La localisation (Fault isolation) est le fait de dterminer le(s) sousensemble(s) fonctionnel(s) dfaillant(s). Cet ensemble a intrt tre le plus rduit possible.
La localisation est plus difficile dans le cas de dfauts multiples o plusieurs dfauts peuvent
avoir lieu en mme temps.
9
Chapitre I :
Identification : Lidentification ou lestimation (Fault evaluation) vise fournir des

informations quantitatives sur les caractristiques du dfaut : instant dapparition, valeur de
lcart dun paramtre permettant de le quantifier. Dans le cas de dfauts procd,
lidentification revient connatre les valeurs de diffrents paramtres du systme.
I.2.4 Caractristiques souhaitables dun systme de diagnostic

Afin de pouvoir comparer diverses approches de diagnostic, il est utile didentifier un
ensemble de caractristiques souhaitables quun systme de diagnostic devrait possder. Bien
que ces caractristiques ne soient habituellement possdes par aucune mthode de diagnostic
particulire, elles sont utiles pour valuer diverses mthodes en termes dinformation a priori
qui doit tre fournie, de rapidit, de robustesse, dadaptabilit, etc. Chaque fois quune
anomalie se produit dans un procd, un systme de diagnostic fournit un ensemble
dhypothses de dfauts qui explique les observations. Lefficacit dun systme de diagnostic
demande que le dfaut rel soit un sous-ensemble de lensemble des dfauts suspects.
La rsolution dun systme de diagnostic demande que lensemble des dfauts fournis
soit aussi minimal que possible.
Les paragraphes suivants prsentent un ensemble de caractristiques souhaitables
quun systme de diagnostic doit possder.
Rapidit et sensibilit de dtection : Un systme de diagnostic devrait rpondre

rapidement en dtectant et en diagnostiquant les mauvais fonctionnements du procd.
Cependant, les rponses rapides du diagnostic et les performances tolrables durant un
fonctionnement normal sont deux buts diffrents. Un systme qui est conu pour dtecter un
dfaut rapidement sera sensible aux influences de toutes les erreurs (bruit, incertitudes).
Ceci rend le systme sensible au bruit et peut dclencher frquemment des fausses alarmes
pendant un fonctionnement normal.
Robustesse : On voudrait que le systme de diagnostic soit robuste aux divers bruits et
incertitudes. On voudrait que ses performances se dgradent lentement au lieu dchouer
totalement et abruptement. La robustesse est incompatible avec les systmes trs sensibles aux
seuils. En prsence du bruit, ces seuils doivent tre choisis raisonnablement. Ainsi, les
besoins de robustesse doivent tre quilibrs avec ceux de sensibilit.
10
Chapitre I :
Identification de nouveaux dfauts : Une des fonctionnalits minimales quun

systme de diagnostic doit possder est de pouvoir dcider, tant donn des conditions
courantes de fonctionnement, si le procd fonctionne normalement ou anormalement, et sil
est anormal, si la cause est un dfaut de fonctionnement connu ou un inconnu. Ce critre est
connu comme identification de nouveaut (nouveaux vnements). En gnral, on dispose de
donnes suffisantes pour dcrire le comportement normal du procd. Cependant,
typiquement on na pas de tels historiques de donnes disponibles pour modliser les modes
de fonctionnement anormaux dune manire satisfaisante. Seuls quelques gabarits de donnes
peuvent tre disponibles pour couvrir une partie du fonctionnement anormal. Ainsi, il est
possible quune grande partie de la rgion de dysfonctionnement ne puisse avoir t
modlise. Ceci posera des dfis srieux pour lidentification de nouvelles situations. Mme
dans ces conditions difficiles, on voudrait que le systme de diagnostic puisse identifier
loccurrence des nouveaux dfauts et ne les classifie pas comme dautres dfauts de
fonctionnement connus ou comme fonctionnement normal.
La localisation : La localisation et la capacit du systme de diagnostic distinguer
entre diffrents dfauts. Dans des conditions idales exemptes de bruit et dincertitudes de
modlisation, ceci revient dire que le systme de diagnostic devrait pouvoir gnrer un
ensemble dhypothses qui ne contient pas les dfauts absents. Naturellement la capacit de
concevoir de tels systmes dpend en grande partie de la connaissance de la structure et des
caractristiques du procd.
Adaptabilit : En gnral les procds voluent en raison des changements des entres
externes ou des changements structurels. Les conditions de fonctionnement du procd
peuvent changer non seulement en raison des perturbations mais galement en raison des
changements des conditions environnementales telles que les changements des quantits de
production avec des demandes variantes, des changements de qualit de matire premire, etc.
Ainsi le systme de diagnostic devrait tre adaptable aux changements. Il devrait tre possible
de dvelopper graduellement la porte du systme pendant que les nouvelles situations
mergent grce la disponibilit dinformations supplmentaires.
Identification des dfauts multiples : La capacit didentifier les dfauts multiples est
un objectif important, mais difficile, cause de linfluence simultane de la plupart des
dfauts. Dans un systme non linaire gnral, des interactions se manifestent, et par
consquent un systme de diagnostic ne peut pas employer les diffrents modles de chaque
11
Chapitre I :
dfaut pour modliser leffet combin des dfauts. Par ailleurs, lnumration des diffrentes
combinaisons de dfauts multiples et lanalyse de leurs effets devient combinatoire pour des
procds de grande chelle.
Estimation derreur de classification : Une condition pratique importante pour un
systme de diagnostic, est ltablissement des, niveaux de confiance. Ceci pourrait tre
considrablement facilit si le systme de diagnostic pouvait fournir une valuation a priori
sur lerreur de classification qui peut se produire.
De telles mesures derreur seraient utiles pour projeter des niveaux de confiance sur
les dcisions produites par le systme donnant lutilisateur une meilleure sensation propos
de la fiabilit des recommandations proposes par le systme de diagnostic.
Facilit dexplication : En dehors de la capacit didentifier la source dun dfaut de
fonctionnement, un systme de diagnostic devrait galement fournir des explications sur la
faon dont le dfaut a commenc et a volu vers la situation actuelle. Cest un facteur trs
important lorsque lon conoit des systmes interactifs daide la dcision en ligne. Ceci
exige la capacit de raisonner au sujet de la cause et des effets dans un procd. Un systme
de diagnostic doit justifier ses recommandations de sorte que loprateur puisse en
consquence valuer et agir en utilisant son exprience. On voudrait que le systme de
diagnostic justifie non seulement pourquoi certaines hypothses ont t proposes, mais
expliquer galement pourquoi certaines autres hypothses nont pas t proposes.
I.2.5 Transformation des mesures dans un systme de diagnostic
Gnralement, le processus de diagnostic peut tre dfini comme un processus dcisionnel.
La dcision finale est constitue de lensemble des dfauts possibles. La Figure I.I, montre les
diverses transformations que les donnes du procd subissent pendant le processus de
diagnostic.
Procd
Diagnostic
Espaces des Mesures
Espace de Classes
Signaux
Symptmes
Espace de Caractristiques
Espace de Dcisions
Attributs
Indicateurs de dfauts
Figure .I.I -Transformations de mesures dans un systme de diagnostic

12
Chapitre I :
Lespace des mesures : est dfini par les sorties du systme, ces sorties peuvent avoir
subi des prtraitements (limination de donnes aberrantes, filtrage,). Ce sont les entres du
systme de diagnostic.
Lespace des caractristiques : est lespace obtenu en fonction des mesures en
utilisant une connaissance a priori du problme. Ici, les mesures sont analyses et combines
laide dune connaissance a priori du procd pour extraire les caractristiques utiles
concernant le comportement du procd, pour faciliter le diagnostic. Il y a deux manires de
dvelopper lespace des caractristiques partir de lespace des mesures, savoir, la slection
et lextraction des caractristiques : Lextraction de caractristiques est un procd qui
facilite, par lutilisation de la connaissance antrieure du problme, une transformation de
lespace de mesure dans un espace de dimension infrieure.
Le passage de lespace des caractristiques lespace des dcisions est habituellement fait
pour satisfaire une certaine fonction objectif (telle que rduire au minimum la non dtection).
Cette transformation est ralise en employant une fonction discriminante, dans certains cas
en employant des fonctions simples de seuil.
Lespace des dcisions : est lespace correspondant au
nombre de variables de
dcision obtenu par des transformations appropries de lespace des caractristiques.

Lespace des classes : correspond au nombre de classes de dfaut. En classant les
dfauts, nous indiquons catgoriquement quelle classe un dfaut appartient. Lespace des
classes est ainsi linterprtation finale du systme de diagnostic fourni lutilisateur.
I.3 Classification des mthodes de diagnostic

I.3.I Approche signal
Lapparition dune dfaillance sur un systme tudi engendre et/ou la modification
dharmoniques au niveau des spectres des signaux. De nombreux outils de traitement du
signal sont utiliss afin de caractriser les origines des dfauts partir des spectres.
Classiquement, la mthode la plus utilise est la Transforme de Fourier (FFT). Il
sagit dune mthode non paramtrique qui se prte bien lanalyse des phnomnes
stationnaires.
13
Chapitre I :
La transforme de Fourier est surtout utilise pour lanalyse des systmes en rgimes
permanents. La composante la frquence f dun signal temporel x(t) sexprime par :
X(f )
x(t ). e
j .2 . f .t
(I.I)
La prcision frquentielle dpend de la frquence dchantillonnage et du nombre Ne

dchantillons de lenregistrement :
f ech
f
ech
t. f ech N e
(I.2)
Il est impossible danalyser le signal sur une priode infinie. Il est donc ncessaire de
choisir une fentre de pondration pour lanalyse (fentre rectangulaire, de Hanning, ) pour
corriger les effets dun fentrage temporel fini. De plus, outre la forme, la taille de la fentre
aura une influence sur la rsolution maximale possible.
Dautres mthodes ont t dveloppes pour reprsenter les signaux dans le plan temps
-frquence et sont connues sous le nom de Distribution de Wigner Ville qui permet, entre
autres, la dtermination de la frquence instantane pour lanalyse des grandeurs mesurables
non stationnaires ou des phnomnes transitoires :
W x (t , f ) x t
* j 2 ft
d
x t e
2
2
(I.3)
Cependant, quelque soit la transforme choisie, les informations qui en dcoulent ne

seront pertinentes que si le signal est efficacement mesur et riche en informations.
I.3.I.I Surveillance des fluctuations de la vitesse
Dtecte les dfaillances en mesurant les fluctuations dans la priode de rotation du
moteur. Cette mthode est particulirement utile pour dtecter les dfauts au rotor, les
vibrations, lexcentricit, lasymtrie du rotor, des roulements dfaillants et des
dsalignements darbre. Cependant, la machine fonctionnant gnralement vitesse et couple
de charge variables, les instruments de mesure doivent tre capables de distinguer les
variations de vitesse dues au couple de charge et celles dues des dfauts au rotor.
14
Chapitre I :
I.3.I.2 Surveillance du couple lectromagntique

Permet la dtection de dfauts lors de la mise en service ou en fonctionnement. Cette
mthode peut dtecter des barres de rotor casses et des courts-circuits au stator. La forme du
couple lectromagntique peut tre utilise pour distinguer des dsquilibres engendrs par
des barres de rotor casses ou des enroulements stator dfaillants. Le couple
lectromagntique peut tre soit mesur, soit estim par le biais dobservateur dtat par
exemple.
I.3.I.3 Surveillance du champ magntique
Permet de dtecter les dfauts au stator et au rotor qui peuvent causer des
modifications de lvolution du champ magntique. Les dfauts au rotor peuvent tre dtects
par une spire de mesure place au stator de la machine. Les dfauts cits peuvent introduire
des variations dans la rpartition du flux dentrefer et conduire un flux axial qui peut tre
dtect par une spire de mesure place autour de laxe de la machine ou des capteurs effet
Hall. En surveillant le flux de fuite axial, il est souvent possible didentifier de nombreux
dfauts : barre de rotor casse, court-circuit dans un enroulement stator.
I.3.2 Approche systme

Les mthodes dites systme repose sur une connaissance du comportement du
systme sain et dfaillant, cest--dire leffet dun dfaut sur les variables mesures. Ces
mthodes exploitent les paramtres issus des mthodes dites signal . Ces paramtres
constituent alors une signature caractristique du dfaut. Elles ncessitent une base
dapprentissage intgrant des signatures
du systme dans ses diffrents modes de
fonctionnement. Un nouveau point de fonctionnement est compar avec les points de la base
de fonctionnement.
Ces mthodes tendent automatiser le processus de diagnostic depuis lacquisition des
donnes sur la machine jusqu la prise de dcision sans lintervention dun expert. Nous
allons prsenter dans cette partie la technique de la reprsentation temps-frquence (RTF)
ainsi que leur application dans le domaine du diagnostic et nous traiteront la technique des
rseaux de neurones (RN) d'une manire dtaille dans le paragraphe I.4.
15
Chapitre I :
I.3.2.1 La reprsentation temps-frquence

La reprsentation temporelle du signal ne donne pas une bonne perception des
composantes oscillantes multiples. Tandis que la reprsentation frquentielle (transforme de
Fourier) ne montre pas clairement la localisation temporelle de ces composantes. Il semble,
donc, naturel de penser que ces limitations pourraient tre surmontes par une analyse tempsfrquence o le signal est reprsent comme une fonction conjointe du temps et de la
frquence, cest--dire dans un plan temps-frquence plutt quune fonction du temps ou
de la frquence [Bou 12b] [Bou 13a].
Les mthodes de la reprsentation temps-frquence son principe repose sur un
prtraitement du signal et sur sa classification. La conception de la RTF rsulte d'une
transforme de Fourier discrte en n (temps discret) applique la fonction dauto-corrlation
instantane :
R n, x* n xn N
(I.4)
Ainsi, la fonction d'auto ambigut est dfinie par :

N 1
A , Fn R n, R n, e
-j
2
n
N
(I.5)
n 0
et sont respectivement Doppler et retard discrets. La RTF correspondante qui est une
version discrte de la RTF du Rihaczek [Rih 98] est donne par :
Rn, k F -1n F k A ,
1
N
N 1 N 1
A , e
- j 2 N k
e j 2
N n
(I.6)
0 0
o k est la frquence discrte. La fonction caractristique [Coh 95] de la RTF discrte du

Rihaczek est simplement A, .
Il existe un noyau , qui opre par la multiplication bidimensionnelle sur la
fonction d'auto-ambigut [Cla 80]. La RTF correspondante est donne par :
16
Chapitre I :
Gn, k F -1n F k , A ,
1 N 1 N 1
, A , e
N 0 0
- j 2 N k
.e j 2
N n
(I.7)
La fonction caractristique de Gn, k est , A , . Tout lment non nul du noyau
, en termes de et/ou peut effectuer un lissage sur la RTF (I.6) originale de

Rihaczek, R[n , k ] en temps et/ou en frquence respectivement. G[n , k ] est une version lisse
de R[n , k ] . L'avantage du noyau est que toutes les RTF peuvent tre obtenues partir
de R[n , k ] par l'application dun noyau appropri. Ainsi G[n , k ] peut tre considr comme
RTF gnralise [Coh 95].
Le plan dambigut a des proprits trs appropris pour la classification. Une seule
position i , i dans ce plan offre des informations "globales" sur la structure tempsfrquence du signal. Si , 0 pour toutes les valeurs exceptes celles sur laxe = 0 , alors
toute l'information temporelle est lisse, et seulement l'information de la frquence
stationnaire est maintenue dans G[n ,k ] (RTF rsultante lisse). Si , 0 pour toutes les
valeurs exceptes celles sur laxe = 0 , alors toute l'information spectrale est lisse et
seulement l'information temporelle est retenue. Les points qui ne sont pas sur l'un ou l'autre
axe correspondent une structure temps-frquence non stationnaire.
Quand le noyau , est conu dans le but de la classification, nous nous rfrons
lui en tant que noyau dpendant de la classe du signal (DCS). Ce noyau est dcrit
par DCS , . En outre, nous nous rfrons la RTF correspondante, RTFDCS [ , ] comme la
RTF dpendante de la classe du signal; elle est dcrite par :
RTFDCS n, k F -1n F k DCS , A ,
(I.8)
Il est possible de visualiser la RTF dpendante de la classe du signal et d'observer la

structure de temps-frquence exploit par un classifieur.
La RTF de Rihaczek sert de reprsentation de base puisque la fonction d'ambigut et
la fonction caractristique de la RTF Rihaczek sont les mmes. Gnralement, d'autres RTF
peuvent tre utiliss comme des reprsentations de base. Pour dcrire cette gnralisation,
dfinissons un noyau multiplicatif de transformation T , qui transforme la RTF de
Rihaczek en une autre RTF quadratique: T , A , est la fonction caractristique de cette
17
Chapitre I :
nouvelle RTF. Puisque le noyau de transformation est impos avant l'application du noyau
dpendant de la classe du signal, le nouveau noyau dpendant de la classe du
signal DCS ' , , li la nouvelle reprsentation de base, est donn par :
DCS ' ,
DCS ,
T ,
(I.9)
Ce noyau produit une RTF dpendante de la classe du signal par :
RTFDCS n, k F 1 n F k DCS ' , T , A ,
(I.10)
Daprs (I.9), lunique critre pour toute RTF de base est que
T , 0
(I.11)
pour tout et , prservant toute l'information dans la fonction originale d'auto-ambigut.

Les RTF qui satisfont (I.11) sont la classe des RTF rgulires dfinies par [Hla 92].
Une alternative particulire est la RTF discrte de Wigner-Ville [Ric 98]. Le noyau de
transformation de Wigner-Ville est un exponentiel de modulation complexe. La classification
sera quivalente la RTF de Rihaczek (le meilleur qui peut tre ralis en utilisant la
technique dcrite ci-dessus). En revanche, le noyau de la transformation du spectrogramme
peut tre nul dans certaines rgions, selon la fentre utilise [Coh 95].
Ainsi, pour les signaux arbitraires, les
RTF de Rihaczek et de Wigner-Ville
permettent une meilleur classification par rapport au spectrogramme ou toute autre RTF
singulire (c.--d., toute RTF qui n'est pas rgulire) [Hla 92a] [Hay 97].
En gnral, toute technique de classification de temps-frquence qui emploie une RTF
singulire comme forme de reprsentation ne dpassera jamais les performances de la mme
technique en utilisant une RTF rgulire. L'utilisation d'une RTF singulire carte
implicitement l'information sans dterminer explicitement si elle est approprie la tache de
classification
[Bra 98]. Les RTF rgulires nont pas t largement acceptes parce qu'il est
difficile de les interprter visuellement. Les termes croiss dinterfrence altrent la teneur
relle du signal en temps-frquence. Cependant, pour la classification, il n'est pas
ncessairement souhaitable de reprsenter le signal prcisment en temps et en frquence. La
bonne sparation entre les classes est lunique objectif [Leb 08].
18
Chapitre I :
I.3.3 Mthodes base de modles

Les mthodes de diagnostic base de modles (connues aussi comme diagnostic
partir de principes premiers) [Rei 92] sont appropries quand linformation disponible sur le
processus permet dutiliser les principes physiques du processus et leur comprhension.
Selon la connaissance du processus, il est possible de dfinir deux formulations
diffrentes de cette approche base de modles : lapproche FDI (Fault Detection and
Isolation) issue de la communaut Automatique, sappuyant sur des modles quantitatifs,
et lapproche DX (du nom du International Workshop on Principles of Diagnosis) de la
communaut de lIntelligence Artificielle utilisant des modles qualitatifs.
I.3.3.I Modles Quantitatifs

Ces modles sont construits partir des lois fondamentales (physique, chimie,) et
dcrits par des relations mathmatiques sur les entres-sorties du systme. Diverses approches
pour la dtection de dfaillances partir des modles mathmatiques ont t
dveloppes depuis les annes 70 [Ise 97]. Ces mthodes dites "mthodes des rsidus"
comportent deux tapes : dune part, la gnration des rsidus et, dautre part, le choix
dune rgle de dcision pour le diagnostic. Les rsidus reprsentent des changements ou
divergences entre le comportement rel du processus et celui prvu par le modle. La figure
.I.2 illustre le principe le plus gnral pour la gnration des rsidus.
Lobjectif du rsidu est dtre sensible aux dfauts. Ainsi, normalement, en
labsence de dfaillances, cest--dire en fonctionnement normal, le rsidu doit avoir
une valeur nulle. Au contraire, en prsence dun dfaut, le rsidu aura une valeur non nulle.
Les techniques les plus utilises pour la gnration des rsidus, partir de
modles analytiques, sont listes ci-dessous :
Figure .I.2 -Principe de gnration des rsidus

19
Chapitre I :
- quations de parit
- Estimation dtat partir dobservateurs ou filtres de Kalman
- Estimation paramtrique
- Analyse structurelle
Une fois les rsidus gnrs, ils doivent tre valus pour dterminer la prsence ou
non dune dfaillance. Cette valuation des rsidus est tablie principalement par
lutilisation de seuils fixes ou adaptatifs pour viter les fausses alarmes. Nanmoins, la plupart
du temps, les rsidus sont corrls entre eux. Pour grer cette corrlation, le maximum
de vraisemblance gnralise peut tre utilis. Il sagit dune technique qui, sous lhypothse
que les variables ont une distribution connue, usuellement la distribution normale,
permet destimer les paramtres dun modle (dune quation ou dun systme, linaire ou
non linaire) avec des restrictions sur les paramtres (coefficients, matrice de variances
et covariances) ou non. Plus spcifiquement, la technique consiste construire une
fonction appele fonction de vraisemblance (construite partir de la fonction de
densit) et maximiser son logarithme par rapport aux paramtres inconnus.
Pour isoler la faute, lapproche FDI utilise une matrice de signatures de fautes
() qui est obtenue partir de lensemble des rsidus. Cette matrice dcrit les relations entre
les rsidus (lignes de ) et les fautes (colonnes de ). Un lment de ij aura une valeur de I si
la faute de la colonne j a une influence sur le rsidu de la ligne i, dans le contraire, la valeur
sera 0. La comparaison dune signature observe avec les diffrentes colonnes de la matrice
permet de localiser la faute.
Le principal inconvnient des mthodes analytiques de dtection de dfaillances et
diagnostic est la ncessit davoir des modles mathmatiques assez prcis et complets,
ce qui nest pas toujours facile, voire impossible, pour des processus complexes tels
que les processus chimiques. Ces modles sont limits aux reprsentations linaires ou
des modles non-linaires trs spcifiques. Un autre inconvnient est la modlisation
des perturbations qui peuvent engendrer des erreurs dans le modle. En plus, si un
type de faute na pas t modlis de manire spcifique, il ny a pas de garanties
que les rsidus soient capables de le dtecter. Finalement, ladaptabilit de ces
approches aux changements du processus nest pas considre.
20
Chapitre I :
I.3.3.2 Modles qualitatifs ou semi-qualitatifs

Dans certains cas, il devient trs difficile de disposer des connaissances compltes
pour faire un modle analytique du processus cause de sa complexit structurelle ou
de son comportement. Une alternative pour traiter les connaissances incompltes est de
faire des abstractions selon le principe du raisonnement qualitatif [Tra 97a]. Les modles
dcrivent alors la structure du processus diagnostiquer. Gnralement, il sagit des
connexions entre les composants. Lapproche DX exprime explicitement le lien entre un
composant
et les
formules
dcrivant
son
comportement. Ces
dernires
annes,
lutilisation de modles qualitatifs pour la surveillance et le diagnostic de dfaillances a

pris une grande ampleur [Tra 97b] [Esc 01].
Parmi les mthodes qui utilisent les modles physiques de type qualitatif pour la dtection
et le diagnostic de fautes, se trouve la prdiction du comportement partir des
quations diffrentielles qualitatives (QDEs). Ces QDEs sont des abstractions des
quations diffrentielles ordinaires qui utilisent des intervalles de variables et des
paramtres. Lalgorithme QSIM [Kui 86] reprsente un systme comme un ensemble
dquations diffrentielles qualitatives (QDEs) couples. Le comportement du systme
est alors reprsent par une squence dtats.
Selon lapproche DX, le diagnostic est bas sur la thorie du raisonnement logique
[Dag 01]. Pour le diagnostic, les termes suspects et candidat sont utiliss. Le premier fait
rfrence tout composant que le systme de diagnostic a identifi comme responsable
possible de lapparition dune divergence. Tandis que le deuxime fait rfrence au
composant, ou ensemble de composants, dont le fonctionnement incorrect expliquerait toutes
les divergences observes. Une caractristique de cette technique est que le diagnostic se
fait de faon itrative en trois phases :
- La Dtection de conflits : recherche de lensemble de composants suspects en

fonction des divergences observes.
-
Le Diagnostic : recherche des candidats parmi les suspects.
La Discrimination des hypothses : raffinement de lensemble de candidats dans le cas o
il y en aurait plusieurs.
21
Chapitre I :
I.3.3.3 Systmes flous

Une autre alternative pour la modlisation des systmes complexes est lutilisation
des concepts de la thorie des ensembles flous et de la logique floue [Yag 94]. Un
modle flou est une reprsentation des caractristiques dun systme laide de rgles
floues qui dcrivent sont comportement. Ceci permet une gnralisation de linformation qui
essaie dimiter le raisonnement approximatif excut par lhomme en introduisant
limprcision [Zad 73]. Les systmes base de rgles floues sont des systmes o les
relations entre variables sont reprsentes au moyen de rgles floues de la forme : SI
prmisse ALORS conclusion. Fondamentalement deux types de modles sont distingus :
Modles linguistiques (ML) flous [Mam 77] qui dcrivent le systme partir des
rgles SI-ALORS o les prmisses et les conclusions utilisent des variables linguistiques
qui ont des ensembles flous comme valeurs. Lensemble de rgles prend la place de
lensemble dquations classique utilis pour caractriser un systme. Ce type de
modles est essentiellement une expression qualitative du comportement du systme, o
les rgles sont obtenues la plupart du temps partir de la connaissance des experts et des
diffrents
mcanismes
de
raisonnement.
De faon gnrale une rgle SI-ALORS
linguistique scrit :
Ri: SI x est Ai ALORS
y est Bi
i I, 2,..., K
o Ai et Ci sont des ensembles flous qui dfinissent le partitionnement des espaces

dentre et de sortie.
Modles flous type Takagi-Sugeno-Kang (TSK) [Tak 85] pour lesquels les prmisses des
rgles sont de variables linguistiques mais les conclusions sont de type numrique,
gnralement sous forme de constantes, de polynmes ou de fonctions (linaires ou nonlinaires) qui dpendent des entres :
Ri:
SI x est Ai ALORS yi = fi(x)
i I, 2,..., K
Les modles flous TSK permettent une application relativement facile des
techniques puissantes dapprentissage pour leur identification partir des donnes. Ce type
de modle est utilis pour approximer des systmes complexes non linaires. En effet, le
grand avantage du modle TSK se situe dans sa puissance de reprsentation, particulirement
22
Chapitre I :
pour dcrire des processus complexes. Il permet de dcomposer un systme complexe

en sous-systmes plus simples (parfois mme linaires). La construction dun tel
systme flou est une chose dlicate. Quand la connaissance dun expert est disponible les
rgles doivent tre exprimes de manire linguistique, ce qui amne ensuite dterminer
des fonctions dappartenance pour les prmisses. En ce qui concerne les conclusions,
les fonctions fi sont typiquement des instances dune fonction paramtrique, dont la
structure demeure la mme dans toutes les rgles, seuls les paramtres changent.
I.3.4 Mthodes base de connaissances

Nous venons de voir que, dans le domaine de lautomatique et de la supervision des
processus, la conception et lutilisation des modles mathmatiques prcis pour la
dtection et le diagnostic est bien connue. Mais, dans beaucoup de cas, la construction dun
tel modle est trs difficile, de par la nature complexe ou non-linaire du processus
lui-mme, des paramtres variables dans le temps ou du manque de mesures
disponibles. Dans la pratique, il est dmontr que, dans ce cas, loprateur humain
peut fournir une meilleure supervision en utilisant sa propre connaissance et son
exprience pour assurer le bon fonctionnement du processus. De ce fait, les
connaissances de lexpert sur la structure et le comportement du processus sont
exploites par diverses techniques.
I.3.4.I AMDEC et Arbres de dfaillances
Nous prsentons ces mthodes, issues des tudes de risques et de sret de
fonctionnement, qui peuvent tre utilises pour identifier les causes des dfaillances de
processus industriels. Il sagit, en fait, de lanalyse fonctionnelle et matrielle du
systme.
AMDE (Analyse des Modes de Dfaillance, de leurs Effets)

La mthode de lAnalyse des Modes de Dfaillance et de leurs Effets ft employe
pour la premire fois, partir des annes I960, dans le domaine de laronautique pour
lanalyse de la scurit des avions [Rec 66]. Cette mthode permet une analyse systmatique
et trs complte, composant par composant, de tous les modes de dfaillance possibles et
prcise leurs effets sur le systme global [Vil 88].
23
Chapitre I :
La dmarche consiste dabord dfinir le systme, ses fonctions et ses composants.

Ensuite, lensemble des modes de dfaillances des composants doit tre tabli. Pour
chaque mode de dfaillance, sont recherches ensuite les causes possibles de son apparition.
Finalement, une tude des effets sur le systme et sur loprateur est faite pour chaque
combinaison (cause, mode de dfaillance). Les rsultats sont prsents sous forme de
tableau.
LAMDE est parfois complte par une analyse de criticit ; elle devient
AMDEC (Analyse des Modes de Dfaillance, de leurs Effets et de leur Criticit). La
criticit permet dextraire les modes de dfaillance les plus critiques. Lanalyse de
criticit est value partir du couple probabilit-gravit.
LAnalyse de fonctionnement (HAZOP, Hazard and operability study) est une
autre extension de lanalyse des modes de dfaillance (AMDE). La mthode HAZOP
explore systmatiquement laspect fonctionnel dun systme en identifiant, la fois, les
dangers et les dysfonctionnements dune installation. Elle est mise en uvre la fin de la
phase de conception puisquelle sappuie sur les schmas dtaills du systme.
Lutilisation des tableaux dAMDE(C) des fins de diagnostic industriel conduit
utiliser une procdure dductive, cest--dire utiliser ces tableaux comme un outil
didentification des causes de dfaillances partir des effets observs [Zwi 95]. La
modlisation des relations cause effet ralise par lAMDEC rend cette dmarche trs
puissante pour la rsolution des problmes de diagnostic de dfaillances de procds
industriels.
LAMDE est donc trs rpandue dans des nombreux domaines industriels,
laronautique en particulier; pourtant elle est lourde et insuffisante. En effet, il est
ncessaire didentifi a
priori les dfauts et/ou les dysfonctionnements pouvant
apparatre, un certain moment, dans le systme supervis; le recensement pralable des

dfaillances et leurs relations ventuelles ne peut jamais tre exhaustif et requiert en gnral
une longue exprience. En plus, toute modification ou volution du systme ncessite une
rcriture du tableau. Enfin, cette mthode ne peut traiter les cas de dfaillances
multiples et intgrer laspect fonctionnel.
Arbres de Dfaillances (ou Arbres de Causes)
Larbre de dfaillance est lun des outils majeurs danalyse du risque
technologique, dvelopp au dbut des annes 1960 aux Etats-Unis [Vil 88]. Cest la
mthode la plus couramment utilise dans les analyses de fiabilit, de disponibilit ou
24
Chapitre I :
de scurit des systmes. Il sagit dune mthode optimise qui permet la dtermination
des chemins critiques dans un systme.
Cette mthode a pour objet de dterminer les diverses combinaisons possibles
dvnements qui entranent la ralisation dun vnement indsirable unique. Elle
permet donc didentifier les points faibles de la conception.
Cest une mthode dductive dont la reprsentation graphique des combinaisons est
ralise par une structure arborescente (arbre), permettant un traitement la fois qualitatif et
quantitatif.
Cet arbre est tabli sous forme dun diagramme logique et comporte au sommet
lvnement indsirable. Les causes immdiates qui produisent cet vnement sont
ensuite hirarchises laide de symboles logiques ET et OU. De cette faon, larbre est
cr pas pas pour atteindre, la base, un ensemble dvnements considrs comme
lmentaires.
Une extension des arbres de dfaillances est la mthode du diagramme de
causes consquences [Vil 88]. Cette mthode combine les principes utiliss par lanalyse
dductive de larbre des dfaillances et lanalyse inductive de larbre des consquences.
Le principal inconvnient des arbres de dfaillances est que le dveloppement
est sensible aux erreurs diffrentes tapes. En effet, larbre construit est seulement
aussi bon que le modle mental de son crateur. Pour excuter un diagnostic correct partir
des arbres de dfaillances, ceux-ci doivent largement reprsenter toutes les relations
causales du processus, cest--dire quils doivent tre capables dexpliquer tous les
scnarios de dfauts possibles. De plus, lemploi de cette mthode se rvle difficile
pour les systmes fortement dpendants du temps. Enfin, il ny a pas de mthode
formelle pour vrifier lexactitude de larbre dvelopp.
I.3.4.2 Systmes experts

Pour les systmes experts, ou systmes base de connaissances, le diagnostic
industriel est devenu un des domaines privilgis dapplication. Les systmes experts
sont
des
outils
de
lintelligence
artificielle,
utiliss
lorsque
aucune
mthode
algorithmique exacte nest disponible ou praticable. De faon gnrale, nous pouvons

dire quun systme expert sert codifier la connaissance humaine en termes
dexprience,
raisonnement
approximatif,
analogie,
raisonnement
par
dfaut,
apprentissage, etc. De ce fait, la proprit principale de ces systmes est de pouvoir
25
Chapitre I :
reprsenter et restituer les connaissances acquises par les spcialistes dun domaine
technique prcis. Les connaissances utilises, dans la plupart des cas, pour le
dveloppement dun systme expert daide au diagnostic, reposent sur lapprentissage
des relations entre les causes et les effets observs pour chaque dfaillance [Agui 99].
Nanmoins, il est possible aussi dutiliser les modles fonctionnels dcrivant les
comportements des composantes de systmes complexes [Cha 93]. La dfinition que
nous retenons pour les systmes experts est celle donne par [Zwi 95]:
Un systme expert est un systme informatique destin rsoudre un problme
prcis partir dune analyse et dune reprsentation des connaissances et du raisonnement
dun (ou plusieurs) spcialiste(s) de ce problme
Un systme expert est compos de deux parties indpendantes :

une base de connaissances elle-mme compose dune base de rgles qui modlise
la connaissance du domaine considr et dune base de faits qui contient les informations
concernant le cas trait,
un moteur dinfrences capable de raisonner partir des informations contenues
dans la base de connaissances, de faire des dductions, etc. Au fur et mesure que les rgles
sont appliques des nouveaux faits se dduisent et se rajoutent la base de faits.
Les principaux avantages des systmes experts pour le diagnostic sont leur capacit
raisonner sous incertitude et leur capacit apporter des explications des solutions
fournies. La difficult spcifique de leur mise en uvre est la formalisation de la dmarche
cognitive qui a pour objectif, partir dune situation donne, de dfinir et de dcrire le
raisonnement associ.
I.3.5 Mthodes partir des donnes historiques

Ces mthodes ont lavantage de ne pas ncessiter la connaissance dun modle
mathmatique ou structurel du procd, contrairement aux mthodes base de modles.
Seulement, la disponibilit de grandes quantits de donnes historiques du processus est
ncessaire. Il y a diverses faons de traiter ces donnes et de les prsenter en tant que
connaissance a priori pour le diagnostic. Ceci est connu comme lextraction des
caractristiques. Parmi les mthodes dextraction des lAnalyse en Composantes Principales
(ACP)/Moindres Carrs Partiels (MCP) et
les
26
mthodes
de
classification
et
de
Chapitre I :
reconnaissance de formes (RdF), parmi lesquelles nous pouvons citer, dune part, les
classificateurs statistiques, dautre part, les rseaux de neurones artificiels [Ven 03].
I.3.5.I Analyse et reprsentation qualitative des tendances

Un traitement gnral des signaux a pour but lanalyse et la reprsentation
qualitative des tendances du processus, propose par Cheung et Stephanopoulos [Che
90] avec le concept de tendance, srie dpisodes avec une reprsentation triangulaire.
Dans ce formalisme, chaque pisode est reprsent par sa pente initiale, sa pente finale
( chaque point critique) et un segment de droite reliant les deux points critiques. Janusz et
Venkatasubramanian [Jan 91] ont propos une description qualitative des signaux (TDL
- Trend Description Language) utilisant primitives, pisodes, tendances
et profils. Les
primitives sont bases sur le signe des premire et deuxime drives (positif, zro et
ngatif). Ceci donne un ensemble de 9 primitives. Un pisode est un ensemble de
primitives du mme type. Le nombre de fois conscutives quune primitive est prsente
dfinie la dure de lpisode. La tendance dun signal consiste en une srie dpisodes,
et un profil sobtient en ajoutant des informations quantitatives aux tendances. Par la
suite, plusieurs travaux ont amlior le langage de description des tendances (TDL) au
niveau du bruit [Ved 97], de sa reprsentation et de son interprtation [Ayr 95][Mel
01] pour lutiliser, ensuite, en combinaison avec dautres techniques, surtout des
techniques de reconnaissance de formes [Bak 92].
Afin dtre plus gnrale, lapproche dcrite par Melndez et Colomer [Mel 01] a largit
les formalismes prcdents vers des contextes qualitatifs et quantitatifs. Cette approche
permet, en effet, de construire des pisodes partir de toute caractristique extraite des
variables du processus. Selon ce formalisme, une nouvelle reprsentation permet de
dcrire les tendances dun signal selon sa deuxime drive, laquelle peut tre calcule
par le biais dun diffrentiateur ( band-limited : FIR) [Col 01] afin dviter
lamplification de bruit. La premire drive qualifie au dbut et la fin de chaque
pisode est employe pour obtenir une reprsentation plus significative de la tendance
du signal. Ainsi, un ensemble de I3 types dpisodes est obtenu. Un avantage important de
cet ensemble dpisodes pour la surveillance est que les discontinuits et les priodes
de stabilit (habituelles dans des situations de dfaillance et dans des situations
normales respectivement) sont explicitement reprsentes en utilisant 5 types dpisodes (,
, , , ). Cette approche a t utilise, en combinaison avec dautres mthodes, pour le
27
Chapitre I :
diagnostic dunits industrielles [Col 02].

Labstraction qualitative permet une reprsentation compacte de la tendance en ne
prenant en compte que les vnements significatifs. Pour des tches telles que le
diagnostic, la reprsentation qualitative des tendances fournit souvent des informations
valables qui facilitent le raisonnement sur le comportement du processus. Dans la
plupart des cas, les dysfonctionnements du procd produisent une tendance distinctive dans
les
signaux
issus
des
capteurs.
Ces
tendances
peuvent
tre
employes
pour
lidentification des situations anormales dans le processus. Ainsi, une analyse approprie
des tendances du processus peut permettre de dtecter plus tt une dfaillance.
I.3.5.2 Analyse en Composantes Principales (ACP)

Lanalyse en composantes principales (ACP) est une technique statistique multivariable. Les techniques statistiques multi-variables sont des outils puissants, capables de
comprimer des donnes et de rduire leur dimensionnalit de sorte que linformation
essentielle soit maintenue et plus facile analyser que dans lensemble original des
donnes. Ces techniques peuvent galement manipuler le bruit et la corrlation pour
extraire linformation efficacement. La fonction principale de ce type de techniques est, par
le biais dune procdure mathmatique, de transformer un certain nombre de variables
corrles en un ensemble plus petit de variables non corrles.
LACP est essentiellement base sur une dcomposition orthogonale de la
matrice de covariance des variables du processus le long des directions qui expliquent la
variation maximale des donnes, cest--dire que cette mthode recherche une
projection des observations sur des axes orthogonaux. De ce fait, le premier axe
contient la plus grande variation. Le deuxime axe contiendra la seconde plus grande
variation orthogonale au premier.
Le but principal de lACP est donc de trouver un ensemble de facteurs
(composantes) qui ait une dimension infrieure celle de lensemble original de
donnes et qui puisse dcrire correctement les tendances principales. LACP est une
procdure qui ne prend en compte que les variables du processus. Parfois, un ensemble
additionnel de donnes est disponible, e.g. variables de qualit du produit. Il est
souhaitable dinclure toutes les donnes disponibles pour la surveillance du procd
et
dutiliser de cette faon les variables du processus pour prdire et dtecter des
changements dans les variables de qualit du produit. Pour cela, la mthode des
28
Chapitre I :
Moindres Carrs Partiels (MCP) peut tre utilise [Ven 03b]. Cette mthode modlise le
rapport entre deux blocs de donnes tout en les comprimant simultanment. Elle est
employe pour extraire les variables latentes qui expliquent la variation des donnes du
processus.
Divers travaux mens par MacGregor
et al. [Mcg 95][Nom 94]
ont
montr
lapplication des mthodes statistiques multi-variables telles que les ACP et MCP, dans
lanalyse et la commande de processus, la dtection et le diagnostic de dfaillances,
aussi bien dans le cas de procds continus que dans les cas des procds "batch"
(continus par lots).
Une limitation importante de la surveillance base sur lACP est que la
reprsentation obtenue est invariante dans le temps, tandis que la plupart des processus
rels voluent au cours du temps. Par consquent, la reprsentation issue de lACP ncessite
galement dtre mise jour priodiquement. Un autre inconvnient est quelle ne possde
pas des proprits de signature pour le diagnostic, ce qui rend lisolation des
dfaillances difficile.
I.3.5.3 Classification et mthodes de reconnaissance de formes

Ici, le diagnostic de dfaillances est essentiellement vu comme un problme de
classification. Le but principal est de construire un bloc de correspondance tel qu
partir dun ensemble dinformations dcrivant la situation courante du processus, il est
possible dobtenir les causes probables des situations anormales. Or, quand le
diagnostic est bas sur des observations multiples, ces observations sont regroupes
pour former des classes qui dfinissent une situation ou un mode de fonctionnement du
processus, auxquelles une nouvelle observation sera compare pour tre identifie. En
dautres termes, le diagnostic a pour mission didentifier le mode de fonctionnement
dun systme partir dobservations sur celui-ci.
La classification peut tre dfinie comme le groupement des observations (ou

objets ou individus) qui ont des caractristiques similaires. Chaque observation est
dfinie par un vecteur not Xi= [x1, x2,xD]T dans un espace D dimensions, o D
correspond au nombre dattributs ou caractristiques. Cet espace est connu sous le nom
despace de reprsentation ou de description. Le regroupement des observations selon
leurs caractristiques permet la dfinition des classes dcrivant des rgions particulires de
lespace de reprsentation. Lensemble des classes Xi= [Ck, k=1K] dfinit lespace de
29
Chapitre I :
dcision. Le regroupement des observations pour construire lespace de dcision est fait
partir dune phase dapprentissage en utilisant une mesure de similitude par le biais des
mthodes de classification.
Lobjectif de la reconnaissance de formes est alors de savoir associer toute nouvelle
i
observation X une classe de lespace de dcision. Laffectation dune observation X

lune des
K classes notes C1, CK indique une
opration de classement ou de
discrimination.
Si nous nous plaons dans le contexte du diagnostic, les paramtres caractrisant
le vecteur dobservation, et par consquent lespace de reprsentation, seront les mesures
disponibles issues des capteurs et actionneurs du processus ou bien des
informations
extraites de ceux-ci. Seule la connaissance a priori sur le systme permet de choisir

quelles seront les caractristiques retenir pour le diagnostic. Les classes peuvent tre
assimiles aux diffrents modes de fonctionnement du processus, dfinissant alors lespace
de dcision. Donc, lobjectif en termes de diagnostic est de dfinir quel mode de
fonctionnement correspond une nouvelle observation.
Dans la plupart des cas, la conception dun systme de diagnostic partir de la
reconnaissance de formes se droule en trois tapes [Dub 90] :
Une phase danalyse o il sagit dtudier les informations fournies par les
diffrents capteurs, les historiques ainsi que lexprience des oprateurs, afin de dfinir
lespace de reprsentation du systme ainsi que les classes qui reprsenteront les
diffrents tats de fonctionnement. Il sagit donc de la phase de classification : un
ensemble de N observations X1, X2, XN qui seront regroupes en K classes. Bien que
cela dpende de la mthode de classification utilise pour lapprentissage, cette phase est
gnralement lourde en terme de calcul.
Une phase de choix du systme de dtection qui consiste construire une rgle de
dcision qui tablira des frontires entre les diffrentes classes. La rgle de dcision permettra
daffecter ou non une nouvelle observation lune des classes connues.
Une phase dexploitation qui consiste implmenter le systme afin de
proposer une dcision pour toute nouvelle observation effectue. La bonne exploitation
du systme dpend de la pertinence de lespace de reprsentation et des performances de la
rgle de dcision.
Un des points les plus importants dans les mthodes de reconnaissance de
formes, est le bon choix de lespace de reprsentation, car de celui-ci dpend la
30
Chapitre I :
qualit du rsultat. Malheureusement, il nexiste pas de rgle gnrale pour choisir

lespace de reprsentation, ce choix sappuie sur les connaissances a priori existantes
sur le problme rsoudre; il ny a pas de dmarche algorithmique qui permette de le
formaliser.
Un des inconvnients dutiliser les mthodes de reconnaissance des formes pour
le diagnostic est que, en gnral, le nombre de classes est suppos connu au dpart, i.e. la
connaissance est suppose exhaustive. Toute observation doit appartenir une des
classes dfinies. Ceci est loin dtre le cas dans le contexte du diagnostic. Par ailleurs, il reste
souvent des modes de fonctionnement dont nous ignorons les caractristiques. Dans ce
cas, il est ncessaire dutiliser des techniques qui permettent de prendre en compte la
dtection de nouvelles classes, dapprendre leurs caractristiques et de les inclure dans le systme de
dtection; ce qui implique quun systme de diagnostic bas sur des mthodes de reconnaissance de formes
doit tre un systme volutif, capable de prendre en compte tout nouveau phnomne normal ou
anormal prsent dans le processus surveill.
De nombreux travaux ont dj permis de montrer lintrt des mthodes de

classification pour le diagnostic, notamment, dans le cadre de systmes complexes [Rib
02]. Les mthodes choisies vont des mthodes les plus classiques, comme les
classificateurs statistiques (le classificateur Bayesien, les K plus proches voisins) [Mar
03][Cas 03],[Ond 06] jusquaux rseaux de neurones artificiels [Ven 90][Lur 01].
I.4 Une stratgie pour la surveillance a base de mthodes de classification

Comme nous lavons dit prcdemment, un systme de surveillance doit tre
capable de rendre compte de ltat dun procd tout moment.
Notre objectif est de dvelopper une stratgie permettant, partir de donnes
historiques et de donnes rcupres en ligne lors de lexploitation du procd, de
construire un modle du comportement du processus et didentifier des situations
anormales issues des dysfonctionnements, pour aider loprateur humain dans sa prise de
dcisions. Plus prcisment, le but est didentifier, au plus tt, les dfaillances du
processus surveill, en diminuant le nombre de fausses alarmes.
I.4.I Mthodes de coalescence ("clustering")

Les techniques de coalescence (regroupement ou en anglais "clustering") essayent
de trouver une partition de lespace en regroupant les lments, de nature quantitative
31
Chapitre I :
x D, dun ensemble X{x1,...,xN} en un nombre K de groupes (ou classes), selon

leurs ressemblances ou bien leur proximit [Kau 90] [Jai 99].
Typiquement, le concept de similitude est dfini partir de la distance entre
un vecteur de donnes et le prototype (centre) du groupe (classe). Ces groupes doivent
satisfaire deux critres :
Chaque groupe ou classe est homogne : les objets appartenant au mme
groupe ou classe doivent tre similaires entre eux (le plus proche possible).
Chaque groupe ou classe doit tre distinct des autres : les objets qui
appartiennent au mme groupe doivent tre diffrents des objets appartenant dautres
groupes (le plus loign possible des autres groupes).
Les caractristiques des prototypes, qui ne sont pas habituellement connues
lavance, doivent tre choisies alatoirement et sont mises jour en mme temps
quest faite la partition de lespace.
Les mthodes de regroupement sont bases sur loptimisation itrative dune
fonction objectif (e.g. Variabilit dans les classes), permettant dobtenir des classes
homognes et les plus distinctes possibles.
I.4.I.I K-Moyennes
Lalgorithme populaire et le plus connu des mthodes de regroupement est celui des
K-moyennes (K-means) [Mcq 67]. Cet algorithme ralise une partition stricte ("dure"),
cest--dire que chaque objet nest assign qu une seule classe. Il sagit dune
procdure simple et itrative dont lide gnrale est de classer un ensemble
X{xI,...,xN} dlments dans un nombre K de groupes ("clusters") fixs lavance.
Chaque lment est un vecteur x D. La partition est faite de telle faon que les lments
lintrieur dun groupe sont les plus semblables possible, et les plus distincts des
lments appartenant dautres groupes. Le regroupement est ralis en deux
tapes :
dabord, il faut dfinir les K centres ou prototypes de chaque groupe; ensuite, chaque
lment est associ au groupe dont il est le plus proche du centre. Ainsi, chaque
groupe est caractris par son centre vk et par les lments qui lui ont t associs. Le
centre du groupe est le point dans lespace D-dimensionnel qui minimise la somme de la
distance de tous les lments qui font partie du groupe. Ici, D correspond au nombre de
caractristiques de lespace de reprsentation.
Lalgorithme a comme but la minimisation de la fonction objectif :
32
Chapitre I :
J k 1 n1 D2knA
K
(I.12)
o D2knA dfinit la mesure de distance entre lobjet xn et le prototype vk au sens

dune mtrique dfinie par la matrice A :
D knA
2
x n v k
xn vk .A.x v
T
(I.13)
La forme des groupes est dtermine par le choix de la matrice A dans

lquation (I.13). Un choix trs commun est : A=I , ce qui donne la distance
euclidienne [Bab 98]
D knA
2
xn vk .x v
T
(I.14)
Cette distance est la plus utilise dans lalgorithme des K-moyennes et elle induit une
partition en hyper-sphres de dimension D. Un autre choix, pour
A , est une matrice
diagonale qui utilise les variances dans les directions des coordonnes de lespace de
reprsentation.
Ceci
produit
la
norme
diagonale
et
gnre
des
classes hyper-
ellipsodales, parallles aux axes de lespace de reprsentation.

Finalement, A peut tre dfinie comme linverse de la matrice de covariance de
lensemble X : A =M I
M
1
N
x
N
n 1
Dans lquation (I.15), x
x xn x
(I.15)
correspond la valeur moyenne de lensemble des
lments X. Dans ce cas, la matrice A induit la norme de Mahalanobis dans lespace D. Avec
cette norme, les classes sont reprsentes par des hyper-ellipses dont lorientation est
arbitraire, dfinie par les vecteurs propres de M , comme le montre la Lalgorithme simplifi
est donn ci-dessous :
Figure .I.3 -Mesures de distance pour le regroupement

33
Chapitre I :
Algorithme K-Moyennes :
Entre : K groupes (I<K<N)
I. Choisir le centre initial des K groupes (alatoirement)
2. Affecter chaque lment xn au groupe dont il est le plus proche
3. Recalculer le centre vk de chaque groupe
4. Rpter 2 et 3 jusqu ce que stabilisation des centres ou nombre ditrations t
(fix) atteint.
Mme sil peut tre dmontr que lalgorithme converge toujours, il ne trouve
pas forcment la configuration optimale correspondant au minimum global de la
fonction objectif . Ceci correspond un problme doptimisation multimodal.
I.4.I.2 C-Moyennes Floues (FCM)
Une extension directe de lalgorithme K-moyennes est lalgorithme des Cmoyennes floues (FCM) [Bez 81], o la notion densemble flou est introduite dans la
dfinition des classes. Chaque objet a un degr dappartenance (ou de validit) associ
chaque classe. De ce fait et comme pour les K-moyennes, lalgorithme FCM utilise,
de manire itrative, un critre JFCM de minimisation des distances intra-classes et de
maximisation
des
distances
inter-classes,
mais
en
tenant
compte
des degrs
dappartenance des lments :
J FCM ( X , U , V ) k 1 n 1 kn
K
1
x1
1
x1n
x N
x
x
n
d
N
2
knA
(I.16)
D
xnD
x N
x x
1
(I.17)
O :
X est la matrice des N lments :
U est la matrice de partition floue (dimension KxN) avec kn [0 I] qui

k
dfinit le coefficient dappartenance de chaque lment xn la classe C ,
V est la matrice des prototypes vkou centres des classes,
m (I ) conditionne le degr flou de la partition (sa valeur est gnralement
34
Chapitre I :
fixe 2 dans les applications). Le poids de cet exposant sinterprte comme un

paramtre de distorsion. Le "flou" de la partition augmente avec ce coefficient. Par
consquent, les faibles niveaux dappartenance saccentuent, car il y a un
recouvrement entre les classes. Lalgorithme simplifi est donn ci-dessous :
Algorithme FCM :
Entre: K groupes (classes) o I< k <N, degr de flou m, mtrique A.
(0)
Initialiser alatoirement la matrice dappartenance U .

Rpter pour chaque itration l =1, 2, :
I. modifier les prototypes (centres) de classes vk(I)
(l )
k
n 1
N
x

l 1
kn
l 1
n 1
(I.18)
kn
1. calculer les nouvelles distances D2kn
(l )
2
D knA x n v(kl ) . Ax n v k
T
(I.19)
2. mettre jour la matrice U(I)

2
D knA > 0 pour I k K I n N
(l )
kn
K
k 1
1
knA
/D
2 /( m 1)
hnA
(I.20)
sinon (lkn) =I (distance est 0, appartenance est I)

jusqu obtenir la stabilit de U (l ) : U (l ) U (l 1) < ,
o correspond au critre de
convergence.
Il existe dautres extensions de lalgorithme de FCM, tel que lalgorithme GKMoyennes de Gustafson et Kessel [Gus 79] qui propose une mesure de distance
adaptative base sur la norme de Mahalanobis (quation (I.15)) pour dtecter des classes avec
des formes gomtriques diffrentes.
Un dsavantage des algorithmes de regroupement ("clustering") est quils sont
35
Chapitre I :
sensibles la slection de la partition initiale. Souvent, linitialisation se fait alatoirement,

plusieurs fois, dans lespoir quune des partitions mne un regroupement acceptable.
Cette sensibilit linitialisation devient aigu quand la distribution des donnes montre
une grande variance.
Les techniques de regroupement sont considres parmi les mthodes de
classification non-supervises, car elles nutilisent aucune connaissance a priori des
classes qui doivent tre cres. Nanmoins, un nombre spcifique de classes doit tre
choisi lavance, peu importe si les classes cres sont significatives ou non, ce qui
donne, tout de mme, ces mthodes un caractre supervis. Ceci peut tre un
inconvnient car il nest pas toujours possible de connatre le nombre de groupes
(classes) contenues dans lensemble de donnes.
I.4.2 Mthodes statistiques

Selon Michie et al. [Mic 94], deux types diffrents de mthodes sont identifis
comme des procdures statistiques pour la classification. Le premier type correspond
aux algorithmes dits "classiques" car ils sont drivs des Discriminants Linaires de Fisher
(DL) [Fis 36]. Le deuxime type englobe des techniques de classification "modernes" et
fournit une estimation de la distribution conjointe des caractristiques dans chaque
classe.
Pour lapproche des DL de Fischer, lensemble dapprentissage comprend N
lments reprsentant q classes prdfinies (connues). Lespace de reprsentation est dfini
par D attributs de type quantitatif et chaque objet de lensemble dapprentissage est dcrit par
un vecteur dattributs x x1 , x 2 ,..., x D . Cet espace de reprsentation est divis
par
un
ensemble dhyperplans, chacun dfini par une combinaison linaire des attributs.
Lhyperplan divisant deux classes est trac de faon bissecter la ligne joignant les
centres de ces classes. La direction de lhyperplan est dtermine par la forme des
groupes des lments. Cette approche ne requiert pas de suppositions probabilistes. Il y
a deux faons de raliser la classification en utilisant les DL :
Une
faon est de maximiser la sparation entre les classes par le critre des
moindres carrs. Un hyperplan dans lespace de reprsentation D-dimensionnel est choisi

pour sparer du mieux possible les classes prdfinies. Les lments sont classs selon
le cot de lhyperplan o ils se situent.
Une autre possibilit est de faire la classification laide de lestimateur maximum
de vraisemblance. Ici, on suppose que les attributs des lments dune classe sont
36
Chapitre I :
indpendants et suivent une certaine distribution de probabilit, avec une fonction Cde
probabilit (fdp) fi [Mic 94].Un nouvel objet, de vecteur dattributs x , est alors affect la
classe pour laquelle la fdp f i x est maximale.

Ces
techniques
de
classification
font
lhypothse
que
le
vecteur
des
caractristiques des objets obit une loi de distribution connue. De ce fait, ces
mthodes sont appeles aussi paramtriques [Mar 03] [Cas 03]. Une supposition trs
frquente est que les distributions sont de type Gaussien (ou normal), avec des
moyennes diffrentes mais avec la mme matrice de covariance.
Les techniques statistiques "modernes" sont considres comme des procdures de
classification non paramtriques qui peuvent tre utilises sans hypothses sur
lexistence dune loi de probabilit. La mthode des K plus proches voisins [Dud 01] est une
de ces techniques. Lide gnrale est : pour un nouvel objet
x,
il
sagit
de
dterminer la classe de chacun des k plus proches individus de x parmi tous les objets de
lensemble dapprentissage. Nous pouvons alors classer le nouvel objet dans la classe la
plus frquente parmi celles de ses voisins.
Une difficult de cette technique est de trouver une normalisation approprie des
observations. Pour des donnes multi-variables, dont les variables sont mesures selon
diffrentes chelles, une normalisation savre ncessaire afin de comparer les individus.
Pour des ensembles de donnes trop importants en nombre, cette technique peut devenir
coteuse en temps (pour
k>I) puisque toutes les observations de lensemble des
donnes dapprentissage doivent tre enregistres et examines chaque nouvelle

classification dun objet.
I.4.3 Arbres de dcision et induction

Les arbres de dcision sont des outils puissants et trs rpandus pour la
classification et la prdiction [Mic 94] [Boum 09]. Ce qui les rend attractif est le fait quils
peuvent tre reprsents comme des rgles. Les rgles peuvent, aisment, tre
exprimes de faon interprtable. Dans des applications o lexplication des causes ou
des raisons dune dcision est cruciale, les experts ont besoin doutils qui permettent de
reconnatre et de valider les connaissances dcouvertes issues des donnes, dans le
contexte du diagnostic. Il existe une varit dalgorithmes pour la construction des
arbres de dcision qui offrent la qualit dinterprtation souhaite.
Les arbres de dcision sont des classificateurs avec une structure arborescente.
37
Chapitre I :
Ils ralisent une recherche "top-down" (de haut en bas). Chaque nud reprsente une
dcision, ou un test, effectuer sur un attribut donn des individus. Le nud initial
sappelle racine. Deux (ou plus) branches peuvent tre issues dun nud selon si la
dcision prendre est de type binaire ou non. Les nuds intermdiaires sont des nuds
de dcision. Les nuds terminaux se nomment feuilles, et cest l que la dcision est prise
pour affecter un individu une classe existante. Les conditions principales, pour lextraction
des connaissances partir de la construction darbres de dcision, sont les suivantes :
les classes auxquelles les individus sont assigns doivent tre tablies lavance,
une quantit suffisante dexemples (individus) reprsentatifs des classes est
ncessaire,
pour chaque nud de dcision, lattribut appropri doit tre choisi.
Lalgorithme ID3 (et son successeur C4.5) de J.R Quinlan [Qui 86] et lalgorithme
CART (Classification And Regression Tree) [Dud 01] sont les algorithmes les plus
connus darbres de dcision. Le critre dvaluation dans lalgorithme ID3 est le choix dun
attribut examiner chaque nud de dcision. Le but est de choisir, dans tout lespace de
reprsentation, lattribut qui spare le mieux les individus de lensemble dapprentissage.
Pour choisir quel attribut est le plus appropri, cest--dire celui avec la distribution de classe
la plus non-homogne [Mit 97], lalgorithme emploie le concept dentropie, issu de la
thorie
de
linformation.
Lentropie
caractrise
la puret, ou lhomognit, dune
collection dindividus :
n
n
Entropie( A) bk log2 bk
k
nb
nb
(I.21)
n
EntropieMoyenne b Entropie
b
nN
(I.22)
Ou
nb est le nombre dindividus dans la branche b dun attribut A de
lespace de reprsentation,
nbk est le nombre dindividus dans la branche b dun attribut pour la classe k,
nN est le nombre total dindividus dans toutes les branches.
La procdure suivre est la suivante : dabord, il faut trouver la faon dont
lattribut distribue les individus dans les classes selon chaque branche (quation (I.21))
Ensuite, il faut calculer lentropie moyenne (quation (I.22)) de chaque attribut et choisir celui
38
Chapitre I :
pour lequel lentropie est moindre; il sera le premier attribut tre test. La procdure
de slection dun nouvel attribut et la partition des individus est rpte pour chaque nud, en
nutilisant que les individus associs au nud. Ainsi, les attributs qui ont dj t tests ne
sont pas inclus, de faon ce que chaque attribut soit test au moins une fois dans un des
chemins possibles. Ceci est fait jusqu ce que :
chaque attribut ait t dj inclus, ou que
les individus lis ce nud feuille aient tous la mme classe assigne (i.e.
leur entropie est zro).
Il ny a aucune restriction pour la nature des donnes classifier : les arbres de
dcision peuvent manipuler des variables continues (discrtises) et symboliques. Un
autre avantage des arbres de dcision est leur capacit gnrer des rgles
comprhensibles, tout en ralisant la classification sans exiger beaucoup de calcul. Ils
fournissent une indication claire sur les attributs les plus reprsentatifs pour la
classification ou la prvision. Un inconvnient des arbres de dcision est que la plupart
dentre eux examinent seulement un champ (attribut) la fois. Dailleurs, ils peuvent
tre
informatiquement
coteux
dans
leur
construction,
de
par
leur
croissance
combinatoire.
I.4.4 Rseaux neuronaux artificiels

Les rseaux de neurones artificiels (RNA) constituent une technique non-linaire
complexe base sur le modle dun neurone humain. Il sagit dun ensemble dentits
simples, appeles neurones , fortement interconnectes entre elles. En fait, les RNA
visent modliser les capacits dapprentissage du cerveau humain.
Les premiers travaux sur les RNA ont t dvelopps par McCulloch et Pitts
en I943, qui, en se basant sur des fondements biologiques, ont propos un modle binaire o
chaque neurone a une fonction seuil. En I949, Hebb propose une formulation du
mcanisme dapprentissage, sous la forme dune rgle de modifications des connexions
synaptiques. Ce mcanisme est devenu la base des algorithmes courants.
La premire architecture neuronale, le perceptron, apparat en I958, grce aux travaux
de Rosenblatt [Per 98].
Un RNA se compose typiquement dune couche dentre, dune ou de plusieurs
couches intermdiaires ou caches et dune couche de sortie. Dans le fonctionnement du
RNA, chaque nud ou neurone est connect dautres neurones dune couche suivante
39
Chapitre I :
par des poids synaptiques adaptables.
Figure .I.4-Schma gnral dun neurone
La figure .I.4 montre le schma gnral dun neurone. Chaque nud i calcule la
somme de ses entres (x I,,xN), pondres par les poids synaptiques (wiI,,wiN)
correspondants; cette valeur reprsente ltat interne du neurone (ui). Ce rsultat est alors
transmis une fonction dactivation f. La sortie yi est lactivation du neurone. Le modle
gnral du neurone est reprsent par :
u i n 1 win x n
N
(I.23)
yi f u i
(I.24)
La proprit principale des RNA est leur capacit dapprentissage. En fait, cet
apprentissage peut tre considr comme la mise jour des poids des connexions au
sein du rseau. Il existe diffrentes techniques dapprentissage, dont la plupart ont
besoin dune quantit considrable dexemples et de beaucoup de temps de calcul. Une de
ces techniques est lapprentissage supervis; ici le rseau sadapte par comparaison
entre le rsultat quil a calcul, en fonction des entres fournies, et la rponse attendue
en sortie. De cette faon, le rseau va modifier ses poids jusqu ce que le rsultat soit le
plus proche possible de la sortie attendue, correspondant une entre donne.
Lalgorithme de rtro-propagation (Figure I.4) est le plus populaire parmi les
techniques dapprentissage supervis
[Bis 95].
Lalgorithme essaye damliorer la
performance du RNA en rduisant la diffrence entre le rsultat ( yi) obtenu par le nud
et la sortie attendue ( di), en ajustant les poids par une technique de gradient. Cette diffrence
40
Chapitre I :
est mesure par lerreur quadratique :

E
1
yi d i
2
(I.25)
Lapprentissage par rtro-propagation travaille de la faon suivante : les poids

win son initialiss alatoirement. Chaque fois quun exemple est prsent au RNA,
lactivation de chaque nud est calcule. Aprs que le rsultat de la sortie soit calcul,
lerreur ip de chaque nud est calcule en remontant le rseau, cest--dire de la
couche de sortie vers la couche dentre. Cette erreur est le produit de la fonction
derreur E (quation (I.25)) et de la drive de la fonction dactivation
f.
Par
consquent, lerreur est une mesure du changement de la sortie du RNA provoqu par un
changement des valeurs des poids du rseau. Les RNA avec apprentissage supervis les plus
utiliss sont le perceptron, le perceptron multi-couche (PMC) [Her 94] et les rseaux
base radiale (RBF) [Orr 96]. Les RBF permettent de raliser un apprentissage sans
dterminer a priori la structure du rseau. La partition de lespace de description selon
les RBF est dcrite par des formes gomtriques diverses. Les RBF sont des rseaux deux
couches.
Dans la premire couche, des fonctions Base Radiale sont implmentes au
sein des neurones. Normalement la fonction utilise est de type gaussien. Les poids de
cette couche, sont calculs en utilisant la fonction de distance euclidienne. La deuxime
couche (couche de sortie) correspond aux neurones contenant une fonction dactivation de
type linaire.
Dans la plupart des algorithmes utiliss pour la conception des RNA, il faut
choisir lavance le nombre de couches caches du rseau ainsi que le nombre de
neurones par couche.
Figure .I.5 -Rseaux avec apprentissage par retro-propagation
41
Chapitre I :
Dans le cas des RNA avec apprentissage non-supervis, o les exemples nont
pas des classes attribues a priori, le rseau sadapte en rponse ses entres. Il y a des
rseaux capables de modliser la structure de lespace de reprsentation, gnralement
en termes dune fonction de densit de probabilit, ou en reprsentant les donnes en
termes de prototypes (centres) et leur similarit chaque prototype. Cette similarit est
calcule avec une mtrique de distance. Quand la mesure de similarit dun exemple est
considre insuffisante pour que celui-ci soit class dans un des diffrents groupes existants,
un nouveau groupe est cr. Parmi ce type de rseau, nous trouvons les rseaux autoorganisationnels (ou de Kohonen) [Koh 95] et plus rcemment, les rseaux "Cluster
Dtection and Labeling (CDL)" [Elt 98].
Aprs la phase dapprentissage partir dun ensemble des donnes, le RNA est
prt et peut tre utilis pour la prdiction ou pour la classification de nouveaux
exemples dans les classes existantes.
Dans la littrature, de nombreux travaux dmontrent lutilit des RNA, de par
leurs caractristiques dapprentissage et capacit de gnralisation, pour la dtection et le
diagnostic de dfaillances [Ven 90],[Raj 04],[Kan 11],[Kal 10], [Bouk 09 ], [Tan 12],
[Bou 13c] ainsi que pour la surveillance de processus complexes [Lur 03].
Les RNA sont trs intressants pour des problmes non-linaires o il devient de plus
en plus difficile demployer des techniques telles que les arbres de dcision, car ces derniers
coupent lespace de reprsentation de faon parallle aux axes (attributs). Les RNA sont
appropris aussi dans le cas de mesures bruites. Nanmoins, le temps de calcul
pendant la phase dapprentissage peut devenir trs important et la dfinition des paramtres du
rseau dlicate. Un autre inconvnient est que les RNA ne donnent pas une reprsentation
explicite des connaissances, ni partir des rgles, ni avec un autre moyen
facilement
interprtable. Le modle est implicite et cach dans la structure du rseau et les poids
des connexions entre nuds. Cest pour cette raison que les RNA sont parfois
considrs comme "un systme bote grise". En outre, les RNA ne permettent pas de
travailler directement avec des informations de type symbolique (qualitatif). Donc, dans
un problme de classification o certains attributs sont de type qualitatif il est ncessaire de
raliser une reprsentation quantitative. Nanmoins, Nauck et Kruse ont propos une
approche neuro-floue pour la classification de donnes [Nau 95]. Il sagit, de raliser une
classification partir des donnes dont leurs attributs sont reprsents par des sousensembles flous.
42
Chapitre I :
I.5 Le diagnostic appliqu aux machines lectriques

Pour la dtection dun dysfonctionnement de machine lectrique, il est ncessaire de
possder :
une bonne connaissance du comportement de la machine, de son tat et de son
fonctionnement.
une bonne connaissance des dfaillances et de leurs consquences sur le fonctionnement de
la machine.
I.6 Les grandeurs analyses par les mthodes de diagnostic

Les mthodes de diagnostic heuristiques permettent maintenant au monde industriel de
dvelopper des systmes de surveillance performants et efficaces. Elles peuvent impliquer
plusieurs domaines scientifiques et techniques. Elles reposent sur lanalyse de grandeurs de
type :
lectrique: analyse des grandeurs lectriques aux bornes de la machine (tensions,

courants, );
mcanique: analyse de la vitesse, du couple ou mme des vibrations (acclromtres,

);
thermique: analyse de la temprature de la machine (sonde de temprature, mesure

infra rouge);
lectromagntique: analyse des flux dans lentrefer (spires de mesure de flux), des flux
axiaux, des flux de fuite (bobines externes) ou des champs lectriques externes (mesure de
dcharges partielles);
chimique: analyse des huiles et des gaz.
43
Chapitre I :
I.7 Conclusion
Dans ce premier chapitre, nous avons donn un bref aperu sur ltat de lart des
diffrentes mthodes de diagnostic de dfaillances et des stratgies de dtection et de
diagnostic au moyen des mthodes de classification.
Diffrents
catgories
de
mthodes
ont
lapproche systme, les mthodes base de
t prsentes :
lapproche signal,
modles, les mthodes base de
connaissances et les mthodes partir des donnes historiques. Le choix dune de ces
mthodes dpend essentiellement des connaissances disponibles sur le procd, sans
oublier les considrations techniques et conomiques. Nanmoins, nous avons constat
que
ces mthodes ont des limitations et quun cadre de travail pour la rsolution des
problmes de faon collective, utilisant des raisonnements diffrents et parallles, savre tre
une alternative attractive pour relever les dfis du diagnostic.
Puis, nous avons prsent les caractristiques gnrales des diffrentes mthodes
de classification qui peuvent tre utilises pour la dtection de dfaillances. Parmi ces
mthodes, nous avons voqu les mthodes de regroupement ("clustering") strict (Kmoyennes) et flou (C-moyennes floues), lesquelles utilisent un apprentissage de type
non supervis. Parmi les mthodes qui emploient un apprentissage supervis (ou
dirig), nous avons cit : les arbres de dcision, qui peuvent tre reprsents comme
des rgles interprtables par lhomme et qui admettent des attributs de nature
qualitative ainsi que numrique; les mthodes statistiques et les rseaux des neurones
artificiels (RNA).
Nous avons fait une comparaison des avantages et faiblesses de diffrentes

techniques de classification de manire slectionner celle sur laquelle va sappuyer la
stratgie de surveillance que nous proposons.
44
CHAPITRE : 2
MODELISATION ANALYTICO-NUMERIQUE
ET CONSTRUCTION
DUNE
STRUCTURE TOLERANTE AUX DEFAUTS
DE
LA MACHINE A RELUCTANCE VARIABLE
45
Chapitre II :
Modlisation analytico-numrique et construction dune structure
tolrante aux dfauts de la machine rluctance variable
2.1 Introduction
Les travaux sur la modlisation et le diagnostic des machines lectriques ont souvent
port sur les machines conventionnelles surtout asynchrones. Cest pourquoi nous allons
nous intresser ici des machines moins classiques type machine rluctance variable (MRV)
et machine synchrone rluctance variable (MSRV) qui couvrent actuellement beaucoup
dapplications ceci grce la simplicit de leurs structures ainsi qu leurs performances. Ces
atouts leur ont permis de faire un bon chemin dans le domaine des entranements vitesse
variable.
La modlisation permet de saffranchir des difficults lies au diagnostic de machines
lectriques, cest--dire des modles de fonctionnement sains mais aussi des modles de
fonctionnement en prsence de dfaut. Il existe ce jour plusieurs mthodes de modlisation
adquates comme la mthode des lments finis, la mthode des rseaux de permances ou
des mthodes analytiques. Grce ces approches, il est possible de dcrire le comportement
de la machine en prsence dun dfaut et de permettre ainsi de caractriser son influence.
Ce chapitre est scind en deux parties: (i) la premire concerne la modlisation
analytique et numrique laide du logiciel FLUX-2D 7.6 et Flux to Simulink avec le flux-2D
10.4 (ii) la deuxime portera sur la modlisation et la construction dune structure tolrante
aux dfauts de la machine rluctance variable afin damliorer le fonctionnement de ce
premier type de machine tudi et modlis. Pour cela, on a propos un nouveau modle de
convertisseur bas sur le principe de la sparation entre les phases pour la comprhension et
lanalyse de diffrents dfauts;
De nos jours, la tendance en gnie lectrique est de dvelopper des applications aussi
sres que possible. Le concept de tolrance aux pannes est devenu un objectif pour de
nombreux chercheurs.
Bien quun certain nombre de dfinitions puissent tre donnes pour un systme
tolrant aux pannes, la dfinition la plus simple est que cest un systme dans lequel un
dfaut dans un composant ou sous-systme ne provoque pas un dysfonctionnement de
lensemble du systme. Le systme doit accomplir sa fonction malgr la prsence ou
loccurrence de dfauts. La tolrance aux pannes dun systme donn peut tre quantifie en
termes de fiabilit et de disponibilit. En rgle gnrale, la fiabilit signifie un attribut de
46
Chapitre II :
composants et de systmes qui naura pas besoin dtre rpar et est souvent mesure en
termes de temps moyen avant la dfaillance mean time to failure (MTTF).
Nanmoins, les systmes tolrants aux pannes ne sont pas si faciles raliser. Un
systme tolrance de panne doit dtecter les dfauts dans ses composantes et doit galement
avoir la possibilit soit de les corriger en optant pour une unit de sauvegarde lorsque le
principal choue ou par la reconfiguration du systme par exemple.
Dans le domaine des machines lectriques, les variantes tolrantes aux pannes
ncessitent non seulement des modifications de structure, mais aussi des connexions spciales
pour les enroulements et dispositifs lectroniques intelligents. Pour compenser la hausse de la
demande des cots dun convertisseur de puissance plus complexe, lutilisation dune
machine relativement simple est requise.
Aprs une vision densemble de la tolrance aux dfauts et de sa place au sein de la
sret de fonctionnement, les techniques de tolrance de machines lectriques et de
convertisseur aux diverses classes de fautes sont prsentes, ainsi que leur mise en uvre.
Par consquent, tous les nouveaux rsultats peuvent tre dintrt important pour tous
les chercheurs travaillant dans le domaine de diagnostic et de la tolrance de dfauts.
47
Chapitre II :
2.2 Modle de la machine reluctance variable

2.2.1 Principes de base des MRV [Ber 04]
Cette partie rappelle les principes de base de la conversion lectromcanique dnergie
appliqus aux machines rluctance variable. Considrons le circuit magntique simple de la
Figure I.1 constitu dune culasse ferromagntique fixe et dune pice ferromagntique
mobile dont laxe est repr par langle . Le passage dun courant I dans les n spires de
lenroulement cre une force magntomotrice (fmm) dfinie par: F = N.I.
Structure lmentaire monophase dtude

Figure .II.1 -a-
caractristique lectromagntique fondamentale

Figure .II.1 -b-
Le flux traversant les N spires de lenroulement varie en fonction de la rluctance

magntique des diffrentes portions du circuit, savoir la rluctance qui est la somme des
rluctances de la culasse stator, de la pice mobile rotor et de lentrefer qui est gnralement
dominante. La rluctance peut tre reprsente par son inverse qui est la permance
(proportionnelle linductance) dfinie par :
(II.1)
et en relation avec le flux totalis :

L N 2
L : tant linductance propre de lenroulement.
48
(II.2)
Chapitre II :
Pour un courant I dans lenroulement, la variation de lentrefer dfinit deux valeurs

limites du flux (Figure I.1) qui se traduira par une variation de flux donc dnergie
magntique : pour = 0 (modulo ), le flux est maximal ; il est minimal pour = /2
(modulo ).
La permance possde donc une priodicit de 2 (Nr dans le cas gnral de Nr dents
rotoriques). En se limitant au premier harmonique, elle sexprime par :
0 1 cos2
(II.3)
De manire similaire, la relation entre linductance de lenroulement et langle est :

L 20 21cos2 L 0 L1cos2
(II.4)
Pour des variations du courant I entre 0 et If et du flux entre 0 et f, nous pouvons

dterminer lnergie magntique We ainsi que la conergie magntique Wc (Figure II.2).
Figure. II.2 -Energie et conergie magntiques
Lnergie magntique est dfinie par:

Wm i.
(II.5)
Wc .i
(II.6)
Et la conergie :
49
Chapitre II :
A partir de la caractristique flux-At, on peut calculer le couple dvelopp par une

machine donne en suivant la mthode des travaux virtuels qui considre soit une variation de
lnergie magntique soit de la conergie ; nous pouvons ainsi exprimer le couple instantan
partir de lnergie magntique:
ce
Wm
Wm
r.
m
e cte
(II.7)
En rgime linaire, le flux est li aux ampres tours (ni) par la permance P () donc :
.ni
(II.8)
1
Wc .ni.dni .ni
2
(II.9)
Ce qui permet dexprimer le couple partir de la conergie :
ce
ce
Nr 2 d
.n i .
2
d
(II.10)
Wc
Wc
r .
m
e ni cte
(II.11)
Ou bien par rapport linductance de la phase L () :

ce
Nr 2 d (n2) Nr 2 dL
.i .
.i .
2
d
2
d
(II.12)
De la mme manire, si on impose le flux on obtient partir de lexpression de

lnergie magntique le couple :
ce
Nr 2 2 d
. n .
2
d
(II.13)
o () est la rluctance.
50
Chapitre II :
Figure. II.3 -Energie convertie lors dun cycle dalimentation
Lorsque la machine est sature linductance de la phase ne varie plus seulement en

fonction de la position. Il faut alors calculer le couple partir de lnergie convertie lors dun
cycle dalimentation.
La puissance lectromagntique convertie Pem sexprime alors par :
em f .W
(II.14)
La frquence lectrique dalimentation peut sexprimer partir de la pulsation de

rotation du moteur :
f Nr.
2.
(II.15)
Ainsi le couple lectromagntique Cem vaut si le moteur comporte q phases :
cem
q.Pem
W
q. N r .
2.
(II.16)
2.2.2 Les quations lectriques
Lorsque lon applique une tension V aux bornes dune phase de la machine on peut
dcrire son fonctionnement par les quations suivantes :
51
Chapitre II :
d , i
d , i
ri n.
dt
dt
di , i d , i
V r.i n. .
dt

dt
V r.i
(II.17)
d
.Nr
dt
Attention ne pas confondre flux totalis (=n) avec flux magntique () !!!!!!!
Dans le cas linaire on a = L ().i et on peut rcrire la dernire quation sous la
forme :
dL
di
V r.i n. L. i..
d
dt
(II.18)
Le terme d la variation dinductance en fonction de la position et de la vitesse

angulaire en i..(dL /d) est classiquement dnomm force contre-lectromotrice.
2.2.3 Le mode dalimentation

Thoriquement, il existe 2 modes fondamentaux dalimentation en moteur :
a. Alimentation en courant unidirectionnel

Type hach synchronis (Figure. II.4) avec le mouvement du rotor (capteur position)
on obtient lquivalent dune machine synchrone.
Ce courant en crneaux est quivalent la superposition dun courants continu DC
(excitation srie) plus un courant alternatif AC dont la pulsation est relie la pulsation de
rotation du rotor par :
= Nr.
(II.19)
Figure. II.4 -Alimentation en courant unidirectionnel
52
Chapitre II :
La Figure .II.5 montre la forme donde du courant, linductance, le flux et le couple en
Couple [Nm]
Flux [Wb]
Linductance [H] Courant [A]
fonction de langle lectrique :

10
5
0
1
0.5
10
50
100
150
200
250
300
350
400
50
100
150
200
250
300
350
400
50
100
150
200
teta()
250
300
350
400
5
0
20
0
-20
Figure. II.5- Courant, inductance, flux et couple pour une alimentation avec un courant unidirectionnel
b. Alimentation en courant alternatif

En remarquant que le sens du courant nintervient pas dans le fonctionnement
prcdent (sens de rotation et signe du couple ne dpendent que des valeurs de pour
lesquelles le bobinage est aliment ou non), on devrait obtenir un fonctionnement identique au
prcdent avec une alimentation purement alternative (Figure. II.6) de pulsation moiti:
= (Nr/2).
(II.20)
Figure .II.6 -Alimentation en courant bidirectionnel

53
5
0
-5
50
100
150
200
250
300
350
400
50
100
150
200
250
300
350
400
-5
-4
5
-3
-2
-1
50
100
150
200
teta()
250
300
350
400
0.5
Couple [Nm]
Flux [Wb]
Linductance [H]
Courant [A]
Chapitre II :
5
0
0
-5
Figure. II.7 - Courant, inductance, flux et couple pour une alimentation avec un courant bidirectionnel
Comme le cas prcdant, la Figure. II.7 montre la forme donde du courant,

linductance, le flux et le couple en fonction de langle lectrique pour une alimentation en
courant alternatif.
54
Chapitre II :
2.3 Modle de la machine synchrone reluctance variable

Depuis une dcennie, grce ses avantages structurels (simplicit et robustesse), la
machine synchro-rluctante convient bien aux applications forte puissance et vitesse leve,
domaine couvert actuellement par la machine asynchrone. Mais cette dernire prsente des
pertes Joule et des pertes fer au rotor en rgime permanent. La machine synchro-rluctante est
donc sur ce point une concurrente de la machine asynchrone. De plus, le rotor, pouvant tre
massif, elle est robuste et joue le rle damortisseur. En outre, du fait de labsence
dexcitation, son courant de court-circuit est largement plus faible que celui dune machine
synchrone. Cela diminue le cot du systme de protection et la taille du convertisseur
dalimentation.
La machine synchro-rluctante couvre une large gamme de puissances de 750 [W]
100 [kW] et de vitesse: de 3000 [tours/min] 48000 [tours/min].
Nous avons choisi, pour notre tude diagnostic et simulation de dfauts, le rotor
axialement lamin car le rapport de saillance (Ld/Lq) qui est un paramtre dterminant des
performances intrinsques de la machine atteint des ratios suprieurs 8, ce qui fait que ce
type de rotor est utilis dans une pile-volant de parc olien.
(a)
(b)
Figure .II.8 Le rotor axialement lamin (a) du modle de MSRV choisie (b)
55
Chapitre II :
2.3.1 Principe de fonctionnement dune machine synchrone rluctance variable
Le stator de la machine synchro-rluctante est bobin de la mme faon que celui des
machines synchrones ordinaires. Il sagit dun bobinage triphas avec p paires de ples
aliment par un systme triphas quilibr de courants de pulsation . Le bobinage triphas
cre alors une force magntomotrice (f.m.m) tournante avec une vitesse angulaire de /p.
Son rotor saillant prsente une dissymtrie entre laxe direct et laxe en quadrature. Il se
positionne par rapport la f.m.m tournante de manire ce que la rluctance traverse par le
flux dinduction magntique dans lentrefer soit la plus petite que lui permet la charge quil
entrane. En tournant, la force magntomotrice entrane ainsi le rotor la mme vitesse /p.
Langle 0 entre le maximum de la fmm et laxe d du rotor est appel angle de charge .
Figure .II.9 -Machine diphase quivalente
En rgime linaire, lnergie magntique de la machine sexprime en fonction des

inductances, de la valeur efficace I2 du courant diphas et de langle de charge par :
W I 22 L d cos2 0 L d sin 2 0
1 2
1 2
I 2 L d L q cos 2 0 I 2 L d L q
2
2
(II.21)
Nous pouvons constater que lnergie possde une partie non convertible indpendante
de 0, dite nergie magntisante, et une partie convertible en cos (20) dont lamplitude est
proportionnelle la diffrence (Ld-Lq). Nous obtenons le couple en drivant lnergie par
rapport langle de charge :
ce
W
p I 22 L d L q sin 2 0

0
p
56
(II.22)
Chapitre II :
Soit :
ce pLd Lq i d i q 2 pLd Lq I d I q
(II.23)
O Id et Iq sont les valeurs efficaces des courants direct et en quadrature, lis par :
Id
id
2
Iq
iq
2
(II.24)
(II.25)
Ce couple est maximum pour -0 = 45, cest dire quand Id=Iq=I2/2. Dans ce cas, le
couple scrit :
2
2
ce pLd Lq I 2 p I 2 Ld
Ld
Lq
Ld
Lq
(II.26)
Le point de fonctionnement couple maximum est particulirement intressant. En ce

point, le facteur de puissance peut approximativement sexprimer par :
cos ce max
1
2
Ld 1
Lq
(II.27)
L

L
d
La production de couple vient donc directement de la dissymtrie entre laxe direct et

laxe en quadrature, autrement dit de la saillance du rotor ; le facteur de puissance dpend du
rapport Ld/Lq, donc en essayant de prserver une valeur suffisante de Ld.
2.3.2 Le model mathmatique dune machine synchrone rluctance
Hypothses et mise en quations

Pour pouvoir dvelopper le modle lectrique quivalent de la machine, il est
ncessaire de faire certaines hypothses. Ces hypothses classiques sont les suivantes :
on considre une distribution sinusodale des forces magntomotrices dentrefer
cres par les bobinages statoriques et rotoriques.
on nglige les phnomnes de saturation et dhystrsis magntique.
57
Chapitre II :
on nglige les pertes dans le fer de la machine.

on nglige leffet de peau.
on nglige leffet de la temprature sur la valeur des rsistances.
On donne sur la figure .II.10, une reprsentation symbolique de la machine bipolaire

quivalente. Le stator est compos de trois bobinages dphass de 2p/3 dans lespace. La cage
du rotor peut tre modlise par deux enroulements en quadrature, lun plac suivant laxe d
(axe de faible entrefer) et lautre suivant laxe q. Cette reprsentation simplifie du rotor ne
permet pas daccder la connaissance du courant circulant effectivement dans chaque barre
mais conduit une traduction assez fidle de linfluence des barres rotoriques sur le
comportement de la machine. Langle reprsente la position mcanique du rotor et p le
nombre de paires de ples.
2.3.2.1 Dans un repre lier au stator

Nous trouvons un dveloppement complet du modle de la machine non sature dans le
repre du stator. Les expressions des flux travers les bobinages statoriques et rotoriques
sont les suivantes :
Figure .II.10 - Reprsentation symbolique de la machine
58
Chapitre II :
s1 L1 e L12 e L13 e L1rd e L1rq e i s1

s 2 L21 e L2 e L23 e L2 rd e L2 rq e i s 2
L31 e L32 e L3 e L3rd e L3rq e .i s 3
s3

0 i rd
rd L1rd e L1rd e L3rd e
Lrd

e L2 rq e L3rq e
0
Lrq i rq
rq L1rq
(II.28)
Les inductances qui apparaissent dans lquation (II.29) dpendent pour la plupart de
la position du rotor. En premire approximation, les expressions des inductances propres et
mutuelles du stator sont les suivantes :
L1 e L0 L2 cos2e

2
L2 e L0 L2 cos 2e
3

2
L3 e L0 L2 cos 2e
3

2
L12 e M 0 M 2 cos 2e
3

L 23 e M 0 M 2 cos2e

2
L31 e M 0 M 2 cos 2e
3

(II.29)
Les expressions des inductances mutuelles entre les enroulements statoriques et les
enroulements rotoriques sont donnes par :
L1rd e M srd cos2e
L1rq e M srq sin e
L2 rd e M srd cose
3
L3rd e M srd cose

3
L 2 rq e M srq sin e
3
L3rq e M srq sin e

3
(II.30)
Il existe une relation entre les coefficients L0 et M0 et entre les coefficients L2 et M2

apparaissant dans lexpression des inductances propres et mutuelles du stator :
M0 1
2
L0
M 2 1
L2
(II.31)
Les quations gnrales des tensions sobtiennent en crivant la loi de Faraday pour
chacun des enroulements en considrant la chute de tension ohmique. Comme les
59
Chapitre II :
enroulements rotoriques quivalents la cage sont en court-circuit, la tension applique est
nulle :
d sa
dt
d sb
V sb R s . ib
dt
d sc
V sc R s . i c
dt
V sa R s . i a
0 R rd . i rd
0 R rq . i rq
d rd
dt
d rq
(II.32)
dt
Lexpression du couple lectromagntique est obtenue par drivation de la conergie :
cem
1 t L
i e i
2
(II.33)
Ce modle, valable dans le cadre des hypothses dfinies prcdemment, peut scrire
plus simplement dans un repre commun li au rotor.
2.3.2.2 Modle de la machine dans le repre (d-q) li au rotor
Pour simplifier les quations du modle, on se place dans un repre li au rotor (axes
d-q). Les grandeurs statoriques sont ramenes dans le repre du rotor en appliquant la
transformation de Park. Cette transformation mathmatique est rappele ci-dessous pour les
courants. Elle est parfaitement dfinie quel que soit e. Elle est orthogonale et possde une
matrice inverse.
La matrice de Park norme est:
2
2
cos(e) cos(e 3 ) cos(e 3 )
2 sin(e) sin(e 2 ) sin(e 2 )

3
3
3
1 2
1 2
1 2
(II.34)
Avec :
(II.35)
60
Chapitre II :
Toutes les grandeurs lectriques triphases sont projetes sur le repre li au rotor par
la transformation de Park, nous crivons alors dans le cas gnral:
xa
xd
xb t xq

xc
xh
(II.36)
2
2
cos(e) cos(e 3 ) cos(e 3 ) i

i sd
sa

2
2
2
sin(e) sin(e ) sin(e

) i
i sq
3
3
3 sb

1 2
i sc
i sh
1 2
1 2
(II.37)
Devient alors: le systme dquations
d
d
v R dt dt
t
dqh
dqh
dqh
dqh
(II.38)
Ou [Xdqh] dsigne tout vecteur de grandeurs exprimes dans le rfrentiel lie au rotor,
les indices d, q et h dsignent respectivement les composantes directe, en quadrature et
homopolaire.
La multiplication des deux membres de (II.38) par [P] nous donne:
v R d p d
t
dqh
dqh
Avec
dqh
dt
dt
(II.39)
dqh
0 1 0
1 0 0
0 0 0
(II.40)
Ce qui donne:
Ld
vdqh R s dqh 0
0
0
Lq
0
0
0
d
0 dqh p L d
dt
0
L h
Ou :
61
L q 0
0
0 dqh
0
0
(II.41)
Chapitre II :
Ld
0
0
Lq
0
0
t
0 L
L h
(II.42)
Avec:
L
L
L
M
L2 M 2
d
0
f
0
L q L0 L f M 0 L 2 M 2
2
L h L0 M 0
(II.43)
Le neutre de la machine tant isol, ce qui implique naturellement ih=0, on peut crire:
v d R s

vq pLd
pLq id Ld

R s iq 0
0 d id

Lq dt iq
(II.44)
Ou encore, sous la forme dquations dtat:
Rs
d id Ld

dt iq p Ld
Lq
p Lq
1
id
Ld
Ld
Rs iq
0
Lq
0
v d

1 vq

Lq
(II.45)
Equations mcaniques
Le couple lectromagntique est driv, selon le principe des travaux virtuels, de
lexpression de la conergie et en rgime linaire de fonctionnement:
cem
1
t L
p Iabc Iabc
2

(II.46)
Le remplacement du vecteur courant par sa transforme de Park nous donne:
62
Chapitre II :
1
t L
cem 2 I dqh I dqh

0 Lq 0
t
1
0
0I dqh
p I dqh Ld
2
0
0
0
p Ld Lq id iq
(II.47)
On associe lquation du couple lectromagntique, la relation fondamentale de la

dynamique des systmes en rotation :
d
f cem cr
dt
(II.48)
Ou :
: reprsente la vitesse de rotation du rotor,
J : reprsente le moment dinertie du systme,
f : le coefficient de frottements visqueux,
cem : est le couple lectromagntique,
cr : le couple rsistant.
Le modle lectrique quivalent de la machine dans le repre commun du rotor est

reprsent Figure II.11. Dans ce repre, on obtient un modle relativement simple o la
machine est reprsente par deux circuits lectriques coupls, lun suivant laxe d et lautre
suivant laxe q. Dans la suite, nous ne considrerons pas
les quations relatives la
composante homopolaire (machine couple en toile sans neutre). Les quations des tensions
statoriques aux bornes des bobinages quivalents daxe d et daxe q scrivent :
dsd
e.sq
dt
dsq
e.sd
U sq R s . i sq
dt
U sd R s . i sd
(II.49)
63
Chapitre II :
Figure .II.11 -Modle quivalent dans le repre (dq)
Les flux totaliss dans les enroulements statoriques sont lis aux courants par les
relations suivantes :
sd Ld .isd Md .ird
sq Lq.irq Mq.irq
(II.50)
De la mme faon, on peut crire les quations des tensions rotoriques (les
enroulements quivalents sont en court-circuit) :
drd
dt
drq
0 Rrq.irq
dt
0 Rrd .ird
(II.51)
Les flux totaliss dans les enroulements rotoriques scrivent :

rd Lrd .ird Md .isd
rq Lrq.irq Mq.isq
(II.52)
On montre que lexpression du couple lectromagntique dvelopp par la machine

peut scrire de la faon suivante :
cem p.(sd .isq sq.isd )
(II.53)
64
Chapitre II :
Le modle lectromcanique rsultant
La MSRV sous la forme dquations dtat:

Rs
pLq
1
id
iq

Ld
Ld
id
Ld
Rs
pLd

0
d iq
iq
id
Lq
Lq
dt
p ( Ld Lq )idiq f

Tr 0
J
J
0
p
0
1 vd
Lq vq
0
(II.54)
Note : Le modle lectrique que nous avons rappel est valable dans le cadre des
hypothses dfinies prcdemment (modlisation au sens du premier harmonique) sans tenir
compte de la saturation magntique des matriaux. Le modle au sens du premier harmonique
despace est suffisant pour reprsenter le fonctionnement dune machine rluctance lorsque
les enroulements statoriques sont coupls en toile neutre isol.
Le principe des machines rluctance variable (MRV) a t mis en ouvre depuis

environ un sicle soit pour produire des courants de frquence leve (10 kHz) lpoque des
dbuts de la radiolectricit, soit pour raliser des actionneurs ou relais lectromagntiques
(Electroaimants palette ou noyau plongeur). Les MRV ont connu de nouveaux
dveloppements depuis une trentaine dannes, dune part comme dispositifs dentranement
lents couple lve, et dautre part, en association avec des alimentations lectroniques de
puissance, au sein de systmes ou
elles ont pour rle deffectuer une conversion
lectromcanique ou de transmettre une information ; lheure actuelles les dispositifs

commutation destins aux entranements grande vitesse de rotation utilisent frquemment
des machines rluctance variable.
Les machines rluctance variable (MRV) englobent des machines de structures
diffrentes dont la proprit commune est la variation sensible de la forme de lentrefer
durant la rotation. Mais, ces machines nont pas les mmes caractristiques ni les mmes
performances et ne sont pas destines au mme usage.
65
Chapitre II :
2.4 Moteurs rluctance variable dans lapproche tolrante aux dfauts

Normalement, un systme lectrique ne peut fonctionner que si tous ses composants
sont oprationnels. En cas dapparition dun dfaut la capacit oprationnelle du systme est
diminue de manire cohrente.
Il y a quelques questions importantes qui doivent tre considres lors de la
conception dun systme lectrique tolrant la dfaillance :
La localisation du dfaut: processus dobservation de la composante qui a t
en dfaut;
Le diagnostic de lerreur: processus dobservation de la cause du dfaut;
Lisolement de dfaut: cest le processus de traitement de dfaut afin darrter
sa propagation dautres composants du systme;
Compenser le dfaut: processus de contrle du reste sain (sous-ensembles
fonctionnels), afin de prendre en charge la fonction du dfaut.
2.4.1 La tolrance aux pannes des machines lectriques

Aujourdhui, il existe plusieurs applications qui ncessitent un fonctionnement sans
dfaut. Beaucoup de ces applications incluent les machines lectriques. Davoir une tolrance
de panne totale du systme, les machines lectriques inclus doivent avoir un fonctionnement
en continu, malgr les dfauts. Habituellement, la premire tape pour concevoir une machine
tolrante aux dfauts est laugmentation du nombre de ples et de phases. Par consquent, le
manque dune phase en dfaut est moins sensible dans le dveloppement du couple. Ses
principaux inconvnients sont la fois les pertes fer et les laugmentation des pertes
denroulement, des structures complexes et de haute technologie lectronique.
Pendant les oprations de la machine, en cas dapparition dun dfaut, son indemnit
est ncessaire pour obtenir un dveloppement de couple ou de vitesse proche de ceux nots.
De nos jours, il existe plusieurs solutions dj appliques et utilises dans le domaine
de la tolrance aux pannes des machines lectriques.
2.4.2 Exigences dun systme dentranement tolrant aux pannes

Il ya beaucoup de dfauts potentiels qui peuvent se produire dans un systme
dentranement: invitablement dans ce travail la gamme de dfauts ltude doit tre
restreint.
66
Chapitre II :
Les principaux dfauts lectromagntiques qui peuvent survenir au sein de la machine
sont les suivantes:
Enroulement circuit ouvert ;
Enroulement court-circuit (phase-terre ou dans une phase) ;
Enroulement court-circuit au niveau des bornes.
Dans le convertisseur de puissance des dfauts considrs sont:
Un circuit ouvert de dispositif de puissance ;
Court-circuit de dispositif de puissance ;
dfaillance de DC.
2.4.3 Les solutions techniques pour la conception de machines lectriques tolrante aux
pannes
La conception de la tolrance aux pannes des machines lectriques ncessite plusieurs
changements dans la structure de la machine. Conception et fabrication de la machine
lectrique tolrante aux pannes est assez difficile, mme avec la technologie daujourdhui et
ncessite beaucoup dexprience du concepteur.
Plusieurs solutions techniques peuvent tre appliques afin dobtenir une machine
lectrique qui aura un fonctionnement en continu, mme en rgime dfectueux.
La modification de la gomtrie de la machine sest avre tre la plus difficile et
exige une augmentation du nombre de ples, une modification des formes des ples et la
construction de la machine dans une structure modulaire.
Une deuxime tape dans la conception de machines tolrance de panne consiste
modifier leurs enroulements. Le fractionnement des phases en bobines indpendantes est la
mthode la plus largement utilise pour les machines tolrance de panne. Il est ncessaire de
compenser labsence dune phase en dfaut ou dune bobine davoir le moins de changements
possibles dans la caractristique du couple dvelopp.
Le convertisseur de puissance de la machine doit tre conu pour tre aussi tolrant
aux pannes. En utilisant lintelligence programme, le convertisseur doit tre capable de
reconfigurer son contrle et lalimentation de la machine en fonction de svrits de dfauts,
pour la poursuite du fonctionnement de la machine.
2.4.3.1 Amliorations de construction dans la conception des machines lectriques

tolrance de panne
En raison de la grande varit de machines lectriques, il existe de nombreuses
67
Chapitre II :
possibilits pour modifier la construction pour atteindre la tolrance aux pannes. En raison de
ces changements, les performances globales de la machine diminuent. Par consquent, les
pertes ncessitent une attention particulire lors de la conception dune machine tolrance de
panne [Atk 05], [Rub 08b].
Formes des ples initiales
Formes des ples modifies
Figure .II.12 -Modifications de la conception du stator pour rduire les pertes dans le cuivre
Changement de la forme du ple statorique :

En changeant la forme du ple statorique (voir figure. II.12.) Les pertes dans le cuivre
peuvent tre rduites.
Augmentation du nombre de ples du stator et ples du rotor :
Diffrentes structures de machines multiphases tolrantes aux dfauts peuvent tre
conues en augmentant le nombre de ples du stator et ples du rotor [Rub 08b]. Rduction
des ondulations de couple et galement la tolrance aux pannes de la machine lectrique a t
augmente de faon constante dans la machine rluctance variable multiphas, contrle en
utilisant la technique deux phases on.
La division de la bobine de la phase :
Dautres designers ont tudis des structures avec un faible nombre de ples du stator
et du rotor, mais avec un systme denroulement complexe. Une ide intressante est de
diviser chaque phase en bobines ou sous-phases (voir figure. II.13.) pour une machine
rluctance variable de 3 phases. Deux ou plusieurs bobines de fonctionnement synchrone sera
compos dune phase. Chaque bobine est contrle indpendamment par un pont en H du
convertisseur lectronique de puissance. Lorsque le dfaut se produit sur une bobine de la
phase, les autres continuent fonctionner et peut mme compenser le manque de celui en
dfaut [Bia 05].
68
Chapitre II :
Figure .II.13 - Machine rluctance variable avec phases divises en bobines spares
Linsertion de flux magntique non boucliers :

Des tudes rvlent galement des approches tolrantes aux dfauts qui sont rarement
utiliss. Linsertion, de flux magntique non boucliers par un oprateur humain (Figure .II.14)
qui modifient les chemins de flux en cas de dfauts et obtenir une rpartition symtrique de
champ. Ces blindages sont insrs entre le stator et le rotor, crant des zones de haute
permabilit. Pratiquement lentrefer est fortement augment et la puissance de la machine
dans un tat dfectueux est considrablement rduite [Jam 02]. Les principaux inconvnients
de cette structure sont la ncessit de loprateur humain pour insrer les boucliers et les
pertes accrues dans ltat dfectueux [Cat 01].
Gnralement une machine lectrique est couple un systme mcanique pour
transformer la rotation/ mouvement linaire. Il existe plusieurs tudes qui mettent en vidence
laugmentation de la tolrance de panne la fois du systme mcanique et la machine
lectrique afin davoir un ensemble dunit oprationnelle de fiabilit leve [Del 05], [Dav
07].
Figure .II.14 Lutilisation des boucliers de flux dans un fonctionnement dfectueux dans une machine
aimant permanent
69
Chapitre II :
Augmentation de nombre de phases:
Comme dj mentionn, la modification des enroulements peut amliorer la tolrance
aux dfauts dune machine lectrique. Le changement du schma denroulement peut tre
effectu en appliquant diffrentes connexions entre les bobines de la machine. Pour
augmenter davantage la tolrance de panne dune machine une commande dalimentation
indpendante de chaque phase cest lapproche consacre. Le contrle dune machine avec un
nombre lev de phases exige un convertisseur complexe.
Les principales modifications considrent les connexions et la conception des
enroulements des stators avec laugmentation du nombre de ples. Le numro de la phase doit
tre en corrlation avec le nombre de ples magntiques du rotor. Doubler le nombre de
phases peut tre accompli sans augmenter le nombre de bobines.
Augmenter le nombre de phases peut tre galement accompli en augmentant le nombre
de ples du stator de la machine. Une Machine rluctance variable 4 phases a t tudie
dans [Sza 08]. En raison du nombre accru de phases, la machine peut facilement traiter les
dfauts de circuit ouvert ou court circuit et peut ainsi poursuivre son fonctionnement dans un
tat dfectueux et dvelopper un couple lev [Cis], [Cm 98].
La redondance
La redondance en gnie est la duplication des composants essentiels dun systme
avec lintention daugmenter la fiabilit du systme, gnralement dans le cas dune
sauvegarde ou dun chec (panne, dfaut) de scurit. Dans de nombreux systmes scurit
critique, tels que les avions, certaines parties du systme de contrle peuvent tre tripls. Une
erreur dans un composant peut alors tre supple par les deux autres. Dans un systme
triplement redondant, le systme comprend trois sous-composantes, tous les trois doivent
faillir avant que le systme ne tombe en panne. Puisque chacun fait rarement dfaut, et que les
sous-composants devraient chouer de manire indpendante, la probabilit que tous les trois
tombent en panne est calcule comme tant extrmement faible. Des exemples de redondance
sont prsents dans la section suivante.
Lobjectif est de dvelopper un systme qui puisse continuer fonctionner avec lun
quelconque de ces dfauts. La premire solution est un systme redondant complet constitu
de deux moteurs et deux onduleurs comme le montre la figure. II.15. Cette solution augmente
la tolrance aux pannes du systme mais, en cas de dfaut, le couple de sortie est la moiti du
couple en fonctionnement sain.
70
Chapitre II :
Figure .II.15 -double moteurs et double convertisseur de puissance
Il est devenu clair que lapproche de conception la plus russie implique un

entranement phases multiples dans lequel chaque phase peut tre considre comme un seul
module. Le fonctionnement de lun de module doit avoir un impact minimal sur les autres, de
sorte que, dans le cas de ce module dfaillant les autres pouvant continuer fonctionner [Zhu
06] [Zhu 08].
Une autre solution consiste adopter un entranement moteur plusieurs phases.
Lapproche modulaire ncessite quil y ait interaction lectrique, magntique et thermique
minimale entre les phases de lentranement. Cette philosophie doit stendre la fois la
machine et le convertisseur de puissance.
isolation lectrique complte entre phases

Ceci peut indiquer une condition essentielle si le fonctionnement continu doit avoir
lieu soit avec un dispositif d'alimentation ou un bobinage court-circuit. Par exemple, dans un
systme connect en toile, le point neutre peut augmenter la tension DC du circuit
intermdiaire de sorte qu'aucune possibilit de couple ne puisse rester. Une alternative
possible est de commander chaque phase partir d'un pont monophas spar. Ce qui
doublerait le nombre de dispositifs de puissance mais augmenterait marginalement la
puissance apparente totale du convertisseur lectronique, parce que chaque lment doit
seulement supporter la tension de phase plutt que la tension de ligne des systmes connects
en toiles.
Lisolement magntique entre les phases

Sans isolement magntique, les courants de dfaut dans une phase induisent des
tensions importantes dans les autres phases, ce qui empche leur contrle adquat. En outre, le
71
Chapitre II :
courant traversant les phases saines augmentera la FMM de l'aimant et donc la FEM
contrlant le courant de dfaut. Ainsi, il devient clair que pour un champ de raction d'induit
sain donn le courant de dfaut de court-circuit monophas est nettement plus quand il y a un
couplage mutuel entre phases. Les rsultats susmentionns montrent que les deux phases en
dfaut et saine fonctionnent beaucoup moins bien quand il y a un couplage mutuel entre les
phases ; ainsi, la machine doit tre conue avec un minimum de couplage mutuel entre phases.
L'isolement thermique efficace entre phases
Si la surface extrieure du stator est bien refroidie la hausse de temprature dominante
dans la machine se trouve dans chaque encoche. En veillant ce que chaque encoche ne
contienne qu'un seul enroulement, linteraction thermique entre phases est minimise.
L'isolement physique entre phases
Un dfaut phase-phase est particulirement grave car il permet de dsactiver deux
phases. En plaant chaque bobine autour d'une seule dent, ainsi tous les enroulements de
phases (dont les enroulements d'extrmits) sont spars physiquement, ce qui limine
pratiquement la possibilit d'un dfaut entre phases.
Nombre de phases
Les critres de base utiliss imposent lactionneur de continuer produire de
l'nergie nominale en cas de dfaillance d'une phase. Par consquent, s'il ya des n phases,
chaque phase doit tre surestime par un facteur de notation tolrance de pannes, F, o
F = n / (n - 1). Ainsi, s'il y a trois phases, chaque actionneur doit tre surestim de 50% afin de
donner la pleine capacit en cas de dfaut. De toute vidence, F diminue mesure que le
nombre de phases augmente ; mais cela doit tre quilibr par la complexit croissante d'un
nombre de phases lev et la probabilit leve de panne.
2.4.4 Dveloppement dun convertisseur lectronique tolrant aux pannes

Un convertisseur rpondant aux diffrents types de dfauts est le facteur important qui
dtermine sa capacit de tolrance aux pannes. Il existe deux grandes catgories dapproches
pour augmenter la tolrance de panne de contrle du convertisseur :
Lune est de concevoir une structure de convertisseur qui est tolrante aux pannes
La seconde est dutiliser une stratgie de contrle adquate
72
Chapitre II :
2.4.4.1 La conception dune structure de convertisseur tolrante aux pannes [Bou 11a]
[Bou 11b]
La caractristique distinctive dun
onduleur tolrant au dfaut, c'est qu'il doit
accueillir l'isolation lectrique entre les phases du moteur. Par consquent, des convertisseurs
en pont H spars sont utiliss pour commander les phases du moteur. Figure. II.16 montre les
enroulements trois phases et le circuit d'onduleur de dfaut de la machine variable
rluctance tolrante aux dfauts.
S2
S1
A+
A+
A-
S1
B+
B+
S3
B-
S4
S6
S5
C-
S2
S4
S3
B-
A-
C+
C+
S5
C-
S6
Figure .II.16 -The circuit model of the proposed power converter built up in flux 2D
En comparaison avec le circuit convertisseur triphas standard, ce convertisseur

double le nombre de dispositifs lectroniques de puissance. Cependant, les valeurs de tension
de l'appareil sont rduits puisque les dispositifs rsister la tension de phase plutt que la
tension de ligne. la suite de cela, les pertes de commutation de l'onduleur seront rduites, ce
qui rduit les besoins de dissipation de chaleur. Le circuit topologie donne ici ncessite
galement des circuits d'entranement supplmentaires pour les dispositifs de commutation.
Toutefois, dans certains cas, la dtection des dfauts et des circuits de protection de
commutation sont combins dans les circuits de l'onduleur qui seront dcrits dans la dtection
des dfauts et la section d'identification de cette thse.
Un convertisseur multiple phases a t construit. Pour chaque phase d'un
convertisseur pont complet est utilis, de manire atteindre une isolation lectrique
complte entre les phases. Afin d'viter la conception des rgulateurs de commande du banc
d'essai, une commande de courant d'hystrsis a t mise en uvre. Le principe de base de
contrle actuel est bas sur le contrle d'hystrsis classique. La tension applique chaque
phase est de + Vdc/2 (les switching on the switches, S1 and S4), - Vdc/2 (switching on the
switches S3 and S2) et 0 volts (switching on the switches S1 and S2 or S3 and S4).
Pour lalimentation des machines avec des signaux de courant unipolaire ou bipolaire les
73
Chapitre II :
systmes de commande les plus utiliss sont les ponts en H. Le pont en H est constitu de
quatre transistors de commande dans une phase. Quatre diodes assurent le courant inverse
pour ltat OFF de transistors.
Les angles damorage sont calculs en fonction de la position du rotor et lerreur entre
le courant de la bobine et le courant de la bobine impose. Pour augmenter plus la tolrance
aux pannes, chaque pont peut avoir son propre drive pour calculer les angles de commutation.
Un circuit de six phases dune machine rluctance commute ayant dans chaque phase
deux bobines de phase (ex. A est constitue de A1 et A2) est propose. Chaque bobine est
alimente par son propre pont en H assurant ainsi une grande fiabilit du systme [Mav 07],
[Mun 98].
Plus loin dans le domaine des convertisseurs AC, il existe dautres mthodes de
dveloppement de solutions tolrance de panne [Kra 99], [Spe 90]. Dans le cas de la
dfaillance en circuit ouvert lamplitude du courant est augmente et sa phase est modifie.
Les formes donde du courant homopolaires respectivement du couple avant et aprs
lapparition du dfaut sont donnes dans Figure.II.19-Figure.II.24.
Une attention particulire doit tre accorde laspect thermique dans le cas des
courants de phase de la machine sont augmentes. Lenroulement doit tre conu pour grer
en raison de la hausse des tempratures des courants plus levs. Des tudes ont montr que la
solution la question de lisolement thermique est un cblage de classe croissante [And 06].
Pour amliorer davantage la tolrance de panne dune machine lectrique, il est prouv
que la sparation des signaux de commande ou mme la source de tension pour chaque
branche de conversion est une bonne solution.
Essayer de choisir la meilleure solution pour une machine tolrance de panne
beaucoup de considrations doivent tre prises en compte. Chaque machine et chaque
modification la structure principale des avantages et des inconvnients [Fod 08].
2.4.5 La machine rluctance variable dans lapproche tolrante aux pannes

La tolrance aux pannes est dj dans sa construction classique (6/4) en raison de la
sparation complte des phases. Par consquent, toute amlioration de la tolrance de panne
est dun intrt rel pour tous les ingnieurs impliqus dans ce domaine. Un systme de
contrle complet dun SRM est donn la Figure .II.17.
Pour atteindre une grande fiabilit du systme, ses 3 composantes doivent tre tolrantes
aux pannes: le systme de contrle, le convertisseur de puissance et la machine lectrique
[Sur 06].
74
Chapitre II :
Figure .II.17 -Systme de contrle dun SRM
Le systme de commande doit tre capable de dtecter les dfauts de la machine, les
enroulements, les roulements, etc, et dagir de manire compenser les effets ngatifs [Rub
10], [Bos 86].
Les convertisseurs tolrance de panne appliquer sont similaires celui de la figure.
.II.14 [Bou 11a]
Plusieurs mthodes peuvent tre appliques pour augmenter la tolrance aux pannes
dune machine rluctance variable. La mthode la plus largement utilise galement dans ce
cas est la mise en parallle de lenroulement de chaque ple ; pour cela, chaque phase se
compose de deux bobines indpendantes (voir figure. .II.18). Cette mthode a dabord t
mentionne en 1989 et a t des plus efficaces [Tho 89]. Linconvnient de cette mthode est
la ncessit davoir un convertisseur complexe, ayant autant de bras onduleur que de bobines
indpendantes de la machine [Sza 09]. Une structure triplex de la MRV est tudie dans [Rub
08b]. Pratiquement la machine comporte quatre phases, chacune divise en trois bobines. De
cette faon, chaque phase implique des enroulements du stator 6 ples, do la machine aura
24 ples. Dans une telle conception, la tolrance aux pannes de la machine est fortement
augmente [Rub 08a].
Figure .II.18 -la mthode de division une phase un canal
75
Chapitre II :
Une autre ide est de rendre actif le rotor en plaant une bobine ferme autour des
ples comme le montre la figure .II.19. Cet enroulement est semblable la cage de la machine
asynchrone cage. Le couple gnr par linteraction du stator et de flux de rotor est en
mesure de compenser en partie le dsquilibre de couple provoqu par les enroulements en
dfaut.
Figure .II.19 -Rotor de la machine SR avec enroulement pour augmenter la tolrance aux pannes
2.4.6 Proposition de construction modulaire dune machine rluctance variable

En reprise des concepts dj prsents, un constat peut tre soulign propos des
demandes pour obtenir une machine RV tolrante aux pannes. Modification des numros de
phase, de la gomtrie et de llectronique high-tech sont la base pour obtenir une haute
fiabilit des systmes. Tous ces lments ensemble pour satisfaire une demande: rduire
autant que possible le couple diminue en raison des dfauts survenus.
La motivation atteindre de nouveaux designs pour la tolrance de panne des
machines rluctance variable est le dsir denrichir les connaissances dans ltat actuel des
tudes dans ce domaine. De plus, vu la fiabilit leve exige dans chaque application
critique, la prsente tude offrira une solution adapte pour de telles demandes.
Tel que prsent, le MRV a son propre niveau de tolrance aux pannes par son design
simple et ses enroulements de phase distincts. En outre, laugmentation de ce niveau de
tolrance est gre par une nouvelle approche au moyen de la conception de stator modulaire
spcial.
Les objectifs de la nouvelle machine modulaire MRV sont les suivants:
La tolrance aux pannes accrue;
Rduire les pertes en utilisant des trajets de flux de courte dure;
76
Chapitre II :
La sparation magntique de chaque bobine / phase;
Possibilit de rparation rapide en cas de dfauts, sans la ncessit de
dbrayage du rotor partir de la bote de vitesses;
Cout de la construction rduit;
Possibilit de tolrance aux dfauts en traitant plus les courants dans
ltat dfectueux;
La simplicit dans la construction, la fabrication et le fonctionnement.
Lide de la MRV modulaire est inspire de la machine Sawyer, reprsente la

Figure .II.18 et tudie dans [Vio 02]. Cette machine est compose de deux les bobines de
commande sur deux modules moteur et un aimant permanent entre eux faciliter le contrle
de la machine [Sza 07]...Le stator de la MRV modulaire se compose de huit modules
individuels, soit 16 ples (2 pour chaque module). Le rotor possde 14 ples, tant un design
classique passif. La machine comporte quatre phases, chacune divise en deux bobines.
Chaque bobine est enroule autour dun module. Les modules dune phase unique sont placs
dans le stator et diamtralement opposes (voir les lignes de flux obtenues par des moyens de
calcul numrique du champ). De cette faon, lors du fonctionnement normal de la machine,
les forces sont correctement quilibres.
La construction modulaire permet un remplacement facile et rapide de fabrication des
modules endommags en cas de dfaillance denroulement. La conception des modules
implique de nombreuses restrictions. Tout dabord, ils doivent tre dimensionns de manire
sinsrer dans un cercle ferm, et de veiller ce que les modules soient dcals correctement
les uns par rapport aux autres. Aussi lenroulement doit sintgrer dans la fente du module.
Comme la machine modulaire sera tolrante de panne, dans le cas des dfauts (un, deux,
trois ou mme quatre bobines en dfaut), ceux qui restent oprationnels doivent prendre la
relve et dvelopper un couple et une vitesse que le processus exige. Il est facile de
comprendre que si un dfaut apparat la machine ne sera pas en mesure de dvelopper le
mme couple, ni la vitesse, comme la puissance est rduite en raison de labsence de la bobine
en dfaut (s). Pour compenser les pertes, les courants dans les bobines restantes peuvent tre
augments. De cette faon, la paire saine de la bobine en dfaut peut rparer les dommages de
la faille. Pour tre en mesure daugmenter le courant dans la machine, lopration doit tre
conue de manire conduire un courant augment sans risque de surchauffe, causant une
panne complte de la machine.
Une restriction en ce qui concerne la sparation lectromagntique entre deux modules
77
Chapitre II :
adjacents. Ceci peut tre ralis en plaant des entretoises de matriau non magntique entreeux.
Chaque module est construit de feuilles stratifies presses ensemble par des tiges de
fixation mtalliques non magntiques. Ces tiges servent garder les modules leur place et
fixer les deux flasques.
Dans le cas dun dfaut denroulement que les tiges du module dfaillant doit tre
dtach. Par consquent, le module peut tre facilement retir et remplac. De cette faon, il,
nest pas besoin de dcouplage de la machine de sa charge, un atout majeur dans lindustrie.
La Conception redondante est lun des outils communs pour augmenter la fiabilit du
systme et a t utilise dans de nombreux domaines. Idalement, plusieurs systmes
tolrance de pannes devraient reflter toutes les oprations, cest--dire que chaque opration
doit tre effectue sur deux ou plusieurs systmes dupliqus, si lon omet lautre peut prendre
le relais. Par consquent, la conception de la redondance dans un systme critique est un
aspect essentiel.
Isovalues Results
Quantity : Equi flux Weber
Time (s.) : 1E-9 Pos (deg): 3,599E-6

Line / Value
1 / -119,0056E-12
2 / -107,10503E-12
3 / -95,20447E-12
4 / -83,30391E-12
5 / -71,40334E-12
6 / -59,50278E-12
7 / -47,60222E-12
8 / -35,70166E-12
9 / -23,8011E-12
10 / -11,90053E-12
11 / 0
12 / 11,90059E-12
13 / 23,80115E-12
14 / 35,70171E-12
15 / 47,60228E-12
16 / 59,50284E-12
17 / 71,4034E-12
18 / 83,30396E-12
19 / 95,20452E-12
20 / 107,10509E-12
21 / 119,00565E-12
8M_ROT_MIC
Bounds conditions
User's dirichlet
Dirichlet
Anticyclic
ref of anticyclic condition
Cyclic
ref of cyclic condition
Periodic
ref of periodic condition
Translation
ref of translation condition
Floating
Figure .II.20 -La machine rluctance variable dans lapproche tolrante aux pannes
78
Chapitre II :
7
6
couple (Nm)
courants (A)
4
3
2
4
3
2
1
0
0
-1
-1
0.005
0.01
0.015
temps (s)
0.02
0.025
0.03
0.005
0.01
(a)
0.015
temps (s)
0.02
0.025
0.03
(b)
couple (Nm)
courants (A)
Figure .II.21 (a) les courants et (b) le couple du modulaire dans le cas sain
3
2
4
3
2
0
-1
couple en cas d'une bobine circuit-ouvert
0.005
0.01
0.015
temps (s)
0.02
0.025
0.005
0.01
0.03
0.015
temps (s)
0.02
0.025
0.03
couple (Nm)
courants (A)
Figure .II.22 -(a) les courants et (b) le couple du modulaire dans le cas dune bobine circuit-ouvert
-1
0.005
0.01
0.015
temps (s)
0.02
0.025
couple en cas de 2 bobines circuit-ouvert
0.03
0.005
0.01
(a)
0.015
temps (s)
0.02
0.025
0.03
(b)
Figure .II.23 -(a) les courants et (b) le couple du modulaire dans le cas de deux bobines circuit-ouvert
7
6
5
7
6
5
couple (Nm)
courants (A)
4
3
2
4
3
2
0
-1
ia
ib
ic
id
0.005
0.01
0.015
temps (s)
0.02
0.025
0.03
(a)
0.005
0.01
0.015
temps (s)
0.02
0.025
(b)
Figure .II.24 -(a) les courants et (b) le couple du modulaire dans le cas de trois bobines circuit-ouvert
79
0.03
Chapitre II :
1
0.8
0.6
3.5
3
2.5
0.2
couple (Nm)
les courants (A)
0.4
0
-0.2
2
1.5
1
-0.4
0.5
-0.6
-0.8
-1
ia
ib
ic
id
0.005
0.01
0.015
le temps (s)
0.02
0.025
-0.5
0.03
0.005
0.01
(a)
0.015
temps (s)
0.02
0.025
0.03
(b)
Figure .II.25 -(a) les courants et (b) le couple du modulaire dans le cas de quatre bobines circuit-ouvert
le couple en cas d'une phase circuit-ouvert
6
5
couple (Nm)
courants (A)
3
2
4
3
2
0
-1
0.005
0.01
0.015
temps (s)
0.02
0.025
-1
0.03
0.005
0.01
(a)
0.015
temps (s)
0.02
0.025
(b)
Figure .II.26 -(a) les courants et (b) le couple du modulaire dans le cas dune phase circuit-ouvert
Pour les systmes modulaires avec redondance, la structure du systme est

gnralement un mlange de modules sries et parallles.
Pour la machine synchrone reluctance variable tolrante aux pannes, une solution
redondante avec deux moteurs placs sur le mme arbre est impratif. Afin de produire la
tolrance de pannes, il est important de rduire au minimum ou liminer le couplage
lectrique, magntique et thermique entre les enroulements du moteur.
Ainsi, une panne dans un enroulement naffectera pas le fonctionnement des autres
enroulements. Ceci peut tre obtenu en sparant physiquement les enroulements du moteur et
chaque enroulement laide dun convertisseur en pont H spar.
La Figure .II.27 illustre la configuration de test qui comprend une machine de charge
DC et deux modules tolrance de panne synchrone reluctance moteur courant alternatif,
toutes relies un arbre commun. Au cours des essais, six enroulements de stator ont t
utilises pour tablir une connexion afin de fournir une isolation lectrique, magntique et
thermique. Dans ce systme, chaque module moteur comporte trois enroulements isols
aliments par onduleurs H-bridge multi phase. Le systme possde donc un total de six phases
80
0.03
Chapitre II :
indpendantes. En outre, chaque module moteur est aliment partir dune alimentation
spare et un contrleur destin offrir une redondance. Bien que la complexit et le cot du
d'un double moteur triphas tolrant aux dfauts peut tre plus lev quun six monophas
moteur tolrant aux dfauts. Comme on peut le constater sur la figure, cette topologie est
analogue un moteur six phases.
Une analyse par lments finis est utilise pour affiner la conception du moteur
synchrone reluctance variable tolrant aux pannes. La configuration du moteur qui a t
choisi est indique dans la Figure .II.27. Il convient de noter ici que bien que le systme
dentranement un seul moteur tolrant de panne peut suffire dans de nombreuses
applications critiques. Par consquent, ce document propose un systme de double SynR
moteur sur un arbre commun pour introduire la redondance associer un convertisseur
tolrant aux pannes.
Isovalues Results
Isovalues Results
Qu an tity : Eq u i flu x Web er
Qu an tity : Eq u i flu x Web er
Time (s.) : 2 .9 9 6 9 9 9 E-3 P o s (d eg ): 2 6 .9 5 4

Lin e / Valu e
1 / -2 .3 9 4 1 3 E-3
2 / -2 .1 5 4 7 2 E-3
3 / -1 .9 1 5 3 E-3
4 / -1 .6 7 5 8 9 E-3
5 / -1 .4 3 6 4 7 E-3
6 / -1 .1 9 7 0 6 E-3
7 / -9 5 7 .6 4 6 2 9 E-6
8 / -7 1 8 .2 3 2 5 4 E-6
9 / -4 7 8 .8 1 8 7 8 E-6
1 0 / -2 3 9 .4 0 5 0 2 E-6
11 / 0
1 2 / 2 3 9 .4 2 2 4 9 E-6
1 3 / 4 7 8 .8 3 6 2 4 E-6
1 4 / 7 1 8 .2 4 9 1 E-6
1 5 / 9 5 7 .6 6 3 7 5 E-6
1 6 / 1 .1 9 7 0 8 E-3
1 7 / 1 .4 3 6 4 9 E-3
1 8 / 1 .6 7 5 9 1 E-3
1 9 / 1 .9 1 5 3 2 E-3
2 0 / 2 .1 5 4 7 3 E-3
2 1 / 2 .3 9 4 1 5 E-3
Time (s.) : 2 .9 9 6 9 9 9 E-3 P o s (d eg ): 2 6 .9 5 4

Lin e / Valu e
1 / -2 .3 9 4 1 3 E-3
2 / -2 .1 5 4 7 2 E-3
3 / -1 .9 1 5 3 E-3
4 / -1 .6 7 5 8 9 E-3
5 / -1 .4 3 6 4 7 E-3
6 / -1 .1 9 7 0 6 E-3
7 / -9 5 7 .6 4 6 2 9 E-6
8 / -7 1 8 .2 3 2 5 4 E-6
9 / -4 7 8 .8 1 8 7 8 E-6
1 0 / -2 3 9 .4 0 5 0 2 E-6
11 / 0
1 2 / 2 3 9 .4 2 2 4 9 E-6
1 3 / 4 7 8 .8 3 6 2 4 E-6
1 4 / 7 1 8 .2 4 9 1 E-6
1 5 / 9 5 7 .6 6 3 7 5 E-6
1 6 / 1 .1 9 7 0 8 E-3
1 7 / 1 .4 3 6 4 9 E-3
1 8 / 1 .6 7 5 9 1 E-3
1 9 / 1 .9 1 5 3 2 E-3
2 0 / 2 .1 5 4 7 3 E-3
2 1 / 2 .3 9 4 1 5 E-3
Bounds conditions
Bounds conditions
User' s d irich let

Dirich let
An ticy clic
ref o f an ticy clic co n d itio n
Cy clic
ref o f cy clic co n d itio n
P erio d ic
ref o f p erio d ic co n d itio n
Tran slatio n
ref o f tran slatio n co n d itio n
F lo atin g
User' s d irich let

Dirich let
An ticy clic
ref o f an ticy clic co n d itio n
Cy clic
ref o f cy clic co n d itio n
P erio d ic
ref o f p erio d ic co n d itio n
Tran slatio n
ref o f tran slatio n co n d itio n
F lo atin g
MSRVRELLE_COMP10
MSRVRELLE_COMP10
Figure .II.27 -La machine rluctance variable dans lapproche tolrante aux pannes
81
Chapitre II :
2.5 Conclusions
Ce chapitre nous a permis de mettre en vidence le principe de conversion dnergie
dans les machines rluctance variable. Dans la famille des machines rluctance variable, la
MSRV prsente un certain nombre davantages faisant delle une alternative viable pour les
entranements lectriques.
Cette tude thorique comparative des deux types de machines facilitera leur
modlisation et leur implantation que ce soit pour simuler et prvoir le comportement de la
machine alimente par son convertisseur statique, ou pour connatre lvolution des diffrents
paramtres (courants rotoriques, vitesse, couple etc); lors dun dfaut en rgime dynamique
il est ncessaire de modliser la machine de faon prcise donc la simulation des dfauts par
lment finis sera laxe du troisime chapitre.
Dans Ce chapitre nous avons prsent brivement les principes de base de ltat actuel
de la tolrance aux pannes des machines lectriques. Nous avons galement montr quauu fil
du temps, des tudes ont prouv quil existe plusieurs modifications qui peuvent tre
appliques aux machines lectriques pour satisfaire au concept de tolrance aux pannes.
Chaque modification est caractrise par des avantages et des inconvnients au niveau des
moyens de fonctionnement, la complexit technologique et la participation financire.
Nous avons choisi deux solutions diffrentes pour avoir la tolrance de pannes : la
premire consiste dcomposer la machines (le stator et le rotor) en diffrents modules et la
deuxime consiste doubler la machine, pour la MRV et la MSRV respectivement. Cette
tude reprsente un pas en avant dans la recherche modulaire et les machines de haute
fiabilit. Les principaux avantages de la nouvelle structure sont les capacits accrues de
tolrance aux dfauts, la simplicit de la construction et de la possibilit de rparation rapide
de la machine en cas de panne.
Et parce que le mcanisme tolrance de panne doit porter la fois sur la machine et
le convertisseur associ, nous avons modlis un convertisseur multiphas.
Le chapitre suivant prsente une analyse par lments finis et lapproche signal sur
tous les dfauts possibles pouvant se produire au niveau de la structure tolrante aux pannes.
82
CHAPITRE : 3
Synthse des
dfaillances
dun ensemble
convertisseur-MRV
&
signatures des
dfaillances par EF
83
Chapitre III : Synthse des dfaillances dun ensemble convertisseur-MRV & signatures
des dfaillances par EF
3.1 Introduction
Ltude des dfauts dans les dispositifs lectriques est un domaine qui a pris une place
importante depuis que les exigences de fiabilit, de sret et de disponibilit sont devenues
assez svres dans les systmes industriels. En effet, la continuit de service est une qualit
importante et incontournable que doit avoir tout systme de nos jours pour satisfaire les
exigences de lutilisateur. Les lments dun systme sont interdpendants si bien quune
panne dans un lment peut entraner larrt total du systme et ce type de situations a un cot
non ngligeable dans certaines applications.
Le chapitre prcdent a t consacr la conception de deux machines; la premire est

une machine rluctance variable et la seconde est une machine synchrone rluctance
variable tolrante aux dfauts du stator (dfauts de court-circuit et de circuit ouvert). Le dfaut
lectrique entre spires des bobines au stator est lun des dfauts les plus frquents dans les
machines lectriques.
Le dfaut de circuit ouvert perturbe le fonctionnement de la machine mais le risque de

destruction est moindre car les amplitudes de courants de phases saines restent raisonnables
compares lamplitude nominale du courant. Par contre, le courant de court-circuit dans les
machines est souvent important et il est impossible dagir sur le flux rotorique. Pour cette
raison, nous allons tudier le comportement ds lapparition dun dfaut de court-circuit et de
circuit ouvert dans une architecture tolrante au dfaut dune machine rluctance variable.
Ltude des dfauts peut tre mene suivant diffrentes approches selon langle sous
lequel on se place. Lorsque le systme est dj mis en place, il est plus adquat de prvoir des
outils de surveillance ou de diagnostic permettant de dceler un dbut de dfaillance dans un
temps raisonnable pour pouvoir y remdier. Lapproche signal est une approche qui
consisterait prvoir, analyser et caractriser les origines des dfauts partir des spectres.
En pratique et en finalit, il est toujours souhaitable davoir un modle le plus simple, le plus
rapide et le plus reprsentatif possible du systme.
84
Ce chapitre porte sur la synthse des dfauts que sont susceptibles de prsenter ces
systmes tolrants aux pannes.
Ce chapitre donne en premier lieu, un aperu des dfaillances au stator dans les
machines lectriques, leur classification et leurs origines. Nous prsentons ensuite, une
modlisation interne des machines reluctance variable par les mthodes dlments finis en
prsence dun dfaut statorique laide du logiciel flux to simulink. Nous appliquons ensuite,
les diffrentes approches "signal" de diagnostic les plus frquemment utilises.
Lapplication de notre dmarche des cas plus complexes tels que les machines
rluctance variable ou synchrones rluctance variable sera traite plus en dtail dans les
chapitres suivants.
85
3.2 Dfaillances au stator

Larmature statorique, munie de son bobinage est une partie de la machine qui subit
beaucoup de contraintes et dont les effets sont plus importants cause de la complexit de la
structure et la fragilit de certaines parties telles que les isolants. Pour le stator, les
dfaillances sont principalement dues un problme :
Thermique : lisolation est conue pour avoir une certaine dure de vie la
temprature nominale. Toutefois, si la temprature augmente au-dessus de cette
temprature de fonctionnement, la dure de vie raccourcit rapidement. Cette augmentation
de la temprature peut tre due une variation de tension ou de dsquilibre, la
rptition des dmarrages dans un court laps de temps, des surcharges, une mauvaise
ventilation ou alors une haute temprature ambiante [Bon 92].
Electrique : Une tension suprieure la valeur nominale ou de hautes valeurs de dV/dt
du louverture et la fermeture des interrupteurs du convertisseur statique, vont conduire
la dgradation du dilectrique assurant lisolation des bobines. La prsence dun fort
champ lectrique interne conduira des dcharges partielles dans les cavits de lisolant.
Il en rsulte des spots carboniss dans lisolation. Ces spots causent des dformations du
champ lectrique (augmentation dans la rgion du dfaut) [Bon 92].
Mcanique : les dmarrages rptitifs de machine ont pour consquence daugmenter
la temprature dans le cuivre (bobinage statorique et cage). Cet effet cyclique provoque
des dilatations et contractions rptitives de lisolant. Cela pourrait entraner des fissures
dans lisolant qui peuvent se propager et provoquer un dbut de court-circuit interne. Les
efforts mcaniques sur les tles et les conducteurs ont des composantes alternatives qui
provoquent des vibrations de la structure [Bon 92], [Kog 97]. Ces vibrations provoquent
lrosion et labrasion de lisolant entranant leur dtrioration. Une modlisation assez
fine de ces phnomnes est prsente dans [Jia 98].
Environnemental : La prsence dhumidit ou de produits chimiques dans lair
ambiant peut dtriorer la qualit de lisolation et conduire dfaut denroulement. Le
dbut de la dgradation entrane des courants de fuites qui acclrent la dtrioration de
86
lisolant jusquau court-circuit franc. Une autre consquence est la cration de lozone et
les oxydes dazote qui peuvent se combiner avec lhumidit pour former de lacide
nitrique, qui dtruit lisolant.
Les dfauts qui sont les plus rcurrents, localiss au niveau du stator, peuvent tre
dfinis comme suit : dfaut disolant, court-circuit entre spires, court-circuit entre phases,
court- circuit entre phase et bti, dsquilibre dalimentation, dfaut de circuit magntique.
3.2.1 Dfauts disolant dans un enroulement

La dgradation des isolants dans les enroulements peut provoquer des courts-circuits.
En effet, les diffrentes pertes (Joule, fer, mcanique,) engendrent une augmentation de la
temprature des diffrents constituants du moteur. Or les matriaux disolation ont une limite
de temprature, de tension et mcanique. Dans ce cas, un court-circuit peut apparatre dans
lenroulement concern [Bon 92]. Les diffrentes causes pour ce type de dfaut sont :
dgradation de lisolant la fabrication.
tension de lenroulement suprieure la limite du matriau disolation.
courant lev dans lenroulement d un court-circuit,
un dfaut du convertisseur, une
surcharge.
vibrations mcaniques.
vieillissement naturel des isolants. Tous les matriaux isolants ont une dure de vie
limite. Mme dans une utilisation normale, lisolant finit naturellement par se dgrader.
fonctionnement dans un environnement svre.
Lorsque le dfaut de lisolant se cre sur une spire, le courant de dfaut circule entre le
cuivre de cette spire et la tle du stator (dfaut phase - masse). Il peut aussi circuler entre deux
spires dune mme phase si lisolant qui les spare est dtrior (dfaut entre-spires). Dans le
cas des bobinages deux couches, une mme encoche peut contenir des conducteurs de deux
phases diffrentes. La dtrioration simultane et dans une mme zone, des isolants de ces
deux bobines provoque un contact lectrique entre deux spires de deux phases diffrentes
(dfaut phase-phase). Ce type de dfaut peut aussi exister dans les bobinages une couche au
87
niveau des ttes de bobines o les conducteurs de deux phases diffrentes peuvent entrer en
contact. La topologie du circuit lectrique est ainsi influence par ces dfauts.
3.2.2 Court-circuit entre spires
Un court-circuit entre spires de la mme phase est un dfaut assez frquent. Ce dfaut
a pour origine un ou plusieurs dfauts disolant dans lenroulement concern. Il entrane une
augmentation des courants statoriques dans la phase affecte, une lgre variation de
lamplitude sur les autres phases, modifie le facteur de puissance et amplifie les courants dans
le circuit rotorique dans le cas des machines asynchrones [Bon 92], [Xia 00]. Ceci a pour
consquence une augmentation de la temprature au niveau du bobinage et, de ce fait, une
dgradation acclre me court-circuit). Par des isolants, pouvant provoquer ainsi, un dfaut
en chane (apparition dun 2me court-circuit), le couple lectromagntique moyen dlivr par
la machine reste sensiblement identique hormis une augmentation des oscillations de couple
lies au dsquilibre des courants de phases [Jok 00].
3.2.3 Court-circuit entre phases
Ce type de dfaillance peut arriver en tout point du bobinage, cependant les
rpercussions ne seront pas les mmes selon la localisation. Cette caractristique rend difficile
une analyse de lincidence de ce dfaut sur le systme.
Lapparition dun court-circuit proche de lalimentation entre phases, induirait des
courants trs levs qui conduiraient la fusion des conducteurs dalimentation et/ou la
disjonction par les protections. Dautre part, un court-circuit proche du neutre entre deux
phases a de moins graves consquences ; il engendre un dsquilibre des courants de phases
avec un risque moindre de la fusion des conducteurs.
Les courants statoriques sont totalement dsquilibrs et ce dsquilibre dpend de la
localisation du dfaut. Dans le cas des machines asynchrones, les courants dans les barres
ainsi que dans les anneaux sont augments lors de lapparition de ce type de dfaut. La
dtection de ce type de dfaut peut reposer sur le dsquilibre des courants de phases [Tho
06].
88
3.3 Modlisation des dfauts

La modlisation et lidentification des paramtres de la machine lectrique avec dfaut
entre du bobinage stator sont des tapes importantes pour la dtection de ce type de dfaut et
son spires diagnostic. Les modles doivent prsenter un compromis entre simplicit et
prcision. Lutilisation des modles externes simplifis de dfaut peut savrer limite, car il
est difficile, mme thoriquement, dinclure toutes les imperfections qui existent dans la
machine en prsence dun dfaut.
Toutefois, les modles sont ncessaires pour tudier le comportement des diffrentes
variables de la machine et den dduire des signatures caractristiques dun dfaut
quelconque. Ltude du comportement des machines lectriques avec dfaut grce ces
modles permet la prdiction des grandeurs externes qui peuvent tre mesures et exploit par
des techniques de diagnostic [Lee 03], [Mah 09].
Nous dtaillerons dans la suite la dmarche utilise pour la modlisation interne des
machines en prsence de dfauts. En gnral, les modles internes sont mis en uvre par des
mthodes numriques de rsolution des quations aux drives partielles telle que la mthode
des lments finis. Nous prsentons un bref rappel de type de mthode utilise dans ce cas.
3.3.1 Mthode des lments finis
La modlisation des dispositifs lectromagntiques base sur le calcul de la rpartition
du champ est la mthode dite locale de reprsentation des phnomnes. Elle peut tre mise
en uvre avec un calcul analytique ou alors en utilisant les mthodes numriques bien
dveloppes de nos jours. La mthode des lments finis (MEF) est la mthode la plus
adquate et la plus rpandue pour le calcul de champs magntiques statiques ou quasistatiques ; elle permet de dcrire fidlement des gomtries complexes et de tenir compte des
non linarits des proprits dans les matriaux magntiques [Bia 05a], [Moh 85].
La modlisation des machines lectriques a connu un dveloppement remarquable ces
dernires dcennies grce lutilisation de la mthode des lments finis. En effet, beaucoup de
laboratoires et chercheurs se sont penchs sur diffrents aspects pour aboutir actuellement
des outils de calculs permettant de tenir compte de plusieurs phnomnes physiques jusque l
ngligs ou approchs par des modles externes.
89
La mthode dlments finis est capable dexaminer leffet de saturation et les effets
dharmoniques de lespace [Wat 99] et donne beaucoup dinformations prcises sur le
comportement des machines lectriques mais elle requiert un temps de calcul important.
Aujourdhui, on peut effectuer les analyses en rgimes transitoires pas pas dans le
temps de la machine lectrique grce la disponibilit des ordinateurs puissants. Cette
mthode a permis un apport significatif en termes didentification des paramtres des modles
circuit alliant ainsi la rapidit des modles circuits et la prcision des modles champ.
Lorsquun dfaut se produit dans la machine lectrique, la rpartition des courants
dans les encoches et la distribution du champ sont plus ou moins modifies en fonction de la
gravit du dfaut. La mthode dlments finis peut tre utilise pour le calcul de champs et
lidentification prcise des paramtres de la machine en prsence de dfaut.
Lavantage quapporte une mthode base sur le calcul de champ rside dans le fait
quelle dcrit les phnomnes localement, en particulier un dfaut, elle en donne ensuite une
reprsentation globale vu du circuit lectrique quivalent. Actuellement, on peut disposer dun
outil complet permettant la simulation dune machine lectrique en prsence dun dfaut de
court-circuit ou circuit-ouvert et connecte son alimentation. Cest ce que nous allons
prsenter en dtail dans les paragraphes suivants. Cependant, lutilisation de tels outils
ncessite un temps de calcul long et une modlisation pour chaque configuration de dfaut.
Bien que cette approche de modlisation dcrive prcisment le comportement des variables
internes et externes de la machine, elle ne peut pas tre adquate pour le diagnostic des
machines lectriques.
La mthode dlments finis a t utilise pour la modlisation et lidentification des
paramtres des modles circuits quivalents de machines lectriques avec dfaut. On peut
citer [Dai 05],[Vas 07] , [Moh 07], [Vas 08a], [Vas 08b], [Vas 09a], [Vas 09b] pour le cas
des machines synchrones aimants permanents, [Wat 99], [Ben 98a],[Ben 98b] pour le cas
des machines asynchrones et [Saw 99], [Bou 10], [Bou 11a], [Bou 12a], pour les machines
rluctance variable.
90
3.4 Modlisation interne des machines lectriques par les mthodes

dlments finis
Comme nous venons de le dire ( 3.3.1), les modles internes sont bass sur le calcul
de la rpartition locale du champ lectromagntique dans la machine. Ce calcul se fait
numriquement en utilisant la mthode des lments finis. Nous allons tout dabord rappeler
les phnomnes physiques de base lis la diffusion du champ lectromagntique; puis nous
dcrirons les mthodes utilises pour dterminer diffrentes grandeurs externes.
Nous rappelons les quations fondamentales de llectromagntisme, afin de prsenter
les diffrentes hypothses classiquement faites pour la modlisation des machines lectriques.
3.4.1 Equations de Maxwell

B
E
t
(3.1)

.B 0
(3.2)

.D
(3.3)
B 0 ( H M ) Br
(3.4)

B B (H )
(3.5)

J E J s
(3.6)
Les relations (3.1), (3.2), (3.3), (3.4) reprsentent les quations de Maxwell. Les
relations (3.5), (3.6) reprsentent les lois de comportement magntique.
Les courants de dplacement sont ngligeables devant les courants de conduction, la
loi dAmpre (3.1) scrit alors :

j
(3.7)
La loi de Gauss scrit (dans le cadre des systmes tudis, on peut considrer que les
charges volumiques sont ngliges)
91

.D 0
(3.8)
Le potentiel vecteur magntique A est dfini par :

B . A
(3.9)
Pour garantir lunicit de la solution nous utiliserons la jauge de Coulomb, soit

. A 0
(3.10)
La substitution de (3.10) dans (3.2) donne :
A
(E ) 0
t
Que lon peut crire en introduisant le potentiel scalaire :
E

t
A
E

t
(3.11)
(3.12)
(3.13)
La substitution de par son expression (3.14) dans lquation (3.7) donne :
A
J
J s
t
(3.14)
A partir de (3.5), (3.8), (3.10), (3.15), lquation aux drives partielles qui rgit le
problme scrit :
1
A
1
( ) J s
M ( A) ( B r )
t
0
0
(3.15)
De (3.9) on peut dduire :

.J 0
(3.16)
Lintroduction de (3.15) dans (3.17) et en tenant compte de (3.11) donne :

.( ) 0
(3.17)
La rsolution
des quations (3.16) et (3.18) est en bidimensionnel. Dans ces
conditions, le systme est contenu dans le plan OXY, et on suppose quil est invariant dans la
direction OZ.
92
La forme de la solution recherche vrifie lquation
( x, y , t )
. A Az
0
Z
(3.18)
Le fait que J ait une seule composante selon la direction OZ nous permet de choisir
donc =0.
Ainsi la relation (3.16) scrit
1
1 A 1 A
A M y M x 1

J s
B
B
r
r
y y
x
x 0 x y 0 x
t x
y x 0
0
(3.19)
3.4.2 Calcul de champ par la mthode dlments finis

Les quations locales (Maxwell) sont lies au modle externe (circuit lectrique) pour
effectuer un couplage avec les sources ou charges extrieures. Cette quation est couple avec
les quations rgissant les conditions aux limites (type Dirichlet ou Neumann) pour
dterminer la rpartition du champ dans la machine. En pratique pour un gain de temps et
despace mmoire, on peut introduire des conditions de priodicit pour des machines
grand nombre de ples. Dans la phase prparatoire de rsolution du problme par la mthode
dlment finis, il faut dfinir videment les domaines de gomtrie, les matriaux physiques
et le mode de bobinage. Il faut gnrer un maillage avec un nombre suffisant dlments pour
avoir une bonne prcision dans un temps raisonnable.
3.5 Simulations en utilisant lapproche FEM 2D

La mise en place dun modle FEM 2D de la machine dans ltude en utilisant le
programme Cedrat Flux 2D est un outil adquat pour valider lalgorithme de conception. Le
modle Flux-2D de la machine peut tre coupl MATLAB-Simulink
en utilisant la
technique de Flux-To-Simulink. Simulink est parfaitement adapt pour la simulation du

convertisseur de la machine, et pour imposer diffrent
conditions de la machine.
93
rgimes de fonctionnement et
3.5.1 Construction du modle en Flux 2D [Bou 10]
Le logiciel Cedrat Flux 2D [Flux] permet de calculer et de visualiser les grandeurs
utiles lingnieur, pour des dispositifs bidimensionnels ou symtrie de rvolution
comportant des matriaux caractristiques linaires ou non, isotropes ou non. Cest un
logiciel complet ayant lavantage de permettre le couplage avec les quations de circuits ainsi
que lajout dune rgion surfacique particulire dite bande de roulement pour ltude des
machines tournantes avec diffrentes positions du rotor, sans avoir modifier la gomtrie et
le maillage.
La structure de la machine peut tre construite en utilisant les points, lignes et faces,
respectivement par les matriaux, les circuits, proprits mcaniques et les conditions aux
limites. Mais aussi les ensembles fixes et mobiles de la machine doivent tre slectionns
dans cette phase.
Le modle gomtrique est bas sur la mise en les coordonnes de tous les points et de
leur fusion en utilisant des lignes pour dfinir les bords de chaque partie de la machine.
Le chanage principal des processeurs de FLUX2D :
PREFLU : description de la gomtrie et cration du maillage
CSLMAT : cration des matriaux
PROPHY : affectation des proprits physiques et des conditions aux limites
SOLVER-2D : rsolution
POSTPRO-2D : exploitation des rsultats
Pour avoir la flexibilit lors de la modification de la structure de la machine, le modle
tait construit en utilisant les coordonnes paramtres. Toutes les dimensions de la machine
sont constitues dune liste de paramtres donne dans lannexe.
Le modle de la machine a t construit sur la base de la priodicit et sur la symtrie
de la gomtrie de la machine, en utilisant des fonctions dans lenvironnement Flux 2D.
Pour chaque rgion il ya diffrentes rgions affectes. Pour eux tous, les proprits
des matriaux et mcaniques doivent tre attribues. Les bobines sont en cuivre, et pour tout
le reste des rgions avec proprits non-magntiques lair ou vide a t cr.
Les bobines doivent tre incluses dans des circuits lectriques externes, comme
indiqu dans la figure. III.1.
94
MRV_SIMULINK
R2
R1
R1
R2
R4
R3
R4
R3
R6
R5
R6
R5
MSRV_SIMULIN
(a)
K
R1
R4
R3
R6
R4
R1
R6
R3
R5
R2
R2
R5
(b)
Figure. III.1- Le circuit lectrique du modle (a) la MRV (b) la MSRV
Le rotor, larbre et lair entourant le rotor sont configurs pour tre en mesure de
tourner vitesse impose. Le reste des rgions (les bobines, les modules de stator et de lair
qui les entoure) sont configurs pour tre fixs.
En Flux 2D les composants bobines ont t utiliss pour modliser les enroulements
de la machine. Leurs principales caractristiques (matriau conducteur, nombre de tours, etc)
ont t mis en conformit avec le dispositif denroulement conu. Pour chaque bobine deux de
ces composants sont utiliss: les cts "Come" et "go" (faces) de lenroulement.
Pour chaque bobine de la machine, un demi-pont convertisseur en H est attach
et contrl via la technologie Flux-To-Simulink couplage, qui sera dtaill plus tard.
95
Les interrupteurs du convertisseur sont remplacs par des rsistances (voir figure.
III.1). Leur rsistance peut tre facilement contrle de lextrieur du circuit, partir de
Simulink.
Pour les tats ON / OFF de lalimentation une faible valeur (0.004 ), respectivement
une valeur leve (10 M) pour la rsistance est impose.
A un certain moment les deux bobines dune mme phase sont alimentes en
synchronisme par les deux moitis correspondantes du pont en H. Tous les demi-ponts en H
sont relis en parallle la mme source de tension courant continu....Puis le maillage du
modle en FEM a t gnr.
Il sagit dune tape essentielle dans la construction du modle, donc la fois la
prcision et les temps de calcul dpendent de la gnration correcte du maillage. Il doit tre
suffisamment dense pour le calcul prcis et aussi optimal pour les temps de calcul longs ne
pas consommer. Lattention a t prte la maille ronde de lentrefer, la partie la plus
importante dune machine lectrique.
3.5.2 Calcul des angles de conduction [Bou 12a]
Aprs la construction du modle de la machine en Flux 2D, il ya deux calculs
importants qui doivent tre effectues avant le dbut des simulations:
a) le calcul de la priode de conduction de phase (ltat ON and OFF des switches)
synchronise avec la position angulaire du rotor;
b) la validation de ces priodes de conduction laide de flux magntique et couple
magntique en fonction des caractristiques de dplacement angulaire du rotor de la machine.
La priode de conduction peut tre obtenue en divisant une rotation complte du rotor (360
degrs mcaniques) au nombre de ples du rotor et du nombre de phases:
T cond
360
Q R .m
(3.20)
Table 1: Switching angles of the SRM converter.

Switch N
1
2
3
4
5
6
ON angle OFF angle

on ()
off ()
-32
0
148
180
-2
30
178
210
28
60
208
240
Table 2: Switching angles of the SynRM converter.
Switch Cycle
cycle ()
90
90
90
90
90
90
Switch N
1
2
3
4
5
6
96
ON angle
on ()
28
90
150
210
270
330
OFF angle Switch Cycle

off ()
cycle ()
150
360
210
360
270
360
330
360
30
360
90
360
3.5.3 Couplage Flux 2D avec MATLAB-Simulink
Afin danalyser la tolrance aux pannes de la machine reluctance variable propose
des programmes adquats de simulation sont ncessaires. Pour obtenir les meilleures
solutions, la machine lectrique et son convertisseur de puissance doivent tre simuls au
moyen de couplage de deux logiciels.
Lenvironnement MATLAB-Simulink, comme il a t dj dit, est parfaitement adapt
la simulation du convertisseur et il peut imposer aux diffrents rgimes de fonctionnement
et des conditions de la machine. Le modle de la machine a t construit dans Flux 2D, un
excellent programme pour rsoudre des problmes de calcul de champ numrique. En
couplant ces deux plates-formes, des simulations appropries pour une analyse approfondie
peuvent tre accomplies.
Le modle FEM de la SRM est intgr dans le programme principal Simulink. Le
modle analytique est calcul, chaque pas de temps la commande des interrupteurs du signal
de (power switches command signal PSCS), qui sont pratiquement fixes les valeurs des
rsistances partir du modle de circuit de la machine. Les calculs sont effectus laide de
plusieurs paramtres constants (CP) comme tant entres dans le systme, respectivement le
courant (I) la position angulaire () et lerreur du signal de et. chaque tape les donnes
sont changes entre Simulink et Flux 2D.
Le modle FEM retourne au programme principal quatre signaux: les courants de
phase, le couple lectromagntique (T), la vitesse mcanique () et la position angulaire de la
SRM chaque instant. La fentre principale du programme de simulation est donne la
figure. III.2.
Les courants de phase sont commands sur la base de la position du rotor par la
technique de modulation hystrsis en boucle ferme base sur des rgulateurs de courant.
Leurs modles sont mis en uvre dans quatre blocs de commande.
97
Figure. III.2 -La fentre principale du programme de simulation
Pour chaque phase, les trois signaux sont envoys vers le modle de la machine pour
contrler les interrupteurs du convertisseur (2 paires de signaux pour chaque enroulement de
phase). Tous ces signaux sont multiplexs et il sagit des entres de Flux-To-Simulink bloc
daccouplement de type S-fonction, ce qui est pratiquement le modle de la machine intgr
au Flux 2D (comme on peut le voir sur la figure. III.2). Ce bloc assure la liaison entre les deux
milieux par le maintien de la transmission des donnes entre eux.
Les signaux de sortie du bloc de couplage sont les suivants: la couple mcanique
dvelopp, la position du rotor et les courants de toutes les bobines, comme ils peuvent tre
vus dans le masque du bloc de couplage donn la figure. III.3.
La tche de simulation impose est rsolue, tape par tape laide de la mthode pas pas.
Pour enregistrer les rsultats de simulation, les valeurs de sortie sont toutes crites dans les
fichiers de type mat file.
La commande de courant est assure laide de blocs de commande dhystrsis (voir
fig. III.4). Ceux-ci envoient des signaux de commande correspondant ltat ON et OFF des
interrupteurs du convertisseur de puissance.
98
Fig. III.3- Le masque du bloc de couplage Flux-to-Simulink
Fig. III.4-Le bloc de commande pour une bobine
99
Dans chaque bloc de contrle, les entres sont les courants rels de chacune des deux
bobines de la phase, la position du rotor, respectivement, langle de dbut et de fin de la
priode de conduction. Les oprateurs logiques comparent la position relle du rotor avec les
angles de conduction de chaque phase. Ils reviennent avec la valeur logique 1 si la position
relle du rotor est dans la priode de conduction impose.
Un seul transistor de chaque pont de convertisseur est ouvert / ferm par le rgulateur
de courant dhystrsis. Le second est conserv ON pendant toute la priode de conduction
afin de diminuer les problmes de synchronisation des transistors.
Le principal avantage de lutilisation de ce programme de simulation couple est sa
flexibilit lors de diffrentes conditions de la machine qui doivent tre tudis.
Malheureusement, une tche de simulation est dhabitude rsolue pour environ 17-20
heures sur un PC de frquence *****. Cest le principal inconvnient de lutilisation du
programme de simulation couple (time-stepping coupled simulation program) prsente cidessus.
3.6 Les rsultats de simulation obtenus par le biais du couplage de Flux 2DSimulink Programme
Les dfauts tudis par la suite sur la machines rluctance variable et machine
synchrone rluctance variable sont :
(a) fonctionnement normal (machine saine);
(b) circuit ouvert dune bobine;
(c) circuit ouvert de deux bobines (de diffrentes phases);
(d) circuit ouvert dun canal;
(e) circuit ouvert dune phase;
(f) court circuit dune bobine;
(g) court circuit dune phase.
100
Les dfauts tudis par la suite sur le convertisseur de puissance tolrant aux pannes
sont :
(h) un interrupteur dun canal circuit ouvert ;
(i) deux interrupteurs de mme phase circuit ouvert (deux interrupteurs de mm canal
en circuit ouvert) ;
(j) quatre interrupteurs de mme phase en circuit ouvert (une phase circuit ouvert)
Dans les figures suivantes, nous donnons les principaux rsultats des simulations
relatives diffrentes conditions des bobinages (courants et couple en fonction du temps).
Les rsultats de chaque simulation dtaillent comme suit deux tracs qui seront
prsents, lun pour les courants de phase ia,ib,ic respectivement un pour la deuxime le
couple lectromagntique, de cette faon rendant facile lobservation de dfaillances,
respectivement influencer sur la variation du couple dvelopp.
Le programme du couplage de Flux 2D-Simulink a t prsent en dtail dans section
3.1. Pour toutes les tches de simulation effectues, le temps de simulation a t fix 0,03 s.
Toutes les simulations ont t effectues la vitesse impose constante de 2500 tours par
minute.
Les simulations portent sur la capacit de dveloppement du couple des machines dans
des conditions diffrentes. La valeur principale du couple et londulation de couple de la
machine en fonctionnement normal sont pris comme rfrence par rapport aux rsultats
obtenus pour les cas de dfaut dans ltude.
3.6.1 Les rsultats de simulation de la MRV
a) La MRV saine
Dans ce cas, toutes les bobines de la machine taient considres en bonne condition.
Les courants de phase ont t fixs leur valeur nominale (25 A) dans la figure. III.5 le
courant de chaque phase et le couple dvelopp en fonction du temps sont donns.
Comme on peut voir tous les 12 bobines de la machine sont oprationnels et
contribuent la gnration du couple. Le couple moyen dans ce cas est de 5.6747 N.m. Les
ondulations du couple sont denviron 1,8 N.m, (environ 30% du couple moyen). Il faut
mentionner que les ondulations du couple peuvent tre rduites au moyen de plusieurs
mthodes [Hus 02].
101
2501
2500.8
2500.6
2500.2
2500
2499.8
2499.6
2499.4
2499.2
2499
0.005
0.01
0.015
time (s)
0.02
0.025
0.03
(a)
courants sains
30
Healthy case
ia
ib
ic
25
7
6
20
couple (Nm)
15
10
4
3
5
2
0
-5
0.005
0.01
0.015
time (s)
0.02
0.025
0.03
0.005
0.01
(b)
0.015
time (s)
0.02
0.025
0.03
(c)
Figure. III.5 -le cas sain : (a) la vitesse (b) les courants de phases (c) le couple
b) Conditions dfectueuses avec des bobines ouvertes, des canaux et des phases
courants en cas d'une bobine open circuit
30
25
20
15
10
2
0
-2
-4
-6
-5
couple en cas d'une bobine oc
couple (Nm)
courants (A)
courants (A)
vitesse (rmp)
2500.4
0.005
0.01
0.015
time (s)
0.02
0.025
0.03
(a)
0.005
0.01
0.015
time (s)
0.02
(b)
Figure .III.6 -(a) les courants et (b) le couple dans le cas dune bobine circuit-ouvert
102
0.025
0.03
courants en cas de deux bobines circuit ouvert
25
20
15
10
5
0
-2
0
-5
couple en cas de deux bobines circuit ouvrt
couple (Nm)
courants (A)
30
-4
0
0.005
0.01
0.015
time (s)
0.02
0.025
0.03
-6
0.005
0.01
0.015
time (s)
(a)
0.02
0.025
0.03
(b)
Figure .III.7 -(a) les courants et (b) le couple dans le cas deux bobines circuit-ouvert
courants d'une cannal 'a' circuit ouvert
30
ia
ib
ic
20
15
couple (Nm)
couple (Nm)
25
10
-2
-4
-5
0.005
0.01
0.015
time (s)
0.02
cannal open circuit
0.025
-6
0.03
0.005
(a)
0.01
0.015
time (s)
0.02
0.025
0.03
(b)
Figure .III.8 -(a) les courants et (b) le couple dans le cas dun canal circuit-ouvert
courants en cas de circuit ouvert phase b
30
ia
ib
ic
25
6
4
15
couple (Nm)
courants (A)
20
10
5
2
0
-2
0
-5
phase open circuit
-4
0
0.005
0.01
0.015
time (s)
0.02
0.025
0.03
-6
(a)
0.005
0.01
0.015
time (s)
(b)
Figure .III.9 -(a) les courants et (b) le couple dans le cas dune phase de circuit-ouvert
103
0.02
0.025
0.03
c) Conditions dfectueuses avec des bobines court-circuites, des canaux et des phases
courants en cas d'une bobine sc
20
couple en cas d'une bobine court-circuite
9
8
7
15
couple (Nm)
courants (A)
10
5
4
3
2
1
0
-1
-5
0.005
0.01
0.015
time (s)
0.02
0.025
0.005
0.01
0.015
time (s)
0.03
(a)
0.02
0.025
0.03
(b)
Figure .III.10 -(a) les courants et (b) le couple dans le cas dune bobine court-circuit
cournats en cas de court-circuit phase 'a'
30
ia
ib
ic
20
15
couple (Nm)
couple (Nm)
25
10
-2
-4
-5
0.005
0.01
0.015
time (s)
0.02
phase short-circuit
0.025
-6
0.03
0.005
0.01
0.015
time (s)
Figure .III.8 -(a) les courants et (b) le couple dans le cas dune phase de circuit-ouvert
(a)
(b)
Figure .III.11 -(a) les courants et (b) le couple dans le cas dune phase court-circuit
104
0.02
0.025
0.03
3.6.2 Les rsultats de simulation de la MSRV

Dans ce cas, toutes les bobines de la MSRV taient considres en bonne condition.
Les courants de phase ont t fixs leur valeur nominale (20 A) dans la figure. III.12 le
courant de chaque phase et le couple dvelopp en fonction du temps sont donns. Comme on
peut voir tous les 36 bobines de la machine sont oprationnels et contribuent la gnration
du couple.
a) La MSRV saine
2501
2500.8
2500.6
2500.2
2500
2499.8
2499.6
2499.4
2499.2
2499
0.01
0.02
0.03
0.04
0.05
0.06
time (s)
0.07
0.08
0.09
0.1
(a)
ia
ib
ic
40
30
synRM saine
18
16
14
20
12
couple (Nm)
10
courants (A)
vitesse (rmp)
2500.4
0
-10
10
8
6
4
-20
-30
0
-40
0.01
0.02
0.03
0.04
0.05 0.06
time (s)
0.07
0.08
0.09
0.1
(b)
-2
0.01
0.02
0.03
0.04
0.05 0.06
time (s)
(c)
Figure .III.12 -(a) la vitesse, (b) les courants de phases, (c) le couple et dans le cas sain
105
0.07
0.08
0.09
0.1
b) Conditions dfectueuses avec des phases circuit ouvert

ia
ib
ic
cas d'une circuit ouvert phase 'a'
80
couple dans le cas oc
10
60
40
couple (Nm)
couple (Nm)
20
0
-20
-5
-40
-10
-60
-80
0.01
0.02
0.03
0.04
0.05 0.06
time (s)
0.07
0.08
0.09
-15
0.1
0.01
0.02
0.03
(a)
0.04
0.05 0.06
time (s)
0.07
0.08
0.09
0.1
(b)
Figure .III.13 -(a) les courants et (b) le couple dans le cas dune phase circuit-ouvert
les courants dans le cas sc
100
couple dans le cas short-circuit
15
80
10
60
20
couple (Nm)
couple (Nm)
40
0
-20
0
-5
-10
-40
-60
-15
-80
-100
0.01
0.02
0.03
0.04
0.05 0.06
time (s)
0.07
0.08
0.09
0.1
(a)
-20
0.01
0.02
0.03
0.04
0.05
0.06
time (s)
(b)
Figure .III.14 -(a) les courants et (b) le couple dans le cas dune phase court-circuit
106
0.07
0.08
0.09
0.1
3.6.3 Les dfauts du convertisseur de puissance tolrant aux pannes :

SynRM one sxitch open-circuit
20
SRM one switch open-circuit
7
6
15
5
4
couple (Nm)
le couple (Nm)
10
3
2
1
0
-1
-5
-10
-2
-3
0.01
0.02
0.03
0.04
0.05
0.06
le temps (s)
0.07
0.08
0.09
0.1
0.005
0.01
(a)
0.015
temps (s)
0.02
0.025
0.03
0.025
0.03
(b)
Figure .III.15- un interrupteur circuit-ouvert -(a) le couple de la MSRV et (b) le couple de la MRV
SynRM two switch inverter open-circuit
20
SRM two switches open-circuit
8
6
15
10
couple (Nm)
le couple (Nm)
2
0
-2
-5
-4
0.01
0.02
0.03
0.04
0.05
0.06
le temps (s)
0.07
0.08
0.09
-6
0.1
0.005
0.01
0.015
temps (s)
0.02
(a)
(b)
Figure .III.16- deux interrupteur circuit-ouvert -(a) le couple de la MSRV et (b) le couple de la MRV
SynRM phase inverter open-circuit
20
15
6
4
couple (Nm)
le couple (Nm)
10
0
-5
2
0
-2
-10
-15
SRM phase invrter open-circuit
-4
0.01
0.02
0.03
0.04
0.05 0.06
le temps (s)
0.07
0.08
0.09
-6
0.1
0.005
0.01
0.015
temps (s)
0.02
0.025
(a)
(b)
Figure .III.17- quatre interrupteurs circuit-ouvert -(a) le couple de la MSRV et (b) le couple de la MRV
107
0.03
Lorsquune bobine est dfaillante, il restera 11 bobines sur 12 qui travaillent, soit
65.35% des enroulements de la machine. Le courant manquant dans la seule bobine en dfaut
peut tre clairement observ figure. III.6. Les 11 bobines saines de cette phase contribuent
toujours la gnration de couple, mais avec des valeurs infrieures.
En raison du faible couple produit par la phase en dfaut, la figure. III.9, les
ondulations du couple sont suprieures celles de la machine saine. Le couple moyen dans ce
cas est de 3.5701 Nm, soit 62.91% du couple nominal.
Lorsque deux bobines sur les 12 restantes sont en circuit ouvert, 10 bobines (soit
67.64% du couple nominal) vont travailler. Comme prvu dans la figure. III.7, deux
impulsions de courant sont absentes en raison des deux bobines en dfaut. Dans ce cas, la
valeur moyenne du couple est de 3.8389 Nm.
Quand une deux autres bobines est ouvertes (un canal circuit ouvert), comme indiqu
par les courbes de la figure. III.8, le couple dans ce cas est beaucoup plus faible que celui de
la figure. III.7 et sa valeur moyenne est 3.6007 Nm, soit 63.45% du couple nominal.
Quand un interrupteur ouvert, on peut le voir sur la figure III.15 le couple moyen est
de 4.2545 Nm, soit environ la moiti du couple nominal. Pour lensemble des quatre
conditions prcites, la machine fonctionnera encore si le couple de charge est infrieur
celui dvelopp. Le dfaut le plus grave qui puis survenir, cest quand une phase complte de
la machine est ouverte. Dans ce cas, soit 75% des enroulements qui contribuent au
dveloppement du couple.
Le couple et les courants de la machine en fonction du temps sont reprsents figure.
III.8. Tous ces rsultats prouvent la bonne tolrance aux dfaillances de la SRM modulaire
propose (voir le tableau 3.3).
Tab. 3.3. Le couple moyen de la machine reluctance variable dans diffrents conditions
SRM
Mode
Healthy mode
Tmoy (Nm)
5.6747
Le couple utile en %
100%
Une bobine circuit-ouvert
3.7087
65.35%
Deux bobines circuit-ouvert
3.8389
67.64%
Un canal circuit-ouvert
3.6007
63.45%
Une phase circuit-ouvert
3.5701
62.91%
Un interrupteur circuit-ouvert
4.2545
74.79%
Deux interrupteurs circuit-ouvert
3.8225
67.36%
Quatre interrupteurs circuit-ouvert
3.8224
67.35%
108
3.7 Lapproche signal

3.7.1 Analyse spectrale
Lanalyse spectrale est utilise depuis de nombreuses annes pour dtecter des
dfaillances dans les machines lectriques, essentiellement les ruptures de barres au rotor des
machines asynchrones, la dgradation des roulements, les excentricits et les court-circuits
dans les bobinages. Ces cas se prtent bien cette approche dans la mesure o de nombreux
phnomnes se traduisent par lapparition de frquences directement lies la vitesse de
rotation ou des multiples de la frquence dalimentation.
La surveillance par analyse spectrale de la machine rluctance variable consiste donc
effectuer une transforme de Fourier des grandeurs affectes par le dfaut, et visualiser les
frquences parasites constituant la signature dun dfaut dans laSRMCOMPHEALTHY
machine. Les grandeurs
choisies sont soit lectriques (plus particulirement 7lesN.mcourants de ligne), soit mcaniques
6
(couple lectromagntique). Cette technique permet une

surveillance rapide et peu onreuse
5
CURVE couple
car elle exige un simple capteur de courant ou de vibration.

3
Mechanics / Axis torque

Time
Full cycle / Normal
2
1
(E-3) s.
Healthy case
10
15
20
25
N.m
couple (Nm)
5
4
SPECTRUMSpectr_23
SRMCOMP_OCPHASEA
0.5
From couple
Fundamental 36.651
N.m
1
0
5
0
0.005
0.01
0.015
time (s)
0.02
0.025
0.03
10
15
20
25
30
CURVE couple
Time
Full cycle / Normal
Figure. III.18- lanalyse frquentielle du couple de la MRV en cas sain

(E-3) s.
phase open circuit
10
15
20
25
N.m
2
couple (Nm)
1.5
SPECTRUMSpectr_1
From couple
Fundamental 36.651
0.5
-2
-4
-6
5
0
0.005
0.01
0.015
time (s)
0.02
0.025
10
15
20
25
0.03
Figure. III.19- lanalyse frquentielle du couple de la MRV dans le cas dune phase circuit-ouvert
109
30
SRMCOMP_SCPHASE
N.m
5
CURVE C2D_1
Time
Full cycle / Normal
phase short-circuit
(E-3) s.
5
2.5
10
15
20
25
N.m
2
couple (Nm)
SRMCOMP_CANNALOC
1.5
0
-2
0.5
N.m
-4
5
-6
SPECTRUMSpectr_7
From C2D_1
Fundamental 36.651
0.005
0.01
0.015
time (s)
0.02
0.025
10
15
20
25
30
0.03
CURVEcouple
Mechanics /Axis torque
Time
Fullcycle/Normal
Figure. III.20- lanalyse frquentielle du couple de la MRV dans le cas dune phase court-circuit
(E-3) s.
cannal open circuit
1.5
-2
0.5
couple (Nm)
15
20
25
SPECTRUMSpectr_1
Fromcouple
Fundamental36.651
SRMCOMP_CANNALSC
N.m
7.5
-4
-6
10
N.m
5
0
0.005
0.01
0.015
time (s)
0.02
0.025
10
15
20
25
30
0.03
CURVEC2D_1
Time
2.5
Figure. III.21- lanalyse frquentielle du couple de la MRV dans le cas dun canal circuit-ouvert
Fullcycle/Normal
0
(E-3) s.
couple cannal short-circuit
10
10
15
20
25
N.m
8
1.5
couple (Nm)
SPECTRUMSpectr_
FromC2D_1
Fundamental36.651
0.5
2
5
-2
0.005
0.01
0.015
time (s)
0.02
0.025
10
15
20
0.03
Figure. III.22- lanalyse frquentielle du couple de la MRV dans le cas dun canal court-circuit
110
25
30
N.m
5
0
CURVEcouple
Time
Fullcycle/Normal
(E-3) s.
couple en cas de deux phases circuit ouvert
20
25
1.5
2
0
0.5
-2
-4
SPECTRUMSpect
SRMCOMP_TWOBOBOC
Fromcouple
Fundamental36.651
N.m
5
5
0
0.005
0.01
0.015
time (s)
0.02
0.025
10
15
20
25
30
0.03
CURVE C2D_
Time
Full cycle / Normal
Figure. III.23- lanalyse frquentielle du couple de la MRV dans le cas de deux phases circuit-ouvert
(E-3) s.
couple en cas de deux bobines circuit ouvrt
2.5
1.5
-2
0.5
10
15
20
25
N.m
SPECTRUM Spectr
From C2D_6
Fundamental 36.651
-4
5
-6
0.005
0.01
0.015
time (s)
0.02
0.025
10
15
20
25
30
0.03
Figure. III.24- lanalyse frquentielle du couple de la MRV dans le cas de deux bobines circuit-ouvert
MSRVCOMP_CSTSPEED
N.m
synRM saine
18
16
14
12
couple (Nm)
couple (Nm)
couple (Nm)
15
-6
10
N.m
10
SPECTR
From C2D_2
Fundamental
6
4
2
0
-2
0.01
0.02
0.03
0.04
0.05
0.06
time (s)
0.07
0.08
0.09
0.1
10
15
Figure. III.25- lanalyse frquentielle du couple de la SynRM dans le ca sain
111
20
25
30
MSRVCOMP8OC
N.m
couple dans le cas oc
10
5
5
couple (Nm)
Fr
Fu
-5
2
-10
1
-15
0.01
0.02
0.03
0.04
0.05 0.06
time (s)
0.07
0.08
0.09
0.1
10
15
20
25
30
Figure. III.26- lanalyse frquentielle du couple de la SynRM dans le cas de circuit-ouvert
MSRVCOMP9SC
le couple de MSRV en cas de court-circuit
le couple (Nm)
15
10
-5
-10
-15
-20
N.m
1
0
0.01
0.02
0.03
0.04
0.05 0.06
time (s)
0.07
0.08
0.09
0.1
10
15
Figure. III.27- lanalyse frquentielle du couple de la SynRM dans le cas de court-circuit
112
20
25
30
3.8. Conclusion
Dans ce chapitre, nous avons prsent la structure des machines rluctance variable
tolrante aux dfauts en utilisant une modlisation par lments finis couple avec un modle
circuit. La rsolution des quations dynamiques a t effectue en pas pas dans le temps.
Cette approche qui ncessite un nombre rduit dhypothses simplificatrices est trs prcise et
donne dexcellents rsultats pour ltude de comportement des machines tolrantes aux
dfauts saines ou en prsence de dfauts lectriques. En effet, cette mthode de modlisation
dont la mise en uvre est trs longue, a pu tre valide par des rsultats exprimentaux dans
le chapitre V.
Nous traiterons le cas particulier de court-circuits et circuits-ouvert dans les machines

rluctance variable et la machine synchrone rluctance variable. Une srie de simulations a
t faite pour valider le modle dans diffrentes situations.
En dernire partie de ce chapitre, une tude spectrale du comportement de la MRV et

la MSRV est utilise pour la recherche des signatures des dfauts et lanalyse de
fonctionnement en prsence de dfaut. Nous avons montr que lapparition des harmoniques
du couple de rangs multiples de trois, ainsi que la prsence dun harmonique de couple de
rang 2 peuvent tre utilises comme signature dun dfaut entre spires.
113
CHAPITRE : 4
Vers des nouvelles

approches de diagnostic :
application au diagnostic
des
machines rluctance
variable
114
Chapitre IV : Vers des nouvelles approches de diagnostic : application au diagnostic des machines
rluctance variable
4.1 Introduction
Le chapitre prcdent nous a permis de prsenter et dextraire les diffrents signaux

issus des dfauts qui peuvent survenir sur un ensemble convertisseur machine rluctance
variable .
Les techniques issues de lapproche systme apportent au diagnostic des dfauts des
moteurs lectriques la fiabilit, lautomatisation, la praticit et la sensibilit. Elles exploitent
les signatures avec ou sans modle, dcrites prcdemment, pour raliser la supervision et le
diagnostic du systme. Elles possdent, par ailleurs, de grandes facults dapprentissage.
Parmi ces mthodes, nous pouvons citer les systmes experts, la logique floue, les
rseaux neuronaux, la reconnaissance des formes,. Dans cette partie, nous allons prsenter
quelques unes de ces techniques ainsi que leur application dans le domaine du diagnostic de la
machine rluctance variable.
Ce chapitre ddi lapplication proprement dite de la mthode de diagnostic base
de modle et de systme, (ils sont dtaills au chapitre I), aux machines reluctance variable
(dtailles au chapitre II).
Nous dcrivons, dans ce chapitre, les modles de Markov cach ainsi que les moyens
utiliss pour obtenir les tats, les transitions et les vnements associs ces transitions. Nous
montrons, galement, comment ce systme peut tre utilis par loprateur, des fins de
surveillance. Les algorithmes de slection de paramtres du vecteur de forme utilis par le
systme de dcision et prsents (phase dapprentissage), sont mis en application.
Les bases thoriques de ces mthodes et techniques sont prsentes et leurs
performances compares dans les sections suivantes.
115
rluctance variable
4.2 Techniques de surveillance de la situation existante

Cette recherche se concentre sur la surveillance de l'tat et le diagnostic des dfauts
des machines lectriques. Le diagnostic des dfauts est une dtermination d'un dfaut
spcifique qui s'est produite dans le systme.
Une surveillance de l'tat typique et le processus de diagnostic de dfaut est
gnralement constitu de quatre phases comme le montre la figure 4.1. Surveillance de l'tat
a une grande importance pour les raisons suivantes :
Pour rduire le cot de l'entretien ;

Pour prdire la dfaillance de l'quipement ;
Pour amliorer l'quipement et la fiabilit des composants ;
Pour optimiser les performances de l'quipement;
Pour amliorer la prcision de la prdiction de dfaillance.
La surveillance de l'tat des dispositifs lectriques et mcaniques a t dans la pratique

depuis un certain temps maintenant. Plusieurs mthodes ont volu au fil du temps, mais les
techniques les plus importants sont la surveillance thermique, contrle des vibrations, et
contrle lectrique, contrle du bruit, le contrle de couple et de contrle de flux.
Acquisition des donnes
Extraction
des caractristiques
Analyse de la tendance et pronostic des dfauts
Prise de dcision
Figure 4.1-Processus de diagnostic des dfauts
116
rluctance variable
4.3 Description du procd

Dans la premire partie les modes de fonctionnement sont prsents. La construction
du vecteur forme est galement prsente dans la seconde partie.
La troisime partie est consacre la normalisation des donnes initiales par rapport
la charge. Cette technique va permettre de diminuer la dispersion cause par la charge. De ce
fait, seule la variation due aux diffrents modes de fonctionnements (sain, dfectueux) sera
visible. La quatrime partie concerne le diagnostic dune machine alimente par un onduleur
de tension.
Tout dabord, le choix du vecteur forme est prsent ; il concerne lensemble des
signatures possibles (au nombre de "d") caractristiques des dfaillances du systme. Une fois
cette tape ralise, la recherche des paramtres les plus pertinents, du point de vue de la
discrimination des modes de fonctionnement, est effectue, que ce soit dans le cas supervis
ou non supervis. Une comparaison des vecteurs forme optimaux, obtenus partir de la
mthode de slection de Fisher, est ralis, elle permet de sparer au mieux les classes de
lensemble dapprentissage.
Aprs caractrisation de lensemble des classes (ou modes de fonctionnement), soit
par expertise humain, soit par coalescence, les rgles de dcisions (HMM, Kpp, RN) seront
appliques la classification des nouvelles observations (en dfaut ou non) du systme.
Les rsultats de diagnostic obtenus sont compars.
Enfin, le suivi de lvolution dune dfaillance est effectu en utilisant lapproche de
Kalman.
Il sagit dans cette phase dapplication, de dmontrer lefficacit des mthodes de
classification utilises pour suivre ltat de la machine reluctance variable.
4.4 Modes de fonctionnement tudis

Les modes de fonctionnement ayant servi valider la procdure de diagnostic sont
repris dans le tableau 4.1. Chacun dentre eux est reprsent par une classe dans lespace de
dcision. Les dfauts ont t crs au stator de la machine rluctance variable, et ceci pour
plusieurs niveaux de charge.
117
rluctance variable
Une partie de ces mesures va servir construire lensemble dapprentissage Xa ainsi

que les ensembles de test. Ces ensembles vont tre utiliss pour apprhender les algorithmes
de classification choisit dans cette tude en dterminant la sensibilit des paramtres calculs
et la dfinition du vecteur forme optimal.
Lvolution des dfauts, tels que le nombre de bobines en circuit ouvert, est utilise
pour montrer lefficacit de lestimation et la prdiction ralise par lapproche Kalman.
Tableau 4.1 Les modes de fonctionnement qui seront analyss
Taux de charge
Mode de fonctionnement
Alimentation
Machine rluctance variable (MRV) saine

onduleur multiphase
1 phase court-circuit
a vide ,0%, 25%,
1 phase circuit-ouvert
50%, 75%, 100%
2 phases circuit-ouvert
Machine synchrone rluctance variable (MSRV) saine
1 phase court-circuit
a vide, 0%, 25%,
1 phase circuit-ouvert
50%, 75%, 100%
onduleur multiphase
2 phases circuit-ouvert
4.5 Extraction du vecteur forme par la RTF

4.5.1 Un espace de reprsentation discriminant
Les signaux issus de la machines lectrique sont trs riches en information. Cette
richesse est contenue dans trois composantes pertinentes savoir lnergie, le temps et la
frquence. Lespace de reprsentation qui tient en compte de ces trois composantes est un
choix idal permettant de maintenir lintgralit de linformation contenue dans le signal. Il
existe dinnombrables moyens pour construire un espace de reprsentation prenant en compte
ces trois composantes. Prenons par exemple le couple spectre dnergie - nergie instantane.
Energie, temps et frquence y sont prsents mais cela ne constitue pas un espace de
reprsentation discriminant car il ne fournit pas la localisation temps-frquence. Par exemple
deux signaux volutions frquentielles trs diffrentes au cours du temps peuvent avoir la
mme reprsentation dans cet espace.
118
rluctance variable
La classification des signaux requiert galement que lespace de reprsentation soit

discriminant, cest--dire dans lequel les caractristiques communes aux signaux dune mme
classe sont peu visibles, mais o les dissemblances entres signaux de classes diffrentes sont
videntes. Notons galement que les domaines unidimensionnels (domaine temps, domaine
frquence, . . .) ne sont pas discriminants, donc inadapts pour la classification. La grandeur
physique nergie est essentielle pour discriminer les signaux entre les classes. Par consquent
nous sommes conduit rechercher un espace conjoint temps-frquence de reprsentation de
lnergie du signal.
Plusieurs formulations dun tel espace ont t proposes. Ces solutions semblent
priori dinspirations diffrentes, mais de rsultats finalement proches [dav 98]. Le
spectrogramme et la distribution Wigner-Ville sont deux reprsentations quadratiques pour le
signal analys et font partie de la classe de Cohen. Il existe dautres distributions dnergie,
hors de cette classe. Toutefois, lnergie dun signal tant par essence une quantit
quadratique, il est logique de se tourner vers des reprsentations ayant cette proprit.
4.5.2 La conception de la RTF

La conception de la RTF rsulte dune transforme de Fourier discrte en n (temps
discret) applique la fonction dauto-corrlation instantane :
R n, x * n xn N
(4.1)
Ainsi, la fonction dauto ambigut est dfinie par :

N 1
A , Fn R n, R n, e
-j
2
n
N
(4.2)
n 0
et sont respectivement Doppler et retard discrets. La RTF correspondante qui est une
version discrte de la RTF du Rihaczek est donne par :
Rn, k F -1n F k A ,
1
N
N 1 N 1
A , e
- j 2 N k
e j 2
N n
(4.3)
0 0
O k est la frquence discrte. La fonction caractristique de la RTF discrte du Rihaczek est

simplement A, .
119
rluctance variable
Il existe un noyau , qui opre par la multiplication bidimensionnelle sur la

fonction dauto-ambigut [Cla 80]. La RTF correspondante est donne par :
Gn, k F -1n F k , A ,
1 N 1 N 1
, A , e
N 0 0
- j 2 N k
.e j 2
N n
(4.4)
La fonction caractristique de Gn, k est , A , . Tout lment non nul du noyau
, en termes de et/ou peut effectuer un lissage sur la RTF originale (4.3) de

Rihaczek, R[n , k ] , en temps et/ou en frquence respectivement. G[n , k ] est une version lisse
de R[n , k ] . Lavantage du noyau est que toutes les RTF peuvent tre obtenues partir
de R[n , k ] par lapplication dun noyau appropri. Ainsi G[n , k ] peut tre considr comme
RTF gnralise [Coh 95].
Le plan dambigut a des proprits trs appropris pour la classification. Une seule
position i , i dans ce plan offre des informations "globales" sur la structure tempsfrquence du signal. Si , 0 pour toutes les valeurs exceptes celles sur laxe = 0 , alors
toute linformation temporelle est lisse, et seulement linformation de la frquence
stationnaire est maintenue dans G[n ,k ] (RTF rsultante lisse). Si , 0 pour toutes les
valeurs exceptes celles sur laxe = 0 , alors toute linformation spectrale est lisse et
seulement linformation temporelle est retenue. Les points qui ne sont pas sur lun ou lautre
axe correspondent une structure temps-frquence non stationnaire.
Quand le noyau , est conu dans le but de la classification, nous nous rfrons
lui en tant que noyau dpendant de la classe du signal (DCS). Ce noyau est dcrit
par DCS , . En outre, nous nous rfrons la RTF correspondante, RTFDCS [ , ] comme la
RTF dpendante de la classe du signal; elle est dcrite par :
RTFDCS n, k F -1n F k DCS , A ,
(4.5)
Il est possible de visualiser la RTF dpendante de la classe du signal et dobserver la

structure de temps-frquence exploit par un classifieur
120
rluctance variable
Le choix dune RTF et dun algorithme de projection doivent tre conjointement

optimis ; ceci tant prohibitif en termes de temps de calcul, il vaudrait mieux utiliser une
RTF optimale [Dav 01] qui puisse tre directement classifie. Nous nous sommes intresss
dans cette tude la conception des RTF optimises pour la classification des dfauts de la
machine rluctance variable et synchrone rluctance variable. Nous proposons une
mthode pour concevoir des noyaux optimiss, et par consquent des RTF optimises pour la
discrimination entre les ensembles prdfinis de classes. Les noyaux rsultants ne sont
restreints aucune fonction prdfinie mais, plutt, sont arbitraires dans la forme. Au lieu de
faire des hypothses priori au sujet du type de lissage temps-frquence, notre approche
tablit le lissage appropri pour raliser la meilleure performance de la classification.
4.5.3 La conception du noyau de Fisher pour la classification

Supposant quil y ait N exemples dapprentissage dans un ensemble dapprentissage
( )
pour une classe particulire. Notons que yi c dcrit le ime exemple dapprentissage de la
cth classe. Le but est de concevoir un classifieur pour dterminer lappartenance de classe
dun vecteur x. Ceci est fait en utilisant les exemples dapprentissage, sachant que le vecteur x
ne figure pas dans lensemble de dapprentissage.
Nous proposons de concevoir un classifieur directement dans le plan dauto ambigut.
Puisque toutes les RTF peuvent tre drives du plan dauto-ambigut, aucune hypothse
priori nest faite concernant le lissage exig pour la classification.
Lapproche de la conception du noyau et de la classification est une gnralisation de
la mthode dpendante de la classe du signal (DCS) dcrite dans [Atl 97], [McL 97].
Dans ce qui suit nous proposons la conception du noyau discriminant de Fisher.
Le noyau discriminant de Fisher une mthode approprie pour les cas rels o le
nombre dexemples dapprentissage est limit. Cette mthode spare deux tapes principales;
la conception du noyau et la classification. Dans ce cas de figure, les valeurs du noyau sont
contraintes telles que :
DCS , 0, K
12
(4.6)
o K est le nombre de points non nuls du noyau DCS . Ceci assure que la contrainte de
lnergie unitaire est satisfaite. Le noyau DCS choisit des "motifs" partir de lensemble de
points qui composent la fonction dauto-ambigut.
121
rluctance variable
Les points de motif peuvent tre extraits, directement, partir de i , A , . Dans

cette application, le noyau i , , est dfini comme une matrice binaire o chaque lment
A , , si i , 1
i , A ,
si i , 0
0,
est soit 1 ou 0 :
(4.7)
Les points de motif sont les points du plan d'ambigut de position i , i quand , =1.
En multipliant la forme binaire de la fonction de Fisher avec le plan dambigut dun
certain signal, nous trouverons N points de motif pour ce signal qui sont prsents par un
ordre dcroisant dans un vecteur motif.
Ces "motifs" peuvent tre utiliss pour estimer la classe de lexemple inconnu en
utilisant nimporte quelle architecture de classifieur. Pour approximer troitement le noyau
discriminant linaire, nous cherchons les points dans le noyau qui maximisent le rapport
discriminant de Fisher (RDF) donns par :
m [ , ] m
FDRi ( , )
[ , ]
2
2
V i [ , ] V i reste [ , ]
i
i reste
(4.8)
o mi[,] et mi-remain [,] reprsentent les moyennes de la classe i et le reste des classes
dans le plan Doppler- retard (,)
mi ,
1
i
Aij ,
(4.9)
j 1
A ,
j 1
mi reste , k i 1 3
kj
(4.10)
Nk
k i 1
Vi
Ni
j 1
(4.11)
A , m
3
V i reste ,
Ai , m ,
1 Ni
Nk
i reste
kj
k i 1 j 1
(4.12)
k i 1
Le RDF offre les positions des points au noyau pour la classification. Le RDF est
maximis quand la sparation entre les moyennes des classes est grande et la variance
122
rluctance variable
interclasse est petite. Le nombre optimal de points non nuls est dtermin par lvaluation des
performances du classifieur en utilisant les K meilleurs points du noyau (c.--d. les K points
avec le plus grand RDF). Pour beaucoup de signaux, des corrlations existent dans le plan
dauto-ambigut. Le RDF range les motifs en une seule dimension, malgr quil nexplique
pas cette corrlation. La corrlation amliore souvent les performances globales de la
classification et devrait, ainsi, tre explique.
(Signal) i=1n
La classe de
circuit-ouvert
Fonction dambigut
Ai=1.n
La classe de
court-circuit
Le rapport discriminant de
Fisher (RDF)
La classe de
deux phases
circuit-ouvert
L'optimisation de la taille
du vecteur forme
La classe
saine
Le noyau
i=1n
Le noyaui * lambigut Ai
FV= {FV1, FV2, FV3, FV4}
Figure 4.2- Algorithme de conception de noyau de classification et d'extraction de FV
123
rluctance variable
4.6 Dtermination dune mthode de dcision

4.6.1 Modles de Markov cachs (MMC)
Nous rappelons que la tche principale de lanalyse de squences temporelles, dans
notre application tant de prdire les nouvelles observations partir de toutes les observations
ralises.
Dans les modles probabilistes, tels que les DMC (Discrete Markov Chains : chanes
de Markov Discrtes), ou les HMM (Hidden Markov Models
Modles
de
Markov
cachs) lobjectif est non pas de dterminer directement la nature exacte de la classe, mais
plutt sa meilleure conjecture. Il sagit donc de dterminer le degr de confiance attribu
lappartenance de cette observation une classe prdtermine. La mesure de ce degr se
traduit formellement par le calcul dune probabilit conditionnelle P (xt+h|x1:n) [Hec 95], avec :
x1:n=(x1, x2, , xn)
h : horizon sur lequel nous voulons faire la prdiction h > n
Les modles probabilistes intgrant cette forme de connaissance par le calcul de la
probabilit P (xt+h |x1:n, u1:t+h), avec : U= {u1:t+h} lensemble dentres considrer, de
linstant t jusqu linstant t +h. Le calcul de ces probabilits est assur par infrence des
causes et des connaissances a priori sur le squencement des donnes.
Dans le paragraphe suivant, nous prsentons le concept thorique de lapproche
probabiliste les plus frquemment utiliss pour lanalyse de squences temporelles: les
modles Markoviens CCM: les modles Markoviens et de son utilisation en apprentissage
[Beng 99].
4.6.1.1 Modles de Markov cach discrte

Les Chanes de Markov Discrtes (communment notes DMC pour Discrete Markov
Chains) sont la base de tous les modles Markoviens pour lanalyse de squences
temporelles. Le principe des DMC est de calculer, chaque pas de temps, une distribution de
probabilits selon les classes dvnements (ou changements dtats).
Les Modles de Markov Discrets sont bass sur une suite (ou boucle) dtats dans
lesquels on navigue par des probabilits de transition et suivant des observations.
Une chane de Markov discrte correspond un simple graphe dtats (Figure. 4.3),
dot dune fonction de transition probabiliste. Ltat courant du systme stochastique est
reprsent par une variable pouvant prendre plusieurs valeurs dans lensemble ={x1, x2, }
124
rluctance variable
o les xi sont les tats possibles du systme. A chaque pas de temps, le modle franchit une
transition qui va potentiellement modier son tat, permettant au systme dvoluer selon une
loi de transition probabiliste. La dynamique du systme est ainsi entirement caractrise par
les probabilits de transition dun tat lautre.
4.6.1.2 Modles de Markov cach

Les modles de Markov cachs (Hidden Markov Models ou HMMs) ont t introduits
par Baum et al. la fin des annes 60. Ce modle est fortement apparent aux automates
probabilistes, dfinis par une structure compose dtats et de transitions, et par un ensemble
de distributions de probabilit sur les transitions. A chaque transition est associ un symbole
dun alphabet fini. Ce symbole est gnr chaque fois que la transition est emprunte. Un
HMM se dfinit galement par une structure compose dtats et de transitions et par un
ensemble de distributions de probabilit sur les transitions. La diffrence essentielle avec les
automates probabilistes est que la gnration de symboles seffectue sur les tats, et non sur
les transitions. De plus, on associe chaque tat non pas un symbole, mais une distribution de
probabilit sur les symboles de lalphabet.
Les modles de Markov cachs sont utilises pour modliser des squences
dobservations. Ces observations peuvent tre de nature discrte (par exemples les caractres
dun alphabet fini) ou continue (frquence dun signal, temprature). Sans prtendre une
prsentation exhaustive des modles de Markov cachs.
La procdure de gnration dune squence o1...oT de symboles laide dun HMM
consiste partir dun tat s en suivant la distribution , de se dplacer dtat en tat suivant
les probabilits de transition, et gnrer un symbole sur chaque tat rencontr en utilisant la
distribution de probabilit de gnration associe ltat. Lorsquun symbole a t gnr, on
choisit une transition sortante suivant la distribution de probabilit de transition associe
ltat courant, et la procdure est ritre jusqu la Tme gnration de symbole. Les HMMs
dfinissent donc un processus stochastique non dterministe, ce qui explique le nom donn
ce modle.
a11
t
S1
T
b1(ot)
a22
a12
S2
b2(ot)
a33
a23
S3
La squence
dobservation Ot
b3(ot)
La squence
dobservation OT
Figure. 4.3Le modle gnration de Markov cach avec 3 tats (tiquet S1 S3)
125
rluctance variable
Un HMM est dfini par un quintuplet (S, , T, G, ), ou :

S est un ensemble de N tats,
est un alphabet de M symboles,
T = S S [0, 1] est la matrice de transition, indiquant les probabilits de
transition dun tat lautre ; on note P (ss) la probabilit de transition de
ltat s vers ltat s,
G = S [0, 1] est la matrice de gnration, indiquant les probabilits de
gnration associes aux tats ; on note P (o | s) la probabilit de gnrer le
symbole o partir de ltat s S.
: S [0, 1] est un vecteur de probabilits initiales de visite.
On peut classer les principales applications des HMMs en deux catgories. La

premire traite des problmes de reconnaissance ou de classification, la seconde a trait aux
problmes de segmentation de squences, cest--dire au dcoupage dune squence en soussequences de diffrents types.
Trois problmes de bases sont soulves par lutilisation des HMM, qui vont tre
abords dans les parties suivantes :
1. tant donns une squence dobservations O = o1oT et un HMM H, comment
valuer efficacement P(O|H), la probabilit dobservation de O tant donn H ?
2. tant donns une squence dobservation O = o1oT et un HMM H, comment
choisir une squence detats s1sT optimale dans un certain sens (i.e. expliquant
au mieux O) ?
3. comment ajuster les paramtres dun HMM H pour maximiser P(O|H) ?
Le premier problme est un problme dvaluation, qui peut galement tre vu comme
un problme destimation de la capacit dun modle donn reconnaitre une squence
dobservations donne. Le second problme se ramen lide de dvoiler les tats cachs S,
sans y avoir accs directement. Dans la plupart des cas, le critre doptimalit retenu
influencera la squence detats calcule. Enfin, le troisime problme se ramne
lentranement dun HMM par des squences dobservations, en vue den optimiser les
paramtres pour un problme spcifique donne.
126
rluctance variable
4.6.1.3 Classification par MMC

a) phase dentranement
Le vecteur forme est utilis pour dfinir la squence dobservation afin dentraner un
MMC. Celui-ci peut tre form, galement, en utilisant de multiples vecteurs formes. Par
exemple, si nous avons plusieurs niveaux de charge pour le dfaut statorique, nous pouvons
former un MMC simple en utilisant des donnes pour les diverses niveaux de charge.
Etant donn la matrice des vecteurs motifs, nous pouvons entrans un modle MMC
= {,,, A,B} reprsentant un dfaut spcifique. Les paramtres du modle sont ajusts et
calculs par lalgorithme Baum-Welch (c.6).

Les modles MMCs m , m {1, 2, M}sont entrans afin de reprsenter les dfauts : le
dfaut de circuit-ouvert, le dfaut de court-circuit et le dfaut de deux phases circuit-couvert
pour les diverses niveaux de charge.
b) Dtection des dfauts par MMC
Aprs avoir entran les modles MMC pour les diffrents types de dfaut
denroulements. Chaque type de dfaut est caractris par un modle m i 1, 2 , 3 (i dfinit
le dfaut). La seconde phase consiste identifier une nouvelle squence dobservation ou un
nouveau vecteur forme correspond un signal non class dans la phase dapprentissage. Cette
phase correspond rsoudre le premier problme de MMC par lalgorithme ForwardBackward (c.3). La procdure de dtection par MMC est illustre par la figure. 4.4.
La premire tape est l'extraction du vecteur de forme , 1 , , 2 , , i partir

d'un signal prtrait par la reprsentation temps-frquence.
Etant donn les modles dapprentissages = {,,, A,B} labors prcdemment.

La seconde tape consiste calculer la probabilit du vecteur forme cest dire la
squence
dobservation
O , 1 , , 2 ,,
de
chaque
modle
entran Pm O m et de dterminer la probabilit maximale. Dans cette seconde

phase on retrouve la premire formulation des problmes des MMC. Le calcul de la
probabilit est effectu par lalgorithme Forward-Backward. En fin de compte, le
MMC pour lequel la probabilit est maximum Pm O m , dtermine le type du dfaut
selon : i arg max(P0 , P1 , , Pn ) .
127
tape dextraction des

vecteurs formes
rluctance variable
Acquisition de donnes et signal

diagnostiquer
Application de la RTF
Ai(signali)
Slection de la probabilit maximale

Max (Oii), i=1, 2, 3
1
Observation inconnu (O) ?
P1(O1)
P2(O2)
P3(O3)
Slection de la probabilit maximale

argmax (P1, P2, P3)
tape de reconnaissance et
de test
Estimation de modles de HMM
tape destimation
Extraction des vecteurs forme

FV= [O...]
Figure. 4.4Algorithme de diagnostic de dfaut par TFR-MMC
4.6.2 Les Rseaux de Neurones (RN)

Le dveloppement de la technique des rseaux de neurones artificiels dcoule d'une
imitation de certains mcanismes du cerveau humain. Un rseau de neurone est un ensemble
d'units interconnectes qui disposent d'une grande capacit d'apprentissage et de traitement
de l'information. Il s'agit en fait d'un algorithme mathmatique qui permet de traiter
parfaitement les connaissances relatives la relation entre les valeurs d'entres et de sorties,
afin de classer correctement les situations.
Dans les annes 1940, les neurologues Warren Sturgis McCulloch et Walter Pitts
menrent les premiers travaux sur les rseaux de neurones. Ils constiturent un modle
128
rluctance variable
simplifi de neurone biologique communment appel neurone formel. Ils montrrent

galement thoriquement que des rseaux de neurones formels simples peuvent raliser des
fonctions logiques, arithmtiques complexes.
4.6.2.2 Architecture des rseaux de neurones

Un rseau de neurones est gnralement form dune couche dentre reprsentant les
neurones d'entres (variables d'input), dune couche de sortie reprsentent le vecteur des
variables d'outputs permettant de transfrer les informations en dehors du rseau, et d'une ou
de plusieurs couches caches prsentant lensemble des nuds cachs ayant des connexions
entrantes qui proviennent des neurones dentre.
Ces units nont pas dinteraction directe avec lenvironnement. Elles permettent au
rseau dapprendre des tches complexes en exploitant, progressivement, les caractristiques
les plus significatives des neurones dentres. Un poids est attribu chaque connexion du
rseau, et lensemble correspond au schma de pondrations suivant:
La Figure 4.5 montre une architecture typique de MLP se composant de trois couches
; de M, N et O pour l'entre, cache et la couche de sortie, respectivement. Le vecteur
d'entre, X x1 x2 ... xo , est transform un vecteur par utilisation de intermdiaire des
T
variables caches U par utilisation de fonction d'activation
la sortie u j du jme de
neurones de la couche cache est obtenue comme suit :

M 1
1
u j f 1 i wi , j x i b j
(4.13)
O b1j et w1i , j reprsenter respectivement le biais et le poids, entre le jme neurone de la couche
cache et ime le neurone de la couche dentre. L'indice suprieur 1 reprsente le
raccordement (premier) entre les neurones des couches entre/cache.
Le vecteur de sortie dsire y y1 y 2 ... y o du rseau est obtenu partir du vecteur
T
des variables intermdiaires U par une fonction d'activation
de la couche de sortie. Par
exemple, la sortie du neurone k exprim comme suit :

y k f 2 lN 1 wl2,k u l b2k
129
(4.14)
rluctance variable
Figure. 4.5Modle de rseau de neurone artificiel
O l'indice suprieur 2 dnote le raccordement (secondaire) entre les neurones des

couches cache/sortie. Il y a plusieurs formes des fonctions d'activation
et
, tels que
la fonction 1 sigmode, la tangente hyperbolique et la fonction linaire, donnes par les

quations. (4.15) (4.16) (4.17), respectivement:
f (v )
f (v )
1
1 e v
(4.15)
1 e2 v
2
1
2v
1 e
1 e 2 v
f (v ) v
(4.16)
(4.17)
a) Perceptrons multicouches
Les perceptrons multicouches sont les rseaux les plus employs et les plus tudies.
Deux abrviations anglaises sont utilises dans la littrature pour les nommer : MLP pour
Multi Layer Perceptrons et ANN, Artificiel Neural Networks. Un perceptron multicouche est
compose de plusieurs couches de neurones et de connexions. Ce nombre est au moins gal a
deux, signifiant ainsi que le rseau possde deux couches de poids, une couche de sortie et
une couche cache. Le nombre de couches caches dtermine la complexit des frontires des
diffrents sous-espaces que le rseau pourra reprsenter. La complexit de lapproximation est
galement dtermine par le nombre de neurones de chaque couche puisque ce nombre
dtermin le nombre maximal dinformations que le rseau peut extraire du signal traite. La
couche dentre, correspondant le plus souvent a un vecteur de donnes issu dune phase de
prtraitement, nest pas vritablement considre comme appartenant au rseau.
130
rluctance variable
b) Modle auto-organisation ou de Kohonen

Les modles auto-organisation ne suivent pas les mmes principes que les
perceptrons multicouches. Lauto-organisation permet dobtenir un rseau qui rpond aux
stimuli qui lui sont prsentes en entre suivant une classification qui nest pas donne a priori
par le concepteur. Ainsi, linverse des perceptrons, la rpartition des activations en fonction
de lentre ne peut pas tre connue avant la fin de lapprentissage. La rpartition des stimuli
sur la couche de sortie, qui est gnralement une carte, un espace a deux dimensions, permet
dobtenir une rpartition des formes par proximit de leurs caractristiques. Tous les stimuli
sont donc organises suivant une sorte de continuum perceptif, deux formes voisines sur la
carte auto-organise pouvant tre considres comme proches dans lespace des paramtres
dentre suivant la distance qui a t utilise lors du processus dapprentissage.
Le rseau est constitue de trois parties : la couche dentre, qui reoit les valeurs issues
de la phase de prtraitement, la couche des connexions, qui permettra de calculer la distance
entre une forme dentre et un jeu de poids considre, et la couche de sortie, qui permet de
faire ressortir lunit vainqueur de la plaque. Le principal dfaut des modles auto-organises
comme la carte de Kohonen est, justement, la non supervision de la phase dapprentissage. La
rpartition des formes sur la plaque de sortie se fait selon un processus non-supervise qui ne
tient absolument pas compte des diffrentes classes existantes et donc de la symbolique
associe au signal dentre. La prise en compte de la variabilit du signal en fonction de la
classe associe peut donc rapidement devenir un problme. La phase postrieure a
lapprentissage est la dtermination de la symbolique associe a chaque unit de la couche de
sortie. Mais lapprentissage dune classification de visemes trs proches fournit parfois des
rsultats presque inexploitables. Il ny a alors plus dautre choix que de raliser un nouvel
apprentissage en esprant obtenir une meilleure qualit.
4.6.2.3 Apprentissage des rseaux de neurones

La phase dapprentissage consiste modifier les poids
jusqu obtention dune
stabilisation du rseau. C'est--dire, jusqu ce que le poids ne se modifie que dune faon
minime. Lapprentissage mathmatique, bas sur ce concept, sert minimiser une fonction de
cots formule autour de lerreur de sortie. Alors ladaptation commence par les neurones de
la couche de sortie, forcs de la bonne valeur. Puis, on fait varier lgrement les poids des
neurones des couches prcdentes.
131
rluctance variable
Il existe deux grandes catgories dapprentissage de rseaux :
les rseaux apprentissage supervis dans lesquels le systme apprend
reconnatre des formes partir dun chantillon dapprentissage qui associe les modalits
portes par des variables censes caractriser une forme, et la forme elle-mme. Sur cet
chantillon les rsultats correspondant aux divers ensembles dinformations donnes au
systme sont connus. Cest partir de l que le systme se paramtre ; Lors dun
apprentissage supervise, les rsultats corrects (c'est-a-dire les valeurs dsires en sortie) sont
fournis au rseau, si bien que celui-ci peut ajuster ses poids de connexions pour les obtenir.
Aprs lapprentissage, le rseau est teste en lui donnant seulement les valeurs dentre mais
pas les sorties dsires, et en regardant si le rsultat obtenu est proche du rsultat dsir.
les rseaux apprentissage non supervis, qui sont utiliss lorsque lutilisateur
du rseau nest pas en mesure de prsenter au systme un chantillon mettant en regard une
somme dinformations et la forme quelle est cense reprsenter. Le rseau sauto-organise de
faon dcouvrir des formes rcurrentes dans les informations quil reoit, mais il le fait sans
aide extrieure, contrairement aux rseaux apprentissage supervis. Le plus connu de cette
catgorie de rseaux est celui de Kohonen (1984). Lors dun apprentissage non supervise, on
ne fournit pas au rseau les sorties que lon dsir obtenir. On le laisse voluer librement
jusqua ce quil se stabilise.
4.6.2.4 Limites
Les RNN ont t utiliss avec succs dans plusieurs domaines pour les problmes de
prdiction [Aus 95] se caractrisant par des phnomnes temporels. Toutefois, les RN
admettent quelques inconvnients et notamment:
La structure dun NN, cest--dire le nombre de couches caches et des nuds
dans chaque couche, ainsi que les fonctions dactivation et de combinaison utilises, ont un
impact trs important sur la performance dun NN. Cependant, la structure dun NN est
dtermine de faon relativement empirique puis quil nexiste pas une procdure
systmatique dfinissant ces paramtres.
Les modles ne sont pas interprtables. En effet et, durant lapprentissage dun
NN, lajustement des paramtres du modle consiste optimiser les sorties du rseau selon
une fonction de critres objectif [Li 00]. Par consquent, il est trs difficile dinterprter
physiquement les nuds, et/ou les relations entres les nuds.
132
rluctance variable
Issus de la recherche en neurophysiologie et en informatique, lapproche des RN fait

lobjet de recherches dans beaucoup de domaines tels que la comprhension et la
synthtisation de la langue naturelle, la classification, le diagnostic, etc. Cette technologie
comporte des caractristiques trs intressantes comme la facult dapprentissage et dautoorganisation. Elle prsente des perspectives dapplications particulirement
intressantes
pour laide au diagnostic avec signatures externes. En effet, le calcul neuromimtique possde
des proprits similaires celles de la reconnaissance des formes pour la classification
automatique de signatures.
Pour identifier des dfauts dans un systme, le diagnostic ralis par rseaux de
neurones doit disposer dun nombre suffisant dexemples de bon fonctionnement et de dfauts
pour pouvoir les apprendre. Pendant la phase dapprentissage, les exemples sont prsents au
rseau en entre avec les diagnostics correspondants la sortie. Le rseau sauto-organise,
apprenant relier les exemples montrs aux diagnostics. Aprs lapprentissage, le rseau ne
reconnat pas seulement les exemples appris mais galement des paradigmes leur ressemblant,
ce qui correspond une certaine robustesse par rapport aux dformations de signaux par le
bruit. Pour un traitement par rseau de neurones, les exemples doivent tre mis en forme pour
tre entrs dans le rseau. Ce sont des grandeurs caractristiques des dfauts diagnostiquer,
filtres et prtraites (transforme de Fourier).
Cependant, linconvnient majeur est darriver dterminer une mthodologie pour

matriser les problmes inhrents, qui sont principalement le choix de la structure, de la taille
du rseau et des algorithmes dapprentissage pour un problme prcis. Par contre, la
principale raison de leur intrt en diagnostic industriel est leur facult dapprentissage et la
mmorisation dun grand volume dinformation.
133
rluctance variable
Acquisition de donnes et de
conditions
Ai (signali)
Extraction de vecteurs de
forme FV= [O...]
Lensemble de test
tape dextraction des

vecteurs forme
Machines tournantes
Lensemble dapprentissage
Entrainement des RN
Nouvelle
classe
RN entrain
Non
La sortie du RN
ANN
Diagnostic Output
des MRV
Assigner?
oui
Nouvelle
observation?
Figure.4.6 -Schma gnral de la procdure de diagnostic de la MRV par la mthode RTF optimale-ANN
4.6.3 Les k plus proches voisins (k - ppv)

Il a t vu prcdemment que les mthodes paramtriques taient bases sur
lexistence des lois de probabilits rgissant les observations et les classes. Toutefois si cette
connaissance est incomplte, il est prfrable dorienter la procdure de dcision vers
lestimation de la loi de probabilit ou de celle des probabilits a posteriori. Parmi les
estimateurs usuels, on distingue lestimateur de Parzen et lestimateur des k plus proches
voisins (k - ppv).
134
tape de classification
Slection des FV
rluctance variable
Kpp est une approche trs simple et directe, une mthode d'apprentissage supervis.
Elle ne ncessite pas dapprentissage mais simplement le stockage des donnes
dapprentissage. Son principe est le suivant. Une donne de classe inconnue est compare
toutes les donnes stockes. On choisit pour la nouvelle donne la classe majoritaire parmi ses
k plus proches voisins (Elle peut donc tre lourde pour des grandes bases de donnes) au sens
dune distance choisie.
4.6.3.1 Rgle des k plus proches voisins (k - ppv)

Le principe de la rgle des k ppv est daffecter Xu la classe majoritairement
reprsente parmi ses k - plus proches une nouvelle observation voisins.
En ralit, La manire la plus simple dlaborer cette rgle, est de mesurer la distance
entre la nouvelle observation et chacun des vecteurs de lensemble dapprentissage. La
nouvelle observation sera alors affecte la classe majoritairement reprsente parmi ses k
ppv. La dfinition de la notion de plus proche voisin est lie au choix dune distance.
Algorithme des K-plus proches voisins :
Dbut
pour chaque (exemple (x, c) L) faire
Calculer la distance D(x, x)
Fin pour
pour chaque {x kppv(x)} faire
Compter le nombre doccurrences de chaque classe
Fin pour
Attribuer x la classe la plus frquente;
Fin
4.6.3.2 Choix de la distance dans la rgle des k - ppv

Afin de trouver les k plus proches dune donne classer, diffrentes distances
peuvent tre utilises, dfinies par la formulation gnrale :
2
d X , Y X Y A X Y
t
(4.18)
Plusieurs cas particuliers peuvent tre tirs de cette formulation

135
rluctance variable
La distance euclidienne o A est une matrice identit :

2
d E X , Y X Y A X Y
t
(4.19)
La distance de Mahanalobis o A est linverse de la matrice variance-covariance

totale :
2
d M X ,Y X Y
X Y
1
(4.20)
Lintroduction de la matrice de variance-covariance dans lexpression (4.20) signifie

que cette mesure prend en compte la dispersion de lensemble dapprentissage, dans chaque
dimension.
4.6.3.3 Choix du nombre de plus proches voisins k

Le choix de k est un choix dlicat souvent effectu un peu au hasard. Deux compromis
sont satisfaire cependant : prendre k grand pour obtenir une estimation fiable , et tre
certain que les k voisins sont proches de la nouvelle observation pour sassurer de ne pas
effectuer un diagnostic erron. Le choix reste souvent arbitraire, k est pris relativement faible
par rapport la taille de lensemble dapprentissage N. k est toujours ramen un nombre
impair, pour viter lambigut dindcision. k gal N ralise un bon compromis [Dub
90].
Acquisition de donnes et signal
diagnostiquer
Ai(signali)
Vecteurs forme
dobservation FV= [O...]
classe1
Classe2
Classei
Observation inconnu (O)?
argmin1(d)
Argmin2(d)
Argmini(d)
Slection de la distance minimle

argmin (d1, d2 di)
Diagnostic de la MRV
Figure.4.7 -Schma gnral de la procdure de diagnostic de la MRV par la mthode RTF optimale-KPP
136
rluctance variable
4.7 Evolution des modes de fonctionnement

Un des inconvnients de la rgle des k ppv est quune nouvelle observation localise
entre deux classes peut tre rejete alors que celle-ci appartient au mme mode de
fonctionnement dfini par ses classes. En gnral, cause dun faible retour dexprience,
lensemble dapprentissage initial ne couvre pas exhaustivement tous les modes de
fonctionnement du systme. Ainsi, dans notre application, il est impossible davoir des
mesures pour nimporte quel niveau de charge et pour nimporte quel degr de svrit pour
un type de dfaut donn.
Il est donc ncessaire, pour obtenir un diagnostic sans erreur, de prendre en compte
lvolution des modes de fonctionnement par rapport au niveau de charge du moteur mais
aussi lvolution due la svrit des dfauts.
4.7.1 Approche par filtre de Kalman

Le modle de Kalman permet de dcrire, dans lespace de reprsentation, lvolution
de chaque composante du vecteur forme, est dfini comme suit [ond 08]
x k 1 F k xk G k u k
y k C k xk
xk :
Vecteur de dimension n ;
uk :
Vecteur de commande ou dentre de dimension p ;
yk :
Vecteur de mesure de dimension m ;
Fk(n.n ), Gk(n.p), Ck(m.n ) :

n:
(4.21)
Matrices ;
Ordre du system ;
Fk et Gk sont des matrices variant avec la variable dvolution k et peuvent tre galement
fonction de xk et uk.
Figure. 4.8-Reprsentation de modes de fonctionnement composs de plusieurs classes [Ond 06]

137
rluctance variable
Le problme est quaucune information nest disponible et donc, plusieurs cas peuvent
tre envisags.
Le cas retenu :
La matrice Fk est considre comme une matrice diagonale, ce qui suppose quil ny a
pas de contribution entre les composantes du vecteur forme.
f 11k 0...
Fk 0
0
0
f nnk
(4.22)
Cette hypothse dbouche sur la dfinition dune reprsentation dtat modal de

lvolution x sont les d composantes du vecteur forme. Au final, nous supposons que
lvolution de chaque composante du vecteur forme est reprsente par un modle du premier
ordre non linaire tel que :
x k 1 F k xk G k u k wk
y k C k xk vk
(4.23)
O
k est linstant dobservation (k 0)
xk (1x1) est le vecteur dtat du processus pour la valeur k (vecteur forme en RdF),
uk (1x1) est le vecteur dentre,
yk est la mesure,
Le bruit dtat (wk) et le bruit de mesure et le bruit (vk) sont des bruits stationnaires
non corrls de valeur moyenne nulle avec pour valeurs :
E wk wTi Q w E v k vTi R k = i, et gal zro k i,
(4.24)
Fk est la matrice (1x1) de transition dtat (matrice dvolution),

Gk est la matrice (1x1) de commande (matrice de poids du niveau de charge),
Ck est la matrice (1x1) de sortie.
Ainsi, on peut dire que ltape destimation est utilise pour dterminer les paramtres
du modle et, par la suite, ltape de prdiction est utilise pour raliser la prdiction de
lvolution du vecteur forme.
138
rluctance variable
Afin de dterminer les valeurs de paramtres du modle k, il est ncessaire de

dfinir :
1,1 1, 2
k F k F k ... F kd ' , d '1 F kd ' , d '
k G1k G1k, 2 ... G kd '1 G kd '
(4.25)
(4.26)
l ,c
1
F k , G k sont les valeurs sur la ligne l et la colonne c de Fk and Gk respectivement.
Un processus de Wiener a t retenu pour dcrire lvolution des deux prcdents paramtres
et . Une nouvelle quation est donc dfinie comme suit

k 1 k u k
(4.27)
k 1 k k
(4.28)
u k et k sont des bruits stationnaires non corrls de valeur moyenne nulle.

E u k uTi Q w E k Ti Q k = i, et gal zro k i,
(4.29)
Maintenant, nous pouvons dfinir les nouveaux lments associs (4.36 et 4.37)
k
k ,
k
(4.30)
F G I ,
(4.31)
wk k k
xTk
C k ...
0...
T
k
x
...
...
0
...
...
T
xk
(4.32)
.
0
(4.33)
Ds lors, une nouvelle reprsentation de (4.32) est introduite :

k 1 F k G k
(4.34)
y k C k 1 k 1 wk 1 v k
(4.35)
k est aussi un bruit stationnaire non corrl de valeur moyenne nulle
0
Q
Q E k Ti
k = i, et gal zro k i,
0 Q
139
(4.36)
rluctance variable
Lestimateur rcursif dterminer de Kalman est utilis po lvolution de Fk et Gk,

ncessaire la ralisation de la prdiction. Pour cela, il faut procder quatre tapes :
1 Initialization
0/0
(4.37)
P0 / 0
2 Estimation a priori
k / k 1 F
k 1 / k 1
(4.38)
k / k 1
yk / k 1 C k 1
(4.39)
pk / k 1 C P k 1/ k 1 F T G Q w G
(4.40)
3 - Innovation
~
y k / k 1 y k y k / k 1
(4.41)
k / k 1 C k 1 k / k 1 C k R Q
T
(4.42)
4 Estimation a posteriori
T 1
K k P k / k 1 C k k / k 1 ,
(4.43)
k / k 1
k / k 1 K k ~
y k / k 1
(4.44)
P k / k I K k C k P k / k 1
(4.45)
4.7.2 Vers la prdiction

Pour raliser la prdiction, le prdicteur n pas suivant [Bro 92a], [ond 08] est utilis :
k n 1
n
x k n / k F k x k / k G k u k n 1 F kk n 1 j G k u j
(4.46)
j k
La matrice de covariance est prdite :
F F
n
P k n / k F k
Pk / k
n
k
k n 1
j k
140
k n 1 j
k
Q F
w
k n 1 j
k
(4.47)
rluctance variable
4.8. Application au diagnostic de la machine reluctance variable

Les acquisitions effectues vide et pour diffrents niveau de charge sur le moteur
rluctance variable sain, avec un dfaut de court-circuit, un dfaut de circuit-ouvert et un
dfaut de deux phases circuit-ouvert ont permis de valider les algorithmes de dcision. Cette
base de connaissance est scinde en deux ensembles : un ensemble d'apprentissage, un
ensemble de test.
L'ensemble d'apprentissage Xa est constitu de 10 observations parmi 15 recueillies sur :
-
la machine saine avec des niveaux de charge de 0 % et 100%
machine avec dfaut, avec des niveaux de charge de 0 % et 100%
L'ensemble de test est constitu des 5 mesures non utilises pour l'apprentissage de :
-
la machine saine avec des niveaux de charge de 25 %, 50%, et 75%
machine avec dfaut, avec des niveaux de charge de 25 %, 50%, et 75%
L'ensemble de test est donc constitu de 45 observations.

Aprs chaque slection des lments de l'ensemble d'apprentissage
Xa
et de
l'ensemble de test Xt le nombre d'chantillons mal classs est calcul. Cela permet d'avoir
une estimation des taux moyens de mauvaise classification :
TB
NB
100
N
(4.48)
Avec : NB la moyenne du nombre de mal classs et N le nombre d'chantillons de test.
4.8.1 Simulation et rsultats de classification avec MMC

Trois tats de MMC gauche-droite ont t utiliss pour modliser les caractristiques
de dfaut. Trois distributions gaussiennes ont t utilises la sortie de chaque tat. Nous
avons test les signaux qui n'appartiennent pas l'ensemble d'apprentissage: dfaut de courtcircuit, dfaut de circuit ouvert et dfaut de circuit-ouvert de deux phases avec des niveaux de
charge de 25%, 50% et 75%. Le vecteur forme est fix. Pour chaque mode de
fonctionnement 10 premiers chantillons sont tirs et les 5 restants vont dans l'ensemble de
test. Le calcul des logs probabilits avec HMM pour les signaux qui n'appartiennent pas dans
l'ensemble dapprentissage des trois dfauts sont montrs la figure. 4.9. Les probabilits de
vecteur d'apprentissage sont clairement sparables des vecteurs forme de test pour les dix
premiers points. Par consquent, les signaux tests soient identifis avec prcision.
141
rluctance variable
HMM probabilit pour le cas de courrt-circuit
vecteur test de court circuit

une pase circuit ouvert
deux phases open circuit
7
6
log probabilit
log probabiit
3
2
5
4
court circuit
test vecteur de circuit ouvert
deux phases circuit ouvert
1
0
HMM probabilit pour le cas de circuit ouvert
2
1
5
6
vecteurs de formes
10
(a)
5
6
vecteurs de forme
10
(b)
HMM probabilit pour le cas de deux phases circuit ouvert
8
7
logprobabilit
6
5
court circuit
circuit ouvert
test deux phases circuit ouvert
4
3
2
1
5
6
vecteurs de formes
10
(c)
Figure. 4.9les probabilits de dfauts de la MRV par MMC
4.8.2 Simulations et rsultats de classification avec RN

Diverses tentatives de classification ont t menes pour la dtermination des
structures optimises des rseaux de neurones. Les classifieur (FFNN) utilise pour la
discrimination du dfaut denroulements pour les 3 types de dfauts possdent une structure
est 1-5-1 une entre, une couche cache (avec 5 neurones) et une couche de sortie.
Contrairement l'approche statistique, des expriences approfondies de classification
ont t menes afin de dterminer les structures de rseaux neuronaux optimiss dans lesquels
la taille du rseau doit tre maintenue aussi faible que possible. Ceci est impos par les
capacits de gnralisation que le rseau doit possder.
142
rluctance variable
Les fonctions de transfert et dapprentissage adoptes pour la FFNN comprennent: la

fonction de transfert sigmode tangente hyperbolique comme la fonction de transfert de la
couche cache, la fonction de transfert linaire selon la fonction de transfert de la couche de
sortie, la rtro-propagation de Levenberg-Marquardt comme fonction dentrainement du
rseau, lalgorithme de la descente du gradient comme fonction d'apprentissage des poids, et
l'erreur quadratique moyenne comme fonction de l'valuation de la performance. Les vecteurs
dentres des rseaux utiliss sont normaliss et la sortie de l'ANN est faite de dcision
binaire. La convergence de lerreur quadratique moyenne pour un dfaut de court-circuit
tal sur 70 itrations donne la figure. 4.10.
test crcuit-ouvert
test court-circuit
test circuit-ouvert deux phases
Performance is 2.49541e-015, Goal is 0

0
10
1
Training-Blue
-5
10
0.5
-10
10
400
-0.5
-15
10
200
0
10
20
30
40
70 Epochs
50
60
100
200
70
Figure. 4.10 La courbe dapprentissage
300
400
0
Figure. 4.11 Classification par les rseaux de

neurones des vecteurs tests
Les observations
Erreur de classification / nombre total des vecteurs tests
C1 un court-circuit
1/15
C2 un circuit-ouvert
2/15
C3 un circuit-ouvert deux phases
2/15
143
rluctance variable
4.8.3 Rsultats de classification avec Kpp

Pour la rgle des k ppv, il faut calculer les distances entre les vecteurs tests et tous
les vecteurs de l'ensemble d'apprentissage. Cette rgle permet un gain important en temps de
calcul.
C1 : classe cas sain ;
C2 : classe circuit-ouvert ;
C3 : classe court-circuit ;
C4 : classe deux phases circuit-ouvert.
Le vecteur test est le cas sain:

Lensemble test
Rgle de dcision
associe
la distance euclidienne
C1
C2
C3
C4
Fvtest 1
660.6724
697.5837
666.5591
Fvtest 2
660.6724
697.5837
666.5591
Fvtest 3
660.6724
697.5837
666.5591
Fvtest 4
660.6724
697.5837
666.5591
Fvtest 5
660.6724
697.5837
666.5591
Le vecteur test est le cas circuit-ouvert:

Lensemble test
Rgle de dcision
associe
la distance
euclidienne
C1
C2
C3
C4
Fvtest 1
660.6724
37.4299
9.5394
Fvtest 2
660.6724
37.4299
9.5394
Fvtest 3
660.6724
37.4299
9.5394
Fvtest 4
660.6724
37.4299
9.5394
Fvtest 5
660.6724
37.4299
9.5394
Le vecteur test est le cas de court-circuit:

Lensemble test
C1
C2
C3
C4
Fvtest 1
697.5837
37.4299
31.8748
Fvtest 2
Rgle de dcision
associe
Fvtest 3
Fvtest 4
697.5837
37.4299
31.8748
697.5837
37.4299
31.8748
697.5837
37.4299
31.8748
Fvtest 5
697.5837
37.4299
31.8748
144
rluctance variable
Le vecteur test est le cas de deux phases circuit-ouvert:

Lensemble test
Rgle de dcision
associe
C1
C2
C3
C4
Fvtest 1
666.5591
9.5394
31.8748
Fvtest 2
666.5591
9.5394
31.8748
Fvtest 3
666.5591
9.5394
31.8748
Fvtest 4
666.5591
9.5394
31.8748
Fvtest 5
666.5591
9.5394
31.8748
Lerreur de classification est prsente dans le tableau ci-dessous.
Les observations
C1 un court-circuit
0/15
C2 un circuit-ouvert
0/15
C3 un circuit-ouvert deux phases
0/15
145
rluctance variable
4.8.4 Evolution des modes de fonctionnement [Bou 13b]

A prsent, grce la normalisation, la seule volution possible entre les classes est due
aux diffrents types de dfauts possibles et lvolution de leur gravit (svrit). Ainsi,
lapproche prsente dans au . 4.7 peut tre utilise, non plus pour suivre et prdire
lvolution des diffrents fonctionnements en fonction du niveau de charge, mais pour suivre
et faire un pronostic sur lvolution de la svrit des dfaillances.
Dans ce paragraphe nous allons appliquer le suivi de lvolution et la prdiction vers
des zones inconnues de lespace en utilisant lapproche Kalman dcrites au paragraphe 4.7.
Pour cela, lensemble dapprentissage suivant Xa est utilis : Cet ensemble est compos de
quatre classes, correspondant deux modes de fonctionnement (sain et dfaillance
denroulement du stator). Il regroupe le fonctionnement dune machine saine, lapparition
dune dfaillance et lvolution de celle-ci (degr de svrit). 5 acquisitions ont t ralises
par niveau de charge, et chaque classe est caractrise par 5 niveaux de charge, ce qui fait
quau final, une classe est constitue de 25 chantillons.
Tableau. 4. 2. Ensemble dapprentissage Xa pour le suivi dvolution de la MRV
Classes
Mode de fonctionnement
Niveau de charge
Nbr dchantillons
Machine saine
0 %, 25%, 50%, 75%, 100%
0 %, 25%, 50%, 75%, 100%
0 %, 25%, 50%, 75%, 100%
Deux phases circuit-ouvert
0 %, 25%, 50%, 75%, 100%
axe 3
-1
3.5
3
axe 1
2.5
4
2
1.5
1
20
-20
-40
-60
axe 2
-80
-100
-120
Figure. 4.12 lvolution de la dfaillance dfaut denroulement de la MRV

146
rluctance variable
4.9 Application au diagnostic de la machine synchrone rluctance variable

En poursuivre la mme dmarche de la machine reluctance variable sur la machine
synchrone reluctance variable cette tude a pour but de justifier la possibilit et l'efficacit
d'appliquer ces mthodes de dcision au diagnostic des machines rluctance variable. Nous
allons donc tester ces rgles de dcisions pour la MSRV.
Les acquisitions effectues vide et pour diffrents niveau de charge sur le moteur
synchrone rluctance variable sain, avec un dfaut de court-circuit, un dfaut de circuitouvert et un dfaut de deux phases circuit-ouvert ont permis de valider les algorithmes de
dcision. Cette base de connaissance est scinde en deux ensembles : un ensemble
d'apprentissage, un ensemble de test.
L'ensemble d'apprentissage Xa est constitu de 10 observations parmi 15 recueillies sur :
-
la machine saine avec des niveaux de charge de 0 % et 100%
machine avec dfaut, avec des niveaux de charge de 0 % et 100%
L'ensemble de test est constitu des 5 mesures non utilises pour l'apprentissage de :
-
la machine saine avec des niveaux de charge de 25 %, 50%, et 75%
machine avec dfaut, avec des niveaux de charge de 25 %, 50%, et 75%
L'ensemble de test est donc constitu de 45 observations.

Aprs chaque slection des lments de l'ensemble d'apprentissage
Xa
et de
l'ensemble de test Xt le nombre d'chantillons mal classs est calcul. Cela permet d'avoir
une estimation des taux moyens de mauvaise classification :
TB
NB
100
N
(4.49)
Avec : NB la moyenne du nombre de mal classs et N le nombre d'chantillons de test.
4.9.1 Simulation et rsultats de classification

4.9.1.1 Simulation et rsultats de classification avec MMC
avons test les signaux qui n'appartiennent pas l'ensemble d'apprentissage: dfaut de courtcircuit, dfaut de circuit ouvert et dfaut de circuit-ouvert de deux phases. Le vecteur forme
est fix. Pour chaque mode de fonctionnement 10 premiers chantillons sont tirs et les
5 restants vont dans l'ensemble de test. Le calcul des logs probabilits avec HMM pour les
147
rluctance variable
signaux qui n'appartiennent pas dans l'ensemble dapprentissage des trois dfauts sont
montrs la figure. 4.13. Les probabilits de vecteur
d'apprentissage sont clairement
sparables des vecteurs forme de test pour les cinq premiers points. Par consquent, les
signaux tests soient identifis avec prcision.
6.5
6.5
4.5
4.5
3.5
1.5
2.5
3
3.5
vecteurs de fome
4.5
3.5
cas sain
cas d'un circuit-ouvert
vecteur test cas court-circuit
cas deux phase circuit-ouvert
5.5
logprobabilities
5.5
logprobabilities
cas sain
test vecteur circuit-ouvert
cas court-circuit
cas deux phase circuit-ouvert
(a)
6.5
2.5
3
3.5
vecteurs de forme
4.5
(b)
(a)
cas sain
cas d'un circuit-ouvert
cas court-circuit
test vecteur cas deux phases circuit-ouvert
5.5
logprobabilities
1.5
4.5
3.5
1.5
2.5
3
3.5
vecteurs de forme
4.5
(c)
Figure. 4.13- les probabilits dfauts de la MSRV par MMC
La figure 4.13 montre les rsultats de classification pour les individus de test.
Toutes les observations sont correctement identifies. Ce rsultat montre que les classes sont
linairement sparables. Nous ne retrouvons pas les erreurs commises lors de l'application de
la rgle des CMM pour les modes de fonctionnement vide.
148
rluctance variable
4.9.1.2 Simulations et rsultats de classification avec RN [Bou 13c]

Les classifieur (FFNN) utilise pour la discrimination du dfaut denroulements pour
les 3 types de dfauts de la MSRV possdent une structure est 1-5-1 une entre, une couche
cache (avec 5 neurones) et une couche de sortie.
Les fonctions de transfert et
dapprentissage adoptes pour la FFNN comprennent: la fonction de transfert sigmode

tangente hyperbolique comme la fonction de transfert de la couche cache, la fonction de
transfert linaire selon la fonction de transfert de la couche de sortie, la rtro-propagation de
Levenberg-Marquardt comme fonction dentrainement du rseau, lalgorithme de la descente
du gradient comme fonction d'apprentissage des poids, et l'erreur quadratique moyenne
comme fonction de l'valuation de la performance. La convergence de lerreur quadratique
moyenne pour un dfaut de court-circuit tal sur 100 itrations donne la figure. 4.14.
vecteur test cas sain
vecteur test cas circuit-ouvert
vecteur test cas court-circuit
10
-2
0.5
axe 3
Training-Blue
10
-4
-6
-0.5
4000
10
10
3000
2000
axe 2
-8
10
10
20
30
40
50
60
100 Epochs
70
80
90
1000
0
100
1000
2000
3000
axe 1
Figure. 4.15 Classification par les rseaux de neurones
Figure. 4.14 La courbe dapprentissage
de 3 vecteurs tests de la MSRV

vecteur test
vecteur test
vecteur test
vecteur test
cas sain
cas circuit-ouvert
court-circuit
de 2 phases circuit-ouvert
axe 3
0.5
-0.5
4000
3000
2000
axe 2
1000
0
1000
2000
4000
3000
4000
axe 1
Figure. 4.16 Classification par les rseaux de neurones

de 4 vecteurs tests de la MSRV
149
rluctance variable
Les figures 4.15 et 4.16 montre les rsultats de classification pour les individus
de
test.
Les observations des circuit-ouvert deux phases (figures 4.16) ne sont pas
correctement identifies. Nous retrouvons des erreurs commises lors de l'application de la

rgle des RN pour les modes de fonctionnement vide.
4.9.1.3 Rsultats de classification avec Kpp

C2 : classe circuit-ouvert ;
C3 : classe court-circuit ;
C4 : classe deux phases circuit-ouvert.
Le vecteur test est le cas sain:

Lensemble test
Rgle de dcision
associe
C1
C2
C3
C4
Fvtest 1
1.8260
1.8388
1.8341
Fvtest 2
1.8260
1.8388
1.8341
Fvtest 3
1.8260
1.8388
1.8341
Fvtest 4
1.8260
1.8388
1.8341
Fvtest 5
1.8260
1.8388
1.8341
C1
C2
Fvtest 1
1.8260
0.0185
0.0148
Fvtest 2
1.8260
0.0185
0.0148
Fvtest 3
1.8260
0.0185
0.0148
Fvtest 4
1.8260
0.0185
0.0148
Fvtest 5
1.8260
0.0185
0.0148
Le vecteur test est le cas circuit-ouvert:

Lensemble test
Rgle de dcision
associe
150
C3
C4
rluctance variable
Le vecteur test est le cas court-circuit:

Lensemble test
Rgle de dcision
associe
C1
C2
C3
C4
Fvtest 1
1.8388
0.0185
0.0089
Fvtest 2
1.8388
0.0185
0.0089
Fvtest 3
1.8388
0.0185
0.0089
Fvtest 4
1.8388
0.0185
0.0089
Fvtest 5
1.8388
0.0185
0.0089
Le vecteur test est le cas de deux phases circuit-ouvert:

Lensemble test
Rgle de dcision
associe
C1
C2
C3
C4
Fvtest 1
1.8341
0.0148
0.0089
Fvtest 2
1.8341
0.0148
0.0089
Fvtest 3
1.8341
0.0148
0.0089
Fvtest 4
1.8341
0.0148
0.0089
Fvtest 5
1.8341
0.0148
0.0089
Laffectation des observations C4 (dfaut 3 un circuit-ouvert de deux phases 0% de

charge) lensemble dapprentissage est un chec du diagnostic. Cela confirme la difficult
didentifier des modes de fonctionnement pour des faibles niveaux de charge. Toutes les
autres observations sont bien affectes la classe correspondant leur mode de
fonctionnement.
4.9.1.4 Lvolution des modes de fonctionnement
C1
C4
C2
axe 3
0.5
0
0
-0.5
C3
-1
-1
1
1.5
2.5
axe 1
3.5
axe 2
-2
Figure. 4.17 lvolution de la dfaillance dfaut denroulement de la MSRV

151
rluctance variable
4.10 Conclusion
Dans ce chapitre nous avons dcrit les diffrentes tapes dlaboration dun systme
de diagnostic partir de lapproche modle et systme. Ce systme de diagnostic est appliqu
la dtection des dfaillances sur un ensemble convertisseur - machines rluctance
variable.
Ces approches consistent confronter les donnes recueillies sur la machine aux
informations sur les modes de fonctionnement disponibles dans la base dapprentissage.
Pour notre systme de dcision, nous avons retenu trois algorithmes savoir le modle
de markov cach HMM, les rseaux de neurones RN et les k plus proches voisins. Une
comparaison des diffrents algorithmes labors est prsente par le calcul de lerreur de
classification.
Pour notre systme de dcision, nous avons retenu la rgle des marcove cach HMM
des rseaux de neurones RN et des k plus proches voisins. Une comparaison de diffrentes
mthodes labores est prsente par le calcul de lerreur de classification.
Le suivi dvolution, ralis partir dune approche par interpolation linaire associe
une approche par filtre de Kalman, sert dune part, estimer les tats manquants de
lensemble dapprentissage initial et, de ce fait, rduire le nombre dacquisitions ncessaire
la constitution de cet ensemble. Dautre part, il permet de prdire lvolution des modes de
fonctionnement aussi bien en fonction de la charge quen fonction de la svrit des dfauts.
Dans le chapitre suivant, permet de valider notre approche de diagnostic

exprimentalement.
152
CHAPITRE : 5
Rsultats
exprimentaux
du
diagnostic
automatique
153
Chapitre V :
5.1 Introduction
La ncessit pour la dtection de dfauts de stator un stade prcoce, de sorte que la
maintenance puisse tre planifie lavance, a permis le dveloppement de mthodes de
surveillance avec augmentation de la sensibilit et de limmunit au bruit.
Lobjectif de ce chapitre est de vrifier exprimentalement lefficacit de notre
systme de diagnostic. La classification des nouvelles observations avec la mise en uvre des
mthodes proposes, en combinant les donnes exprimentales de la machine asynchrone et
de la machine rluctance variable, va prouver lefficacit de ces mthodes de classification
indpendamment du type de dfaut et du type de machine.
Ltude mene dans les chapitres prcdents a permis danalyser et de comprendre les
phnomnes qui apparaissent au niveau des grandeurs temporelles de la machine rluctance
variable telles que le courant statorique ou encore le couple lectromagntique lorsque la
machine fonctionne en mode sain ou en mode dfaillant. La validation exprimentale est, dans
notre domaine, indispensable car il peut exister une importante diffrence entre les rsultats
issus de la simulation et ceux issus de lexprimentation. Lorigine de cette diffrence est due
en partie aux hypothses faites lors de la modlisation de la machine asynchrone.
Ce chapitre est destin au dveloppement et la mise en uvre exprimentale dune
mthode de diagnostic permettant la classification dun dfaut au niveau du stator. Deux
niveaux de dfaillance sont tudis : le dfaut de court-circuit et le de circuit ouvert de la
machine rluctance variable. Nous prsentons dans un premier temps les diffrentes tapes
thoriques qui nous ont permis daboutir la mthodologie finale puis, dans un second temps,
nous appliquerons la mthode propose sur des essais exprimentaux pour permettre de
valider sa robustesse et son efficacit lors de lapparition dune telle dfaillance.
154
Chapitre V :
5.2 Etude exprimentale et Acquisition des donnes

Afin de diagnostiquer les dfauts des moteurs induction et rluctance variable avec
une grande prcision, un banc dessai assez moderne (Figure. 5.1, Figure. 5.5, Figure. 5.9) a
t ralis au sein du laboratoire de machines lectriques de lUniversit Cluj-Napoca en
Roumanie o je viens deffectuer un stage de deux mois, sous la direction du Prof. Lorand
Szabo. Il se compose dun moteur induction triphas coupl un frein dynamomtrique,
une machine rluctance variable
et machine synchrone rluctance variable, dun
transformateur, dune carte dSPACE 1104 utilis pour contrler le systme, une source
d'alimentation en courant continu (Hameg HM7044), un couple mtre numrique (Leroy
Somer ModMeca 3), dun pupitre dacquisition de donnes type ELVIS et dun ordinateur
Pentium-IV avec logiciel LabVIEW 8.2.
Linstrument virtuel (VI) a t construit afin dobtenir le spectre de puissance avec
laide dune programmation dans LabVIEW. Plusieurs mesures ont t ralises, durant
lesquelles la forme donde du courant statorique a t acquise pour un nombre donn de
bobines en court-circuit et en circuit-ouvert. Les mesures ont t effectues pour un
enroulement sain du stator puis pour un nombre diffrent de bobines raccourcies dans la
mme phase. Les donnes ont t transmises un PC via une carte dacquisition (ELVIS) de
NI. Toutes les acquisitions ont t ralises en rgime permanent sur une dure de 20
secondes, avec une frquence d'chantillonnage de 5 kHZ. Soit 100.000 points pour
chacun des signaux mesurs. Pour chaque mode de fonctionnement, 15 enregistrements ont
t raliss. Les signaux enregistrs par le systme dacquisition sont :
- les trois courants dalimentation de la machine
- les trois tensions dalimentation de la machine
Aprs avoir lu le signal, il est dcompos par un algorithme de densit spectrale de
puissance. Tout le traitement du signal seffectue laide du module traitement de signal
pralable de LabVIEW pour gnrer le spectre de puissance. Le premier moteur a t test
en labsence de dfauts (cas sain). Par la suite, plusieurs expriences ont t effectues sur le
moteur vide et pleine charge.
155
Chapitre V :
5.3 La classification des dfauts denroulement de la machine asynchrone

Le moteur asynchrone est caractris par :
Type : 3 phases cage dcureuil MV 1046-385
La tension nominale entre phase : 220 V
La frquence d'alimentation : 50 Hz
La vitesse nominale : 1496.4 tr/min
La puissance utile nominale : 0.55 kW
Le facteur de puissance : Cos = 0.73
Le courant nominal : 2,9 A
Le nombre de paires de ples = 4 ples
Rphase=14.4 Ohm
Le nombre dencoches au stator Ns = 24
Nombre de bobines par phase = 4
La photo du banc d'essai de la MAS est donne la figure. 5.1.
Figure.5.1- le banc dessai de la machine asynchrone
156
Chapitre V :
Les modes de fonctionnement ayant servis valider la procdure de diagnostic sont

repris dans le tableau (5.1). Chacun d'entre eux sera reprsent par une classe dans l'espace de
dcision.
Tableau 5.1: Conditions exprimentales pour la classification des dfauts denroulement de

la machine asynchrone
Test N
Svrit des dfauts des enroulements
Etat de la charge
un court circuit entre la phase r et la terre
A vide
une interruption de la phase r
A vide
une interruption de la phase s
A vide
coupure de courant dans la phase a
A vide
une partie de la phase t court-circuite
A vide
une partie de la phase r court-circuite
A vide
une interruption de la phase t
coupure de courant dans la phase s
A vide
une partie de la phase s court-circuite
A vide
10
coupure de courant dans la phase t
A vide
A vide
5.3.1 Simulations et rsultats de classification avec MMC

avons test les signaux qui n'appartiennent pas l'ensemble d'apprentissage: dfaut de circuitouvert phase r, dfaut de circuit-ouvert phase s et dfaut de court-circuit phase r. Le
vecteur forme est fix. Pour chaque mode de fonctionnement 5 premiers chantillons
sont tirs et les 5 restants vont dans l'ensemble de test. Le calcul des logs probabilits avec
HMM pour les signaux qui n'appartiennent pas dans l'ensemble dapprentissage des trois
dfauts sont montrs la figure.5.2. Les probabilits de vecteurs d'apprentissage sont
clairement sparables des vecteurs forme de test pour les 5 premiers points. Par consquent,
les signaux tests soient identifis avec prcision.
157
Chapitre V :
3.4
3.3
3.2
logprobabilities
3.1
3
2.9
2.8
2.7
open circuit phase 'r'

test open circuit phase's'
court circuit phase 'r'
2.6
2.5
1.5
2.5
3
3.5
vecteurs de forme
4.5
(a)
3.5
(a)
3.5
3.4
3
3.3
2.5
3.1
logprobabilities
logprobabilities
3.2
3
2.9
1.5
2.8
open circuit de la phase'r'
open circuit de la phase 's'
test short circuit de la phse 'r'
2.7
2.6
2.5
cas sain
test open circuit phase 'r'
test open ciruit phase 's'
test short circuit phase 'r'
1.5
2.5
3
3.5
vecteurs de forme
4.5
0.5
1.5
2.5
3
3.5
vecteurs de forme
(b)
4.5
(c)
Figure. 5.2- Les HMM logprobabilits pour les vecteurs tests de la MAS
5.3.2 Simulation et rsultats de classification avec les RN

structures optimises des rseaux de neurones pour la MAS. Les classifieur (FFNN) utilise
pour la discrimination du dfaut denroulements pour les 3 types de dfauts possdent une
structure est 1-5-1 une entre, une couche cache (avec 5 neurones) et une couche de sortie.
158
Chapitre V :

tal sur 100 itrations donne la figure. 5.3. La classification par RN des vecteurs tests est
bien montre la figure. 5.4 les classes sont parfaitement distinctes.
0
10
-2
10
-4
-6
10
-8
10
-10
10
-12
10
10
20
30
40
50
60
100 Epochs
70
80
90
100
Figure. 5.3- Performance du rseau de neurone

test open-circuit phase 'r'
test circuit-ouvert phase 's'
test court-circuit phase 'r'
1
axe 3
Training-Blue
10
-1
0
1
2
axe 1
3
4
5
axe 2
Figure. 5.4- Classification par les rseaux de neurones des vecteurs tests
159
Chapitre V :
5.3.3 Simulations et rsultats de classification avec Kpp

C2 : classe cas phase r circuit-ouvert ;
C3 : classe cas phase s circuit-ouvert ;
C4 : classe cas phase r court-circuit.
Tableau 5.2: Le vecteur test est le cas sain :

Lensemble test
C1
C2
C3
C4
Fvtest 1
5.4772
26.3439
52.6688
35.0143
Fvtest 2
2.6458
24.9600
53.7680
35.7911
Fvtest 3
2.6458
24.9600
53.7680
35.7911
Fvtest 4
2.0000
25.6905
56.0535
38.0263
Fvtest 5
3.3166
27.7308
57.3498
39.4081
Rgle de dcision
associe
la distance
euclidienne
Tableau 5.3: Le vecteur test est le cas dun circuit ouvert phase r:
Lensemble test
Fvtest 1
Rgle de dcision
associe
la distance
euclidienne
C1
C2
C3
C4
42.2256
15.1658
14.6629
8.6603
Fvtest 2
28.1957
3.4641
27.6586
10.7238
Fvtest 3
23.8956
5.0990
31.8904
14.3178
Fvtest 4
30.0000
8.0623
27.6767
12.8841
Fvtest 5
36.5240
14.1067
24.5357
11.2250
Tableau 5.4: Le vecteur test est le cas dun circuit ouvert phase s:
Lensemble test
Fvtest 1
Rgle de dcision
associe
la distance
euclidienne
C1
C2
C3
C4
52.2015
25.3377
10.1489
17.8045
Fvtest 2
51.8266
24.1454
4.6904
14.4914
Fvtest 3
58.3695
31.0161
7.2801
22.5610
Fvtest 4
42.1782
14.5602
13.4536
5.1962
Fvtest 5
46.0217
18.7350
10.8628
9.4868
160
Chapitre V :
Tableau 5.5: Le vecteur test est le cas dun court circuit phase r:
Lensemble test
Fvtest 1
Rgle de dcision
associe
la distance
euclidienne
C1
C2
C3
C4
33.7935
6.2450
21.7715
3.7417
Fvtest 2
39.9750
12.6886
16.1864
3.4641
Fvtest 3
37.4433
9.7468
18.0555
2.4495
Fvtest 4
49.4469
21.9545
7.8102
12.2882
Fvtest 5
36.1386
8.5440
19.3391
2.8284
Le taux derreur obtenu avec la mthode des HMM est meilleur que celui obtenu avec
la mthode des RN (Tableau 5.6).
Tableau 5.6: Lerreur de classification
Les observations

HMM
RN
KPP
C1 : le cas sain
0/5
0/5
0/5
C2 :un circuit-ouvert phase r
0/5
0/5
2/5
C3 :un circuit-ouvert phase s
0/5
0/5
2/5
C4 :un court-circuit phase r
0/5
1/5
1/5
161
Chapitre V :
5.4 La classification des dfauts denroulement de la machine rluctance

variable
Le banc dessai utilis est caractris par :
- le modle exprimental de la SRM modulaire en quatre phases portant sur son
axe un codeur Siemens 1XP8001-1 (1024);
- un convertisseur de puissance quatre phases;
- une carte dSPACE 1104 utilise pour contrler le systme ;
- un PC avec Matlab/Simulink et logiciels pour compiler le programme dSPACE;
- un systme de quatre capteurs de courant relis dSPACE, utilis pour lacquisition des
donnes ;
- une source dalimentation en courant continu du codeur (Hameg HM7044);
- un couplemtre avec un afficheur numrique (Leroy Somer ModMeca 3);
- un stroboscope;
- une machine induction alimente par un auto-transformateur.
La photo du banc dessai est donne la figure. 5.5.

repris dans le tableau (5.7). Chacun d'entre eux sera reprsent par une classe dans l'espace de
dcision.
Fig.5.5-le banc dessai de la machine rluctance variable
162
Chapitre V :
Tableau 5.7: Conditions exprimentales pour la classification des dfauts denroulement de

la machine rluctance variable
Test N
Svrit de dfauts des enroulements
Etat de la charge
A vide
deux bobines circuit-ouvert
A vide
Trois bobines circuit-ouvert
A vide
Quatre bobines circuit-ouvert
A vide
A vide
5.4.1 Simulations et rsultats de classification avec HMM

avons test les signaux qui n'appartiennent pas l'ensemble d'apprentissage: dfaut de une
bobine circuit-ouvert, quatre bobines circuit-ouvert et dfaut dune phase circuit ouvert. Les
paramtres de chaque HMM de chaque observation sont calculs et donns au Tableau 5.8.
Tableau 5.8: MMC paramtres pour chaque classe de la MRV
MMC Paramtres
A
[0.6697
HMM/sain
0.1782
0
HMM/une bobine
HMM/quatre bobines
HMM/une phase
[0.4474
[0.0163
1.0000]
1.0000]
0.4976;
0.9413;
1.0000]
0.1456
0.1467
0.1599;
0.7279;
0.0550
0.0587
circuit ouvert
0.2713 ;
0.8381;
0.8533;
1.0000]
Pi
[0.1504
0.2852
0.2843
0.1618
0.2792
0.2787 0.0061
0.1705
0.2757
0.2742
[0.1944
0.3465
0.0749
0.8218 ;
0.1621
0.2721
circuit ouvert
[0.6780
0
circuit ouvert
0.0590
B
0.0015
0.2785 ;
[0.9332
0.2743 ;
0.0140
0.0117
0.2680]
0.0528]
0.2694
0.0001
0.1896;
[0.9379
0.3472
0.3166
0.0000
0.2613;
0.0076
0.7588
0.1284
0.0675
0.0133
0.0321]
0.0545]
[0.7323
0.0646
0.0651
0.0641
0.0738;
[0.9981
0.1160
0.2737
0.3015
0.0000
0.3088;
0.0013
0.0000
0.0002
0.0002
0.9995
0.0002]
0.0006]
[0.1537
0.2576
0.2675
0.0420
0.2792;
[0.0020
0.1864
0.2704
0.2660
0.0025
0.2747;
0.0559
0.1803
0.2712
0.2736
0.0020
0.2729]
0.9420]
163
Chapitre V :
Le vecteur forme est fix. Pour chaque mode de fonctionnement 5 premiers

chantillons sont tirs et les 5 restants vont dans l'ensemble de test. Le calcul des logs
probabilits avec
HMM pour les signaux qui n'appartiennent pas dans l'ensemble
dapprentissage des trois dfauts sont montrs la figure. 5.6.

Les probabilits de vecteur d'apprentissage sont clairement sparables des vecteurs
forme de test pour les 5 premiers points. Par consquent, les signaux tests sont identifis
avec prcision.
3.2
3.2
2.4
2.2
2.6
2.4
2.2
1.8
1.8
1.6
1.5
2.5
3
3.5
vecteurs de forme
4.5
1.6
1.5
2.5
3
3.5
vecteurs de forme
(a)
4.5
(b)
3.2
3
cas sain
bobine circuit ouvert
test 4 bobines circuit ouvert
une phase circuit ouvert
2.8
logprobabilities
logprobabilities
2.6
cas sain
test une bobine circuit-ouvert
4 bobines circuit ouvert
une phase circuit ouvert
2.8
logprobabilities
cas sain
une bobine circuit ouvert
4 bobines circuit ouvert
test une phase circuit ouvert
2.8
2.6
2.4
2.2
2
1.8
1.6
1.5
2.5
3
3.5
vecteurs de forme
(c)
Fig.5.6- Les HMM logprobabilits pour les vecteurs tests de la MRV
164
4.5
Chapitre V :
5.4.2 Simulations et rsultats de classification avec les RN

structures optimises des rseaux de neurones pour la MRV. Les classifieur (FFNN) utilise
pour la discrimination du dfaut denroulements pour les 3 types de dfauts possdent une
structure est 1-5-1 une entre, une couche cache (avec 5 neurones) et une couche de sortie.
10
-2
10
Training-Blue
-4
10
-6
10
-8
10
-10
10
10
20
30
40
50
60
100 Epochs
70
80
90
100
Fig.5.7- Performance du rseau de neurone

cas sain
une bobine circuit-ouvert
quatre bobines circuit-ouvert
trois bobines circuit-ouvert
une phase circuit-ouvert
1.5
axe 3
1
0.5
0
50
-0.5
0
20
40
axe 2
60
80
axe 1
100
Fig.5.8- Classification par les rseaux de neurones des vecteurs tests
165
Chapitre V :


C1 : classe de cas sain ;
C2 : classe de bobine circuit ouvert ;
C3 : classe de quatre bobines circuit ouvert ;
C4 : classe dune phase circuit ouvert.
Tableau 5.9: Le vecteur test est le cas sain:

Lensemble test
Rgle de dcision
associe
la distance
euclidienne
C1
C2
C3
Fvtest 1
83.7437
82.0061
83.7437
Fvtest 2
83.7437
82.0061
83.7437
Fvtest 3
83.7437
82.0061
83.7437
Fvtest 4
83.7437
82.0061
83.7437
Fvtest 5
83.7437
82.0061
83.7437
166
C4
Chapitre V :
Tableau 5.10: Le vecteur test est le cas dune bobine circuit ouvert:
Lensemble test
C1
C2
C3
Fvtest 1
83.7437
2.0000
Fvtest 2
83.7437
2.0000
Fvtest 3
83.7437
2.0000
Fvtest 4
83.7437
2.0000
Fvtest 5
83.7437
2.0000
Rgle de dcision
associe
la distance
euclidienne
C4
Tableau 5.11: Le vecteur test est le cas de quatre bobines circuit ouvert:
Lensemble test
Rgle de dcision
associe
la distance
euclidienne
C1
C2
C3
C4
Fvtest 1
82.0061
2.0000
2.0000
Fvtest 2
82.0061
2.0000
2.0000
Fvtest 3
82.0061
2.0000
2.0000
Fvtest 4
82.0061
2.0000
2.0000
Fvtest 5
82.0061
2.0000
2.0000
Tableau 5.12: Le vecteur test est le cas dune phase circuit ouvert:
Lensemble test
Rgle de dcision
associe
la distance
euclidienne
C1
C2
Fvtest 1
83.7437
2.0000
Fvtest 2
83.7437
2.0000
Fvtest 3
83.7437
2.0000
Fvtest 4
83.7437
2.0000
Fvtest 5
83.7437
2.0000
167
C3
C4
Chapitre V :
Tableau 5.13: Le calcule de lerreur de classification
Les observations

HMM
RN
KPP
C1 : le cas sain
0/5
0/5
0/5
C2 : une bobine circuit ouvert
0/5
0/5
5/5
C3 : quatre bobines circuit ouvert
0/5
0/5
0/5
C4 : une phase circuit ouvert
0/5
0/5
5/5
Le taux derreur obtenu avec la mthode des HMM et la mthode des RN est meilleur
que celui obtenu avec KPP (Tableau 5.13).
Sur le tableau 5.13, Les deux erreurs de classification entre les classes C2 (une bobine
circuit ouvert) et C4 (une phase circuit ouvert) montrent toute la difficult de distinguer le
dfaut pour faibles niveaux de charge. Les deux erreurs commises peuvent tre considres
comme tant des erreurs de diagnostic. Ce problme est corrig par un champ dapprentissage
largi pour choisir les points les plus pertinents dans chaque classe.
168
Chapitre V :
5.5 La classification des dfauts denroulement de la machine synchrone

rluctance variable
Le moteur synchrone rluctance variable est caractris par :
Type : 3 phases 3MA100L-28-4 srie 998
La tension nominale entre phase : 230/400 V
La frquence d'alimentation : 50 Hz
La vitesse nominale : 1500 tr/min
La puissance utile nominale : 2.2 kW
Le facteur de puissance : Cos = 0.78
Le courant nominal : 5,10 A
Le nombre de paires de ples = 4 ples
Rphase=2.33 Ohm
La photo du banc d'essai de la MSRV est donne la figure. 5.9.
repris dans le tableau (5.14). Chacun d'entre eux sera reprsent par une classe dans l'espace
de dcision.
Figure.5.9- Le banc dessai de la machine synchrone rluctance variable
169
Chapitre V :
Tableau 5.14: Conditions exprimentales pour la classification des dfauts denroulement

de la machine synchrone rluctance variable
Test N
Svrit de dfauts des

Etat de la charge
enroulements
cas sain
sans charge
avec charge 50%

2
cas sain
une phase court-circuite (insertion

dun rhostat en parallle avec une
phase)
une phase court-circuite (insertion

dun rhostat en parallle avec une
phase)
sans charge
avec charge 50%
une phase circuit ouvert (insertion

dun rhostat en srie avec une
phase)
sans charge
une phase circuit ouvert (insertion

dun rhostat en srie avec une
phase)
avec charge 50%
interruption dune phase une phase
sans charge
interruption dune phase une phase
avec charge 50%
Les mesures
P=352 W
U=304 volt
I=3.6 A
Vit=747 rmp
P=352 W
U=440 volt
I=3.9 A
Vit=731 rmp
P=180 W
U=304 volt
I1=4 A
I2=4 A
I3=3.2 A
I rhostat=2.4 A
Vit=739 rmp
P=760 W
U=304 volt
I=4.2 A
I=4.2 A
I=3.3 A
I rhostat=2.4 A
Vit=731 rmp
Rhostat=40
U=304 volt
I=2.6 A
I=2.6 A
I=3.9 A
Vit=730 rmp
P=460 W
P=600 W
U=304 volt
I=2.75 A
I=2.75 A
I=4.2 A
Vit=725 rmp
P=200 W
U=304 volt
I=2.8 A
Vit=700 rmp
avec charge, la machine
170
sarrte !
Chapitre V :
5.5.1 Simulations et rsultats de classification avec HMM

avons test les signaux qui n'appartiennent pas l'ensemble d'apprentissage: dfaut dune
phase circuit ouvert, dfaut dune phase court-circuit et interruption dune phase.
Tableau 5.15: MMC paramtres pour chaque classe de la MSRV
Paramtres HMM
[0.3728
[0.7341
HMM/sain
0.2117
0.0323
0.0542; 0.0041
0.9677;
1.0000]
0.0252
0.0031
0.0748
0.0993
0.0161
[0.6711
circuit ouvert
0.1356
0.1580
0.1934; 0.0007
0.8420;
1.0000]
0.0643
0.0000
[0.4502
HMM/une phase
0.5498
0.9965
0.0000;
0.0035;
1.0000]
0.2621
0.0020
Interruption dune
phase une phase
0.4556
0.5444;
1.0000]
0.0000
0.0151
0.0001
0.0191
0.1033
0.3840
0.0003
0.0271
0.0110
0.0021;
0.9330
0.4404
0.0099
0.0270
0.0628
0.1458
0.0454
[0.0070
0.1662
[0.8521
0.0000
0.0012
0.0008
court-circuit
0.0574
0.0854
0.0972
0.0101
0.0000
0.0001
0.3387
0.0002
0.0250
0.2901
[0.0058
HMM/une phase
0.0000
0.7202
0.1221
0.3250
0.3771
0.0213
0.2841
0.0071
0.0151
0.0008
0.0074
0.0002
0.2416
0.4592
0.0045
0.0000
171
0.0990
0.0012
0.0475
0.0002]
0.0100
0.2778
0.0179;
0.0000
0.0013
0.0007
0.0845
0.0043;
0.0016
0.0013
[0.9991
0.0104]
0.0001
0.0007
0.0016
0.0142;
0.0000
0.0462
0.0022
0.1166;
[0.0209
0.0093
0.9698]
0.8663
0.0027]
0.0000
0.0069
0.0101
0.0209;
0.3147
0.0149
0.1601;
0.5528 0.0002
[0.3462
0.0030
0.0000
0.1676 0.0000
0.1388
0.0118
Pi
0.0062
[0.6984
0.3014
0.0002]
0.0205
0.0293]
0.6216
[0.9990
0.0005
0.0000;
0.0010
0.0234
0.0095
0.0408
0.0000]
0.0037
0.1381
0.0001
0.0791;
0.0009
0.0523
0.0091
0.0011
0.0011
0.0000
0.9323
0.0012
0.0000]
Chapitre V :
Les paramtres de chaque MMC de chaque observation sont calculs est donns au
Tableau 5.15. Le vecteur forme est fix. Pour chaque mode de fonctionnement 5
premiers chantillons sont tirs et les 5 restants vont dans l'ensemble de test. Le calcul des
logs probabilits avec
MMC pour les signaux qui n'appartiennent pas dans l'ensemble
dapprentissage des trois dfauts sont montrs la figure. 5.10. Les probabilits de vecteur
d'apprentissage sont clairement sparables des vecteurs forme de test pour les 5 premiers
points. Par consquent, les signaux tests soient identifis avec prcision.
5.5
test cas sain

open circuit
short circuit
5
4.5
logprobabilities
logprobabilities
3.5
cas sain
test open circuit
short circuit
3.5
3
2.5
2.5
2
1.5
1
1.5
5
6
vecteurs de forme
10
(a)
5
6
vecteurs de forme
(b)
5.5
5
logprobabilities
4.5
cas sain
open circuit
test short circuit
4
3.5
3
2.5
2
1.5
5
6
vecteurs de forme
10
(c)
Fig. 5.10- Les HMM logprobabilits pour les vecteurs tests 50% de charge et data dapprentissage 0%.
172
10
Chapitre V :
5.5.2 Simulations et rsultats de classification avec les RN

Les classifieur (FFNN) utilise pour la discrimination du dfaut denroulements de la
MSRV pour les 3 types de dfauts possdent une structure est 1-5-1 une entre, une couche
cache (avec 5 neurones) et une couche de sortie.
test cas sain

test circuit ouvert
test court circuit

0
10
-2
10
0.5
-4
axe 3
Training-Blue
10
-6
-0.5
-8
-1
10
10
2000
-10
10
6000
3000
-12
10
axe 1
0
10
20
30
40
50
60
100 Epochs
70
80
90
100
5000
4000
4000
3000
2000
5000
axe 2
Fig. 5.12- Classification par les rseaux de
Fig. 5.11- Performance du rseau de neurone
neurones des vecteurs tests
173
Chapitre V :
Tableau 5.16: Le vecteur test cest le cas sain :

Lensemble test
Rgle de dcision
associe
la distance
euclidienne
C1
C2
C3
520.7581
518.8169
Fvtest 1
78.6003
Fvtest 2
104.0000
485.6408
462.7926
Fvtest 3
34.6266
411.2445
389.7153
Fvtest 4
59.5735
573.4701
550.9755
Fvtest 5
108.3236
465.7950
444.1678
Tableau 5.17: Le vecteur test cest cas dun circuit ouvert :

Lensemble test
Fvtest 1
Rgle de dcision
associe
la distance
euclidienne
C1
C2
C3
556.2670
15.9060
31.7490
Fvtest 2
561.1426
14.7309
24.5967
Fvtest 3
550.9837
23.6220
36.8511
Fvtest 4
557.6540
20.0499
36.3180
Fvtest 5
558.5329
20.2237
37.0675
Tableau 5.18: Le vecteur test cest le cas dun court-circuit :

Lensemble test
Fvtest 1
Rgle de dcision
associe
la distance
euclidienne
C1
C2
C3
520.4479
59.7913
57.1139
Fvtest 2
535.7117
39.9625
21.5870
Fvtest 3
517.4524
58.9746
41.3884
Fvtest 4
518.1322
56.1249
53.8424
Fvtest 5
526.5121
58.1722
43.1393
174
Chapitre V :
Tableau 5.19: Lerreur de classification
Les observations
HMM
C1 : le cas sain
RN
KPP
0/5
0/5
0/5
C2 :une phase circuit-ouvert
0/5
0/5
0/5
C3 :une phase court-circuit
0/5
0/5
0/5
Pour valuer les performances de la classification choisie par rapport au problme

pos, il est ncessaire dutiliser des critres de qualit. Ainsi, deux critres peuvent tre
retenus :
Le taux dobservations bien classes : T B
Et le taux de mal class T M
NB
100
N
NM
100 100 T B
N
Ces deux quantits ont beaucoup dimportance. Si le taux derreur est proche de 0 %,
alors le vecteur forme caractrise bien lensemble dapprentissage, et la mthode de
classification est adapte. De ce fait, il est possible de raliser une comparaison entre les
mthodes de la classification employes. Le critre de qualit correspondant ces mthodes
est prsent ci-dessus.
Le taux derreur obtenu avec la mthode des MMC dans cette tude pour les trois
machines est meilleur que celui obtenu avec la mthode des RN ou KPP. Ce taux, pour la
classification est de 0 %. Suivie par la mthode de rseaux de neurones qui a montr
d'excellents rsultats. La distance Euclidienne ne tient pas en compte de la dispersion des
classes.
Les rsultats prcdents ont mis en lumire les performances de diagnostic des trois
algorithmes de dcision. Pour les modes de fonctionnement connus, les trois algorithmes de
dcision offrent des rsultats fiables pratiquement.
Les
approches
statistiques,
les
mthodes
d'analyse discriminante peuvent
parfaitement tre adaptes aux problmes de dcision entre plusieurs modes de

175
Chapitre V :
fonctionnement de diffrentes machines. Le moyen le plus simple pour traiter le cas

"multiclasses" est d'utiliser un multi-classifieur.
Les diffrentes mthodes prcdemment cites peuvent tre combines simultanment
pour rechercher la meilleure dcision possible des observations des donnes combines. Cest
ce qui va tre prsent dans la partie suivante.
5.6 Gnralisation de lanalyse discriminante au problme multiclasses

Quelles que soient les approches utilises pour la mise en place du processus de
diagnostic, il est primordial de justifier la robustesse du classifieur choisi.
En effet des erreurs de diagnostic pourraient dcouler de mauvaises performances de
la procdure de dcision. De plus, les performances de la classification sont dpendantes
(surtout en diagnostic) de la pertinence du vecteur forme, autrement dit de la signature du
systme analys.
Il est souhaitable davoir une valeur de taux derreur trs faible de la classification lors
de la phase de test afin davoir un minimum derreur de diagnostic concernant les nouvelles
observations.
Toutefois, nous avons vu que le diagnostic peut se heurter un certain nombre de
difficults lies aux erreurs de classification si nous navons pas pris en compte les
observations rejetes. Le but dans la suite serait de diminuer les erreurs de classification. Pour
cela, nous proposons lintgration des mthodes de classification ensemble, pour obtenir un
systme de diagnostic robuste (malgr un cot du diagnostic !). Nous pouvons tendre le
concept de lide si nous appliquons un ensemble doutils de diagnostic sur diffrents types de
machines. Le procd est ralis selon lorganigramme de la figure.5.13 et les rsultats sont
comme suit.
176
Chapitre V :
Acquisition des donnes de diffrentes

machines (MAS & MRV)
Lensemble
d'apprentissage
Fisher
Les classes
Les vecteurs
de formes
La construction de chaque
mode de fonctionnement
Classifieur 3
ED
Classifieur 1
MMC
Classifieur 2
NNT
DE= ((x_test(i,:)-X(t,:))
ytest=sim (net,fvtesti)
sinon
Assigner
sinon
Assigner
si oui
Prob (O/MMCi)
si oui
Assigner
Une nouvelle
observation
O ???
si oui
Diagnostic
Fig.5.13-Schma de principe de la procdure de diagnostic avec un ensemble doutils de Diagnostic
177
Chapitre V :
10
-2
-4
10
-6
10
-8
10
10
20
30
40
50
60
100 Epochs
70
80
90
100
Figure.5.14- Performance du rseau de neurone
3.5
logprobabilities
Training-Blue
10
2.5
MRV FVtest circuit ouvert une bobine
MRV FVtest circuit ouvert une phase
IDM FVtest circuit ouvrt phase 'a'
IDM FVtest court circuit phase 'a'
2
5
6
vecteurs de forme
10
Figure.5.15- Les HMM logprobabilits pour les vecteurs tests de la MAS et la MRV
178
Chapitre V :
5.7 Conclusion
Les diffrentes possibilits de rgles de dcision prsentes se divisent en trois
groupes :
les mthodes paramtriques, utilisables lorsque les lois de probabilit, rgissant
les observations et les classes, sont connues ; titre indicatif, nous citerons la
rgle de Bayes ;
les mthodes non paramtriques qui constituent une estimation des lois de
probabilit (par exemple "k ppv") ;
les mthodes dites "approche systme" bases les rseaux de neurones.
Au
mme
titre
que
les
approches
statistiques,
les
mthodes
danalyse
discriminante peuvent parfaitement tre adaptes aux problmes de dcision entre plusieurs
modes de fonctionnement (sain ou dfaillant) et pour diffrents types machines.
Quelles que soient les approches utilises pour la mise en place du processus de
diagnostic, il est primordial de justifier la robustesse du classifieur choisi. Dans cette partie on
a construit un multi-classifieur.
Aprs analyse des rsultats de cette tude, nous concluons quil est ncessaire dlargir
le champ dapprentissage et de choisir les points les plus pertinents dans chaque classe ; par
exemple, pour les points obtenus par Fisher dans la phase de slection nous appliquons de
nouveau Fisher.
Dans de nombreux cas, nous ne pouvons pas obtenir une grande base de donnes.
Aussi, proposons-nous dassocier diffrentes mthodes de classification ; les points rejets
seront reclassifis, ce qui sous-estimera les erreurs de diagnostic.
La multiplicit donne toujours un meilleur rsultat !
179
CONCLUSIONS ET PERSPECTIVES
Le travail prsent dans cette thse est une contribution au diagnostic des dfauts de
machines lectriques, ax ici sur les machines rluctance variable (MRV) vu le peu de
littrature dans cet axe de recherche malgr lessor quelles connaissent depuis quelques
annes.
En effet, les machines rluctance variable conviennent aussi bien aux applications
forte puissance et vitesse leve, domaine largement occup actuellement par la machine
asynchrone, mais aussi pour des applications faible vitesse type gnrateur olien attaque
directe. Grace de multiples atouts (simplicit de construction, robustesse, performances,),
les MRV investissent de plus en plus des crneaux dapplication jusque l rservs aux
machines conventionnelles type asynchrone ou synchrone.
Toutefois, pour certaines applications ncessitant une suret de fonctionnement avec
un haut degr de fiabilit, il est ncessaire deffectuer une dtection rapide et prcoce
dventuelles dfaillances. Le travail prsent dans ce mmoire expose l'apport de diffrentes
mthodes base de modle et de systme au diagnostic des dfauts statoriques des machines
rluctance variable.
Dans cette perspective, on a commenc par exposer un tat de lart sur les diffrentes
approches de diagnostic de dfauts proposs dans la littrature.
Ensuite, aprs une vision densemble de la tolrance aux dfauts et de sa place au sein
de la sret de fonctionnement, une machine tolrante aux dfauts du stator est propose et le
principe de la mthode est mis en uvre pour cette topologie de machine.
Concernant la modlisation des machines tolrantes aux dfauts dans les cas sain ou
en prsence de dfauts lectriques, il est ncessaire de disposer dun modle suffisamment
prcis, prenant en compte les phnomnes locaux (champs et inductions lectromagntiques)
ainsi que la nature et ltat des matriaux, permettant dintroduire la vraie configuration du
bobinage statorique et des conducteurs rotoriques lorsquils existent. En utilisant la mthode
dlments finis couple avec un modle circuit cette approche de modlisation permet
notamment de prendre en compte les modifications de la rpartition du courant dans les
encoches statoriques la suite dapparition dun dfaut lectrique et plus particulirement
celui de court-circuit entre spires dune phase. Les rsultats obtenus par ce modle "lments
finis coupl avec circuits lectriques" concernant une MRV et une MSRV, saines et en
180
prsence de divers dfauts "entre spires" de niveaux de svrit diffrents, concordent
parfaitement avec ceux obtenus exprimentalement sur deux bancs dessai. En effet, les
bobinages des deux machines testes (MRV et MSRV) sont conus de manire pouvoir
introduire des dfauts de diffrents niveaux de svrit.
La deuxime partie du travail de la thse consiste introduire la procdure de mise en
uvre dun systme de dcision. Le mcanisme de mise en place dun systme de diagnostic
ncessite lexistence dune bibliothque de mesures ralises sur le processus et totalement
tiquetes. Un ensemble dapprentissage et un ensemble de test, totalement disjoints, en sont
extraits. Lensemble dapprentissage est utilis pour effectuer le choix des paramtres
pertinents par rapport aux dfauts recherchs. Le critre de Fisher donne des indicateurs
rassembls dans un vecteur forme, appel aussi signature caractristique du processus
surveiller. Sur la base de cette signature sont alors construits un espace de reprsentation des
chantillons mesurs sur le processus, puis un espace de dcision permettant didentifier une
structure de classes caractrisant gomtriquement les diffrents modes de fonctionnement de
lensemble dapprentissage. Lajout dune rgle de dcision permet de classer
automatiquement une mesure ou observation, cest dire de dcider automatiquement du
mode de fonctionnement que reprsente cette mesure. Les algorithmes probabilistiques tels
que les model de Markov cach (MMC), les modles base de systme tels que les rseaux de
neurones (RN) et les mthodes non paramtriques comme les k plus proches voisins (k
PPV) consistent associer une mesure la classe approprie.
Ces rgles fournissent un diagnostic plus cohrent des nouvelles mesures non
rpertories dans l'ensemble d'apprentissage et donnent de trs bons rsultats de diagnostic
pour les modes de fonctionnements considrs.
Les bases thoriques de ces mthodes et techniques sont prsentes et leurs
performances compares.
Perspectives lies ces travaux ?
On peut les rsumer ainsi :
proposer un systme automatis de diagnostic o nous intgrons diffrentes
machines en vue de diminuer les cots et temps dimmobilisation ;
amliorer les mthodes utilises ;
envisager dautres structures tolrantes aux dfauts ;
laborer dautres mthodes,
181
Bibliographie
Bibliographie
182
Contribution Personnelle
International Communications
[01] Ilhem Bouchareb, Amar Bentounsi, Abdesselam Lebaroud, Bachir Batoun and Radjem
Rebbah, On Line Diagnosis of Faults on Switched Reluctance Motor Using Coupled CircuitFEM EFEEA10 International Symposium on Environment Friendly Energies in Electrical
Applications, 02-04 November 2010, Ghardaa, Algeria.
[02] Ilhem Bouchareb, Bachir Batoun, Amar Bentounsi and Abdesselam Lebaroud, Study
on Fault Tolerant Power Converter for Switched Reluctance Drive Using Coupled CircuitFEM Sixth International Conference and Exhibition on Ecological Vehicles and Renewable
Energies EVER10, March 31- April 3, 2011, Monte-Carlo (Monaco).
[03] Ilhem Bouchareb, Amar Bentounsi, Abdesselam Lebaroud, Mouhamed Bouchahdane,
Fares Rebbahi, Bachir Batoun, Modeling and Detection of Eccentricity Fault in Switched
Reluctance Motor 10th International Conference on Environment and Electrical Engineering
EEEIC 2011, 8-11 Mai 2011, Rome.
[04] Ilhem Bouchareb, Amar Bentounsi, Abdesselam Lebaroud, A Comparative Study of
Synchronous Reluctance and Switched Reluctance Motors for High-Performance FaultTolerant Applications 15th International Symposium on Applied Electromagnetics and
Mechanics ISEM 2011, 7-9 September 2011, Napoli.
[05] Ilhem Bouchareb, Amar Bentounsi, Abdesselam Lebaroud and Bachir Batoun,
Dynamic Eccentricity Fault Detection In Switched Reluctance Motor Using Time-Frequency
Analysis 6th International conference on Sciences of Electronics, Technologies of
Information and Telecommunication SETIT 2012, 21-24 March 2012, Tunisia.
[06] Ilhem Bouchareb, Amar Bentounsi, Abdesselam Lebaroud, Fault Detection and Diagnosis
in a Set Inverter-Switched Reluctance Motor Based on Pattern Recognition Using Kalman Filter
Prediction 16th International Symposium on Applied Electromagnetics and Mechanics ISEM 2013,
31 July -2 August 2013, Canada.
[07] Ilhem Bouchareb, Amar Bentounsi, Abdesselam Lebaroud, An Integrated Artificial Neural
Networks/Optimal Time-Frequency Based Classification in Condition Monitoring of Synchronous
Reluctance Motor Stator Fault 9th IEEE International Symposium on Diagnostics for Electrical
Machines, Power Electronics & Drives SDEMPED 2013, 27-30 August 2013, Spain.
Publications
[1] Ilhem Bouchareb, Amar Bentounsi, Abdesselam Lebaroud, A Comparative Study of
Synchronous Reluctance and Switched Reluctance Motors for High-Performance FaultTolerant Applications , IJAEM, Vol. 39, No.1-4, 2012, pp. 793-799.
http://www.journaltocs.ac.uk/index.php?action=browse&subAction=subjects&publisherID=34&journalID=1535
6&pageb=6&userQueryID=&sort=&local_page=1&sorType=DESC&sorCol=1
[2] Ilhem Bouchareb, Amar Bentounsi, Abdesselam Lebaroud, Torque Analysis of Faulty
SRM using FEA-TFR Approach, Int. Journal of Computer Applications (0975-8887), Vol.
61, No.4, January 2013, pp. 28-35. http://www.ijcaonline.org/archives/volume61
183
Contribution Personnelle
184
La Bibliographie
A
[Ayr 95] Ayrolles. L, Aguilar-Martin. J, Guerrin. F, Intreprtation symbolique pour la
supervision multi-rsolution de processus complexes, Supervision de processus
l'aide du Systme Expert G2, Hermes, pp. 73-90, 1995.
[Aus 95] Aussem. A, Thorie et Application des Rseaux de neurones rcurrents et
Dynamiques la prdiction, la modlisation et au contrle adaptatif des
processus dynamiques, Thse, Universit Ren Descartes-ParisV, 1995.
[Atl 97]
Atlas. L, Droppo. J and McLaughlin. J, Optimizing time-frequency distributions via

operator theory, Proc. SPIE, Vol. 3162, pp. 161171, 1997.
[Agui 99] Aguilar-Martin. J, Knowledge-based supervision and diagnosis of complex process,

IEEE International Symposium on Intelligent Control, Intelligent Systems and
Semiotics (ISI99), Cambridge, USA, pp. 225-230, Septembre 1999.
[Atk 05] Atkinson. G.J, Mecrow. B.C, Jack. A.G, Atkinson. D.J, The Design of Fault Tolerant
Machines for Aerospace Applications, Proceedings of the IEEE International
Conference on Electric Machines and Drives, pp. 1863-1869, 2005.
[And 06] Andre. M, Marques. A.J, Fault tolerant operating strategies applied to three phase
induction motor drives, IEEE Transactions on Industrial Electronics, Vol. 53, No.
6, December 2006.
B
[Bez 81] Bezdek. J.C, Pattern recognition with fuzzy objective function algorithms, Plenum
Publishing Corporation, New York, 1981.
[Bos 86] Bose, B.K., Miller, T.J.E., Szczesny, P.M., Bicknell, W.H., Microcomputer Control of
Switched Reluctance Motor, IEEE Transactions on Industry Applications, Vol. 22,
No. 4, pp. 708-715, July 1986.
[Bro 92] Brown. R. G, Hwang. P. Y. C, Introduction to random signals and applied Kalman
filtering, J. Whiley & Sons Edition, 1992.
[Bak 92] Bakshi. B, Stephanopoulos. G, Temporal representation of process trends for
diagnosis and control, IFAC symposium on online fault detection and supervision
in the chemical process industry, Newark, USA, 1992, pp.69-74.
[Bon 92]
A. H. Bonnett, G. C. Soukup, Cause and analysis of stator and rotor failures in

three-phase squirrel cage induction motors, IEEE Transactions on Industry
Applications, Vol.28, No.4, pp 921-937, August 1992.
[Bis 95] Bishop. C, Neural Networks for Pattern Recognition, Oxford University Press, New
York, USA, 1995.
184
La Bibliographie
[Bab 98] Babuska. R, Fuzzy Modeling for control, Kluwer Academic Publishers,
Massachusetts, USA, 1998.
[Ben 98a]
Bentounsi. A, Nicolas. A, Transient and steady-state analysis of induction motors

with cage faults, IMACS, Multiconference, CESA98, April 1-4, pp.3511-3514,
Tunisia, 1998.
[Ben 98b] Bentounsi. A, Nicolas. A, On line diagnosis of defaults on squirrel cage motors
using FEM , IEEE Transactions on Magnetics, Vol. 34 , No. 5 , , p. 3511-3514,
septembre 1998.
[Beng 99] Bengio. Y, Markovian models for sequential data, Neural Computing Surveys,
2:129162, 1999.
[Ber 04]
Bernard. M, Moteur pas pas , Note de cours Agrgation gnie lectrique, ENS
Cachan Antenne de Bretagne.
[Bia 05] Bianchi. N, Dai. M, Giorgio. P, Silverio. G, Design considerations on fractionalslot

faulttolerant synchronous motors , Department of Electrical Engineering,
University of Padova, 2005, Internal report.
[Boum 09] Boumahdi. M, Dron. J.P, Rechak. S et Cousinard. O, Utilisation de larbre de
dcision pour la dtection des dfauts de roulements, Revue Internationale sur
lIngnierie des Risques Industriels (JIIRI), Vol 2, No. 1.
[Bouk 09] Boukra. Tahar, Lebaroud. Abdessalem and Clerc. Guy, Statistical and NeuralNetwork Approaches for the Classification of Induction Machine Faults Using the
Ambiguity Plane Representation, IEEE Transactions on Industrial
Electronics, Vol. 60, pp. 4034 4042, 2009.
[Bou 10] Bouchareb. I, Bentounsi. A, Lebaroud. A, Batoun. B and Rebbah. R, On Line
Diagnosis of Faults on Switched Reluctance Motor Using Coupled Circuit-FEM,
EFEEA10, International Symposium on Environment Friendly Energies in
Electrical Applications, 02-04 November 2010, Ghardaa, Algeria.
[Bou 11a] Bouchareb. I, Bentounsi. A, Lebaroud. A, Study on Fault Tolerant Power Converter
for Switched Reluctance Drive Using Coupled Circuit-FEM, Sixth International
Conference and Exhibition on Ecological Vehicles and Renewable Energies
EVER10, March 31- April 3, 2011, Monte-Carlo (Monaco).
[Bou 11b] Bouchareb. I, Bentounsi. A, Lebaroud. A, A Comparative Study of Synchronous
Reluctance and Switched Reluctance Motors for High-Performance Fault-Tolerant
Applications, 15th International Symposium on Applied Electromagnetics and
Mechanics ISEM 2011, 7-9 September 2011, Napoli.
[Bou 12a] Bouchareb. I, Bentounsi. A, Lebaroud. A, A Comparative Study of Synchronous
Reluctance and Switched Reluctance Motors for High-Performance Fault-Tolerant
185
La Bibliographie
Applications,
IJAEM,
Vol.
39,
No.1-4,
2012,
pp.
793-799.
http://www.journaltocs.ac.uk/index.php?action=browse&subAction=subjects&publi
sherID=34&journalID=15356&pageb=6&userQueryID=&sort=&local_page=1&sor
Type=DESC&sorCol=1
[Bou 12b]
Bouchareb. I, Bentounsi. A, Lebaroud. A and Batoun. B, Dynamic Eccentricity

Fault Detection In Switched Reluctance Motor Using Time-Frequency Analysis, 6th
International conference on Sciences of Electronics, Technologies of Information
and Telecommunication SETIT 2012, 21-24 March 2012, Tunisia.
[Bou 13a] Bouchareb. I, Bentounsi. A, Lebaroud. A, Torque Analysis of Faulty SRM using
FEA-TFR Approach, Int. Journal of Computer Applications (0975-8887), Vol. 61,
No.4, January 2013, pp. 28-35. http://www.ijcaonline.org/archives/volume61
[Bou 13b] Bouchareb. I, Bentounsi. A, Lebaroud. A, Fault Detection and Diagnosis in a Set
Inverter-Switched Reluctance Motor Based on Pattern Recognition Using
Kalman Filter Prediction, 16th International Symposium on Applied
Electromagnetics and Mechanics ISEM 2013, 31 July -2 August 2013, Canada.
[Bou 13c] Bouchareb. I, Bentounsi. A, Lebaroud. A, An Integrated Artificial Neural
Networks/Optimal Time-Frequency Based Classification in Condition Monitoring of
Synchronous Reluctance Motor Stator Fault , 9th IEEE International Symposium
on Diagnostics for Electrical Machines, Power Electronics & Drives SDEMPED
2013, 27-30 August 2013, Spain.
C
[Cla 80] Claasen. T. A. C. and Mecklenbruker. W. F. G, The Wigner distributionA tool for
time-frequency signal analysisPart III: Relations with other time frequency signal
transformations , Philips J. Res., Vol. 35, No. 6, pp. 372389, 1980.
[Che 90] Cheung. J.T, Stephanopoulos. G, Representation of process trends Part I. A formal
representation framework , Computers & Chemical Engineering, Vol. 14, No. 4-5,
pp.495-510, May 1990.
[Cha 93] Chatain. J. N, Diagnostic par systmes experts, Hermes, Paris, 1993.
[Coh 95] Cohen. L, Time-Frequency Analysis, Englewood Cliffs, NJ: Prentice-Hall, 1995.
[Cm 98] Cmpeanu. A, Introducere n dinamica mainilor electrice de current alternativ,
Editura Academiei Romne, Bucureti, ISBN: 973-27-0669-4, 1998.
[Cat 01] Cathey. J.J, Electrical machines Analysis and design applying MATLAB, Electrical
Engineering Series, McGraw Hill International, ISBN: 0-07-118970-X, Singapore,
2001.
186
La Bibliographie
[Col 01] Colomer. J, Melndez. J, A family of FIR differentiators based on a polynomial least
squares estimation, Proceedings of the European Control Conference, pp.28022807, 2001.
[Col 02] Colomer. J, Melndez. J, Gamero. F.I, Pattern recognition based on episodes and
DTW. Application to diagnosis of a level control system , 16th International
Workshop on Qualitative Reasoning, QR 2002, pp. 37-43. Sitges, Barcelona,
Espagne 10-12 juin 2002.
[Cas 03] Casimir. R, Diagnostic des dfauts des machines asynchrones par reconnaissance
des formes, Thse de doctorat de l'cole Central de Lyon, 2003.
[Cis] Cistelecan. M.V, Maini electrice de curent alternativ, Editura Electra, Bucureti
Romania, ISBN: 9787-973-7728-92-0.
[Cos 04] Costa. F. F, et al, Improving the Signal Data Acquisition in Condition Monitoring of
Electrical Machines, IEEE transactions on instrumentation and measurement, Vol.
53, No. 4, august 2004.
D
[Dub 90] Dubuisson. B, Diagnostic et reconnaissance de formes. Trait des nouvelles
technologies, Srie Diagnostic et Maintenance, Hermes, Paris, 1990.
[Dav 98]
Davy. M and Doncarli. C, Optimal kernels of time-frequency representations for

signal classification, in Proc. IEEE-SP Int. Symp. Time-Freq. Time-Scale Anal,
pp. 581584, 1998.
[Dav 01] Davy. M, Improved optimisation of time-frequency-based signal classifiers , IEEE

signal process. Lett., Vol.8, No.2, p.52-57, 2001.
[Dag 01] Dague. P, Thorie logique du diagnostic base de modles, Chapitre 1 dans
Diagnostic, intelligence artificielle et reconnaissance des formes.Hermes, Paris,
2001.
[Dud 01]
Duda. R, Hart. P, Stork. D, Chapter 4: Nonparametric Techniques dans Pattern

Classification, Second Edition, Wiley-Interscience, 2001.
[Dai 05] Dai. M, Keyhani. A, Sebastian. T, Fault Analysis of a PM Brushless DC Motor Using
Finite Element Method, IEEE Transaction On Energy Conversion, Vol.20, No.1,
2005.
[Del 05] Delbert, T., Fault tolerant linear actuator, Patent no. 0168084, 2005.
187
La Bibliographie
[Dav 07] David. E, Atsuo. J, Fault tolerant electro-mechanical actuator having motor
armatures to drive a ram and having an armature release mechanism , Patent no.
7,190,096 B2, 2007.
E
[Elt 98] Eltoft. T, deFigueiredo. R, A new neural network for cluster detection and labeling ,
IEEE Transactions on neural networks, Vol. 9, No. 1, pp. 1021-1035, 1998.
[Esc 01]
Escobet. T, Trav-Massuys. L, Tornil. S, Quevedo. J, Fault detection of a gas

turbine fuel actuator based on qualitative causal models, European Control
Conference (ECC01), Porto, Portugal, pp. 2741-2746, Septembre 2001.
F
[Fod 08] Fodorean. D, Ruba. M, Szab. L, Miraoui. A: Comparison of the Main Types of FaultTolerant Electrical Drives used in Automobile Applications, Proc. of SPEEDAM
'2008, Ischia (Italy), 2008, pp. 895-900, on CD: TD_282.pdf. ISBN: 978-1-42441664-6.
[Flux] CEDRAT, Flux_2D, CAD Package for Electromagnetic and Thermal analysis using finite
element, version 10.4.
[Fis 36] Fisher. R. A, The use of multiple measurements in taxonomic problems, Annals of
Eugenics, Vol. 7, pp 179-188, 1936.
G
[Gus 79] Gustafson. D.E, Kessel. W.C, Fuzzy clustering with a fuzzy covariance matrix,
Proceedings of IEEE CDC, San Diego, USA, pp. 761-766, 1979.
[Gil 99]
Gillespie. B. W. and Atlas. L, Optimization of time and frequency resolution for

radar transmitter identification, in Proc. IEEE Int. Conf. Acoustics, Speech, and
Signal Processing, Vol. 3, pp. 13411344,1999.
H
[Hla 92] Hlawatsch. F and Boudreaux-Bartels. G. F, Linear and quadratic time-frequency
signal representations , IEEE Signal Processing Mag., Vol. 9, pp. 2167, Apr.
1992.
188
La Bibliographie
[Hla 92a] Hlawatsch. F, Regularity and unitarity of bilinear time-frequency signal
representations , IEEE Trans. Inform. Theory, vol. 38, pp. 8294, Jan. 1992.
[Her 94] Hrault. J, Jutten. C, Perceptrons multicouches, dans Rseau neuronaux et
traitement du signal, Trait des Nouvelles Technologies, srie traitement du signal,
Hermes, 1994.
[Hec 95] Heckerman. D, A tutorial on learning with Bayesian networks, Technical Report
MSR-TR-95-06, Microsoft, 1995.
[Hay 97] Haykin. S and Bhattacharya. T. K, Modular learning strategy for signal detection in
a nonstationary environment , IEEE Transaction on Signal Processing, Vol. 45, pp.
16191637, June 1997.
[Hus 02] Husain. I, Minimisation of Torque Ripples in SRM Drives, IEEE Transactions on
Industrial Electronics, Vol. 49, No.1, pp.28-39, 2002.
I
[Ise 97] Isermann R., Supervision, Fault Detection and Fault Diagnosis Methods of An
introduction, Control Eng. Practice, Vol. 5, No 5, pp. 639-652, 1997.
J
[Jan 91] Janusz. M, Venkatasubramanian. V, Automatic generation of qualitative description
of process trends for fault detection and diagnosis, Engineering Applications of
Artificial Intelligence, Vol.4, No. 5, pp.329-339, 1991.
[Jia 98] Jiabin. W, Weiya. W, Jewell. G.W and Howe. D, Design of a miniature permanentmagnet generator and energy storage system, Industrial Electronics, IEEE
Transactions on, Vol. 52, No. 5, pp. 1383- 1390, October. 2005.
[Jai 99] Jain. A.K, Murty. M.N, Flynn. P.J, Data clustering: A review, ACM Computing
Surveys, Vol.31, No. 3, September 1999.
[Jok 00] Joksimovic. G. M, Penman. J, The detection of inter-turn short circuits in the stator
windingsof operating motors, IEEE Transactions on Industrial Electronics, Vol.47,
No.5, pp. 1078-1084, October. 2000.
[Jam 02] James. S, Gregory. J, Abdul. B, Synchronous machine fault tolerant arrangement,
Patent no. 6,504,281, 2000.
K
189
La Bibliographie
[Kui 86] Kuipers. B, Qualitative simulation, Artificial Intelligence, Vol. 29, No 3, pp.
289-338, 1986.
[Kau 90] Kaufman. L, Rousseeuw. P.J, Finding Groups in Data: An Introduction to Cluster
Analysis, Wiley, New York, 1990.
[Koh 95]
Kohonen. T,
Vol. 30, 1995.
Self-organizing maps. Springer Series in Information Sciences,
[Kog 97] Kogan. V & Nindra. B, Investigation of high voltage stator winding vibrations in
full-scale slot model, In Electrical Insulation Conference, pp.155-166,
September.1997.
[Kra 99] Krautstrunk. A, Mutschler. P, Remedial Strategy for a Permanent Magnet
Synchronous Motor Drive, Proceedings of the 8 European Conference on Power
Electronics and Applications (EPE '99), Lausanne, Switzerland, 1999.
[Kal 10] Kalyan. M. Bhavaraju, Kankar. P. K, Satish C. Sharma and Harsha. S. P, A
Comparative Study on Bearings Faults Classification by Artificial Neural Networks
and Self-Organizing Maps using Wavelets, International Journal of Engineering
Science and Technology, Vol. 2 (5), pp.1001-1008, 2010.
[Kan 11] Kankar. P.K., Satish .C. Sharma, Harsha. S.P, Fault diagnosis of ball bearings using
machine learning methods, Expert Systems with Applications 38, pp.1876-1886,
2011.
L
[Li 00] Li. C, A Bayesian Approach Totemporal Clustering Using The Hidden Markov Model
Methodology, Thse, Faculty of the Graduate School of Vanderbilt University,
2000.
[Lur 01] Lurette. C, Lalot. S, Lecoeuche. S, Detection and Diagnostic of Drifts by
Unsupervised and Auto-adaptative Neural Network, Proceedings of the
International Conference on Engineering Applications of Neural Networks, EANN
2001, pp.239-246, Cagliari, Sardaigne, Juillet, 2001.
[Lur 03] Lurette. C, Lecoeuche. S, Unsupervised and auto-adaptive neural architecture for
on-line monitoring. Application to a hydraulic process, Engineering
applications of artificial intelligence, Vol. 16, pp. 441-451, Mai 2003.
[Lee 03] Lee. S.bin, Tallam. R. M, and Habetler. T.G, A robust on-line turn-fault detection
technique for induction machin es based on monitoring the sequence component
impedance matrix, IEEE transaction on power electronics, Vol.18, No.3, 2003.
190
La Bibliographie
[Leb 08] Lebaroud. A and Clerc. G, Classification of Induction Machine Faults by Optimal
TimeFrequency Representations, IEEE transaction on Industrial electronics, Vol.
55, No. 12, December 2008.
M
[Mcq 67] MacQueen. J, Some methods for classification and analysis of multivariate
observations, Proceedings of the 5th Berkeley Symposium on Mathematical
Statistics and Probability, Vol. 1, University of California, Berkeley, USA, pp. 281297, 1967.
[Mam 77] Mamdani. E, Application of fuzzy logic to approximate reasoning using
linguistic systems, Fuzzy sets and systems, Vol. 26, pp. 1182-1191, 1977.
[Moh 85] Mohammad. O.A, Demerdash. N.A, A 3-D finite element perturbation method for
determining satured values of transformer winding inductances including
experimental verification, IEEE Transaction on Magnetics, Vol.21, No.5, 1985.
[Mic 94] Michie. D, Spiegelhalter. D.J, Taylor. C.C, Machine Learning, Neural and
Statistical Classificatio, Ellis Horwood series in Artificial Intelligence,
February, 1994.
[Mcg 95] MacGregor. J. F, Kourti. T, Statistical process control of multivariate processes,
Control Engineering Practice, Vol. 3, No. 3, pp. 403-414, 1995.
[McL 97] McLaughlin. J, Droppo. J and Atlas. L, Class-dependent time-frequency distributions
via operator theory, in Proc. ICASSP, Vol. 3, pp. 20452048, 1997.
[Mit 97] Mitchell. T, Decision Tree Learning dans Mitchell T., Machine Learning, The
McGraw-Hill Companies Inc., pp. 52-78, 1997.
[Mun 98] Muntean. N, Convertoare statice, Editura "Politehnica" Timioara, 1998, ISBN 9739389 12-0, 271.
[Mel 01] Melndez. J, Colomer. J, Episodes representation for supervision. Application to
diagnosis of a level control system , Workshop on Principles of Diagnosis DX'01,
Sansicario, Italy, 2001.
[Mar 03] Marie-Joseph. I, Mthodologie de diagnostique applique la maintenance
prventive d'units de production d'lectricit en sites isols, Thse de doctorat de
l'Universit des Antilles et de la Guyane, 2003.
[Mav 07] Mavier. J, Frederic. R, Hubert. P, Reconfigurable voltage inverter with tolerance to
failures, Patent No. 2007/0086226 A1, 2007.
191
La Bibliographie
[Moh 07] Mohammad. O.A, Z. liu, Liu. S and Abed. N. Y, Internal Short Circuit Fault
Diagnosis for PM Machines Using FE-Based Phase Variable Model and Wavelets
Analysis, IEEE Transaction on Magnetics, Vol.33, No.4, 2007.
[Mah 09] A. Mahyob , P. Reghem and G. Barakat, Permeance Network Modeling of the
Stator Winding Faults in Electrical Machines, IEEE transactions on magnetics,
Vol. 45, No. 3, 2009.
N
[Nom 94] Nomikos. P, MacGregor. J, Monitoring batch processes using multiway
principal component analysis, American Institute of Chemical Engineers
Journal, Vol. 40, No. 8, pp.1361-1375, 1994.
[Nau 95]
Nauck. D, Kruser. R, Nefclass A neuro-fuzzy approach for the

classification of data, ACM Symposium on Applied Computing (SAC'95),
Nashville, USA, Fvrier 1995.
O
[Orr 96] Orr. M, Introduction to radial basis function networks, Rapport technique, Centre for
Cognitive Science, University of Edinburgh, cosse, 1996.
[Ond 06]
Ondel. O, Diagnostic par reconnaissance de formes : application a un ensemble

convertisseur-machine asynchrone, Thse de doctorat de l'cole Central de Lyon,
2006.
[Ond 08] Ondel. O, Boutleux. E, Clerc. G, FDI based on pattern recognition using Kalman
prediction: Application to an induction machine, Engineering application of
artificial intelligent, Vol. 21, pp. 961-973, 2008.
P
[Per 98] Perez-Uribe. A, Artificial Neural Networks: Algorithms and Hardware
Implementation, dans Mange D., Tomassini M., Bio-Inspired Computing
Machines. Towards novel computational architectures, presses Polytechniques et
Universitaires Romandes, 1998.
Q
[Qui 86] Quinlan. J.R, Induction of Decision Trees, Machine Learning, Vol. 1, pp.81-106,
1986.
192
La Bibliographie
R
[Rec 66] Recht. J. L, Failure Mode and Effect, National Safety Council, 1966.
[Rei 92] Reiter. R, A theory of diagnosis from first principles, en Hamscher W.,
Console L., de Kleer J.(Eds.), Model-Based Diagnosis, Morgan Kaufman,1992.
[Ric 98]
Richman. M. S, Parks. T.W and Shenoy. R. G, Discrete-time, discrete frequency,

time-frequency analysis , IEEE Trans. Signal Processing, Vol. 46, pp. 15171527,
June 1998.
[Rib 02]
Ribes. J.C, Delaunay. J, Delvaux. J, Merle. E, Moulliet. M, Diagnostic par

reconnaissance de formes de l'tat de fonctionnement de l'acclrateur AIRIX,
Journal Europen des Systmes Automatiss, APII-JESA, 2002.
[Raj 04] Raj Mohan Bharadwaj and Alexander G. Parlos, Neural Speed Filtering for Induction
Motors With Anomalies and Incipient Faults, IEEE/ASME Transactions On
Mechatronics, Vol. 9, No. 4, December 2004.
[Rub 08a] Ruba. M, Anders. M, Fault Tolerant Switched Reluctance Machine Study,
Proceedings of the International Conference on Power Electronics, Intelligent
Switched Reluctance Machines, Proceedings of the 18 International Conference on
Electrical Machines (ICEM '2008), Vilamoura (Portugalia), pe CD: Full
paper_comm_id01200.pdf.
[Rub 08b] Ruba. M, Anders, M, Fault Tolerant Switched Reluctance Machine Study,
Proceedings of the International Conference on Power Electronics, Intelligent
Motion and Power Quality (PCIM '2008), Nrnberg (Germany), 2008, on CD: S2d3.pdf.
[Rub 10] Ruba. M, Benia. Ioana, Szab. L, Modular Fault Tolerant Switched Reluctance
Machine Design and Dynamic Simulations, Proceedings of the 12th International
Conference on Optimization of Electrical and Electronic Equipment (OPTIM '2010),
Moieciu, pp. 441-446, 2010.
S
[Spe 90] Speed. R, Wallace. A.K, Remedial Strategies for Brushless DC Drive Failures, IEEE
Transactions on Industry Applications, Vol. 26, No. 2, pp. 259-266, 1990.
[Saw 99] Swata. T, Kajer. P.C, Cossar. C, Miller. T.J.E, Study on operation under faults with
the single phase SR generator, IEEE Trans. Industry Application, Vol.35, No.4,
pp.774-781, 1999.
193
La Bibliographie
[Sur 06] Suresh. G, Omekanda. A, Classification and remediation of electrical faults in the
switched reluctance machine, IEEE Transactions on Industry Applications, Vol.
42, No. 2, 2006.
[Sza 07] Szab. L, Viorel. I.A, Ruba. M, Popa. D.C, Comparative Study on Different Variable
Reluctance Linear Machine Structures (With/Without Permanent Magnets),
Proceedings of the Sixth International Symposium on Linear Drives for Industrial
Applications (LDIA '2007), Lille (France), pe CD: 173.pdf.
[Sza 08] Szab. L, Ruba. M, Fodorean. D, Study on a Simplified Converter Topology for Fault
Tolerant Motor Drives, Proceedings of the 11th International Conference on
Optimization of Electrical and Electronic Equipment (OPTIM '2008), Braov,
Romania, pp. 197-202, 2008.
[Sza 09] Szab. L, Ruba. M, On Fault Tolerance Increase of Switched Reluctance Machines,
Proceedings of the IEEE Region 8 EUROCON Conference (EUROCON '2009), St.
Petersburg (Rusia), pp. 734 739, 2009.
T
[Tak 85] Takagi. T, Sugeno. M, Fuzzy identification of systems and its application to
modeling and control, IEEE Transactions on systems, man and cybernetics,
Vol. 15, No 1, pp. 116-132, 1985.
[Tho 89] Thomas, M, Fault tolerant switched reluctance machine, Patent No. 4,896,088,
1989.
[Tra 97a]
Trav-Massuys. L, Dague. P, Guerrin. F (dir.), Le raisonnement qualitatif pour

les sciences de lingenieur , Hermes, Paris, 1997.
[Tra 97b]
Trav-Massuys. L, Milne. R, TIGERTM : gas turbines condition monitoring

using qualitative model based diagnosis , IEEE Expert. Intelligent systems
their applications, Vol. 12, No 3, pp. 22-31, Mai-Juin 1997.
[Tho 06] Thomson. J. S, Kallesoe. C. S, Stator fault modelling of induction motors,

SPEEDAM Conferance, 2006.
[Tan 12] Tang. S. H, Hakim. N, Khaksar. W, Sulaiman. S, Ariffin. M. K. A, and Samin. R,
Artificial Neural Network (ANN) Approach for Predicting Friction Coefficient of
Roller Burnishing AL6061, International Journal of Machine Learning and
Computing, Vol. 2, No. 6, December 2012.
194
La Bibliographie
[Vil 88] Villemeur. A, Sret de fonctionnement des systmes industriels. Fiabilit Facteurs
Humains Informatisation , Eyrolles, 1988.
[Ven 90] Venkatasubramanian .V, Vaidyanathan. R, Yamamoto. Y, Process fault detection
and diagnosis using neural networks I: steady state processes, Computers and
Chemical Engineering, Vol. 14, No. 7, pp. 699-712, 1990.
[Ved 97] Vedam. H, Venkatasubramanian. V, A wavelet theory-based adaptive trend
analysis system for process monitoring and diagnosis , Proceedings of the
American Control Conferences, Piscataway, USA, pp.309-313, 1997.
[Vio 02] Viorel. I.A, Ciorba. R, Maini electrice n sisteme de acionare electric, Editura
UTPRESS, Cluj, 2002.
[Ven 03] Venkatasubramanian. V, Rengaswamy. R, Kavuri. S, Yin. K, A review of process
fault detection and diagnosis. Part III: Process history based methods,
Computers & Chemical Engineering, Vol. 27, No. 3, pp. 327-346, 2003.
[Ven 03b] Venkatasubramanian. V, Rengaswamy. R, Kavuri. S, Yin. K, A review of
process fault detection and diagnosis. Part III: Process history based
methods, Computers & Chemical Engineering, Vol. 27, No. 3, pp. 327-346,
2003.
[Vas 07] Vaseghi. B, Nahid-Mobarakeh. B, Takorabet. N, Meibody-tabar. F, Modelling of nonsalient PM synchronous Machines under stator winding inter-turn fault conditions:
Dynamic model-Fem Model, IEEE VPPC07, Texas USA, 2007.
[Vas 08a]
Vaseghi. B, Takorabet. N, Nahidmobarakeh. B, Meibody-tabar. F, Modelling and

FEM Validation of PM Synchronous Machines under Stator Winding inter-turn
Fault , IEEE ELECTRIMACS , Quebec Canada, June 2008.
[Vas 08b] Vaseghi. B, Takorabet. N, Meibody-Tabar. F, Modelling of IM with Stator Winding

inter-turn Fault Validated by FEM, IEEE ICEM2008, Proc. PD3-2, Portugal,
September 2008.
[Vas 09a] Vaseghi. B, Takorabet. N and Meibody-Tabar. F, Fault Analysis and Parameter
Identification of PM Motors by the Finite Element Method, IEEE Transactions on
Magnetics, Vol. 45, Issue 9, 2009.
[Vas 09b] Vaseghi. B, Takorabet. N and Meibody-Tabar. F, Stator Turn Fault Study and
Parameter Extraction of Induction Machines Using FEM, Journal COMPEL,
accepted June 2009 (may 2010).
195
La Bibliographie
[Wat 99] Watson. J. F, Paterson. N. C and Dorrel. D. G, Use of finite element methods to
improve techniques for the early detection of faults in induction motors, IEEE
Transaction on Energy Conversion, Vol.14, No.3, 1999.
X
[Xia 00] Xiangheng. W, Songlin. C, Weijian. W, Yuguang. S & Xu. L, A study of armature
winding internal faults and protection schemes for turbo generators, In IEEE
Industry Applications Conf., Vol. 1, October. 2000.
Y
[Yag 94] Yager. R. R, Filev D. P, Chapter 5: Fuzzy system models dans Essentials of fuzzy
modeling and control. John Wiley & sons, Inc., 1994.
Z
[Zad 73] Zadeh. L, Outline of a new approach to the analysis of complex systems and decision
processes, IEEE Transactions on systems, man and cybernetics, SMC 3, pp. 24-44,
1973.
[Zwi 95] Zwingelstein. G, Diagnostic des dfaillances - Thorie et pratique pour les systmes
industriels. Trait des Nouvelles Technologies, srie Diagnostic et Maintenance,
Herms, Paris, 1995.
[Zhu 06] Zhu .Jingwei, Ertugrul. Nesimi, and Soong. Wen Liang, Performance Prediction of a
Fault-Tolerant Motor Drive with a Winding Short-Circuit Fault, Conference
(AUPEC'06), pp. 1-5, Melbourne, Australia, 10-13 December 2006.
[Zhu 08] Zhu .Jingwei, Ertugrul. Nesimi, and Soong. Wen Liang, Minimum Torque Ripple
Current Control Strategy in a Dual Fault Tolerant PM AC Motor Drive, IEEE
Power Electronics Specialists Conference PESC2008, 2008.
196
Annexe
Annexe
197
Annexes
Annexe A
Caractristiques du moteur
synchrone rluctance
variable (SynRM)) tudi
Appendix - A
Parameters of the SynRM used for experiment
Quantity
Symbol
Value
Stack length
L
185 mm
External radius
Re
75 mm
Stator radius
Rs
46.5 mm
Rotor radius
Rr
46.15 mm
Shaft radius
Ra
18 mm
Stator yoke thickness
ec
13.6 mm
Air-gap length
e
0.35 mm
Height of stator teeth
hs
14.9 mm
Stator tooth width
tw
3.8 mm
Slot depth
SLTDPTH
14.9 mm
Slot opening
SO
2.4 mm
Radial depth of stator tooth tip SLTODPT
0.7 mm
Slot opening radius
SLTORA
0.7 mm
stator slot bottom radius
SLBR
3.17 mm
Number of turns per phase
N
40
Phase resistance
R
2.37 ohm
Rated voltage
V
400 V
Inertia moment
J
0,0103425 kg.m2
Friction coefficient
B
0.01 N.m.s
198
Annexes
Annexe B
Caractristiques du moteur
rluctance variable (SRM)
tudi
Appendix - B
Parameters of the Studied 6/4 SRM
Quantity
Symbol
Value
Stack length
L
150 mm
External radius
Re
125 mm
Rotor radius
Rr
75 mm
Shaft radius
Ra
21 mm
Air-gap length
e
0.8 mm
Height of stator teeth
hs
26.2 mm
Height of rotor teeth
hr
28 mm
Stator yoke thickness
ec
24.8 mm
N
23
Stator pole arc
30
s
Rotor pole arc
30
r
Aligned inductance
2.2 mH
La
Unaligned inductance
0.2 mH
Lu
Phase resistance
1 ohm
R
Rated voltage
150 V
V
Inertia moment
0.0013 kg.m2
J
0.0183 N.m.s
B
199
Annexes
Annexe C
Caractristiques du modulaire
rluctance variable
tudi
Appendix - C
Parameters of the Studied four-phase modular SRMs
Quantity
Stack length
External radius
The coil height
The height of stator module
The modules yoke height
Rotor pole height
Rotor yoke width
The spacer width beteen the stator module
The rotor pole width
The stator pole width
Feed voltage
Rated current
Output power
rated speed
Efficiency
Inertia moment
200
Symbol
L
Rm
hbob
hm
hjs
N
hpR
hyR
LD
bpr
bps
U
I
P
n
J
B
Value
50 mm
248.5 mm
19 mm
35 mm
11 mm
243
26 mm
11mm
11 mm
13 mm
13 mm
300 V
6A
350 W
600 rpm
0.74
0.001229 kg.m2
0.00129 N.m.s

Modelisations Et Outils D'aide Au Diagnostic de Defauts de Machines Synchrones Et A Reluctance Variable Bouchareb Thesis)

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

Modelisations Et Outils D'aide Au Diagnostic de Defauts de Machines Synchrones Et A Reluctance Variable Bouchareb Thesis)

Uploaded by

Copyright:

Available Formats

Rpublique Algrienne Dmocratique et Populaire

Ministre de lEnseignement Suprieur et de la Recherche Scientifique

Melle BOUCHAREB Ilhem

MODELISATIONS ET OUTILS DAIDE AU DIAGNOSTIC

Devant le Jury compos de :

Examinateur 1 : Abdelhak Bennia

Examinateur 2 : Rachid Abdessemed

Examinateur 3 : Mabrouk Chabane

Membre invit : Abdesselam Lebaroud

La thse de doctorat expose dans ce mmoire a t effectue au sein du Laboratoire

Jexprime mes sincres remerciements Monsieur Aissa Bouzid, Professeur lUniversit

Je remercie vivement Messieurs Rachid Abdessemed et Mabrouk Chabane, Professeurs

Je remercierai aussi Monsieur Abdelhak Bennia, Professeur lUniversit de Constantine,

Toute ma gratitude pour Monsieur

Amar Bentounsi, Professeur lUniversit de

Je remercie chaleureusement Monsieur Abdesselam Lebaroud, Matre de Confrence A

Tout grand progrs scientifique est n dune

University of Constantine 1- Faculty of Technology Sciences

PhD Thesis Summary

MODELING TOOLS FOR FAULT DIAGNOSIS OF

PhD student : ILHEM BOUCHAREB

In this context, the thesis consists of four chapters:

1.2 Gnralits sur le diagnostic

1.2.1 Les diffrentes notions utilises en diagnostic : Supervision et diagnostic...

1.2.2 Le diagnostic dun systme........................................................................................

1.2.3 La procdure de diagnostic. 9

1.2.5 Transformation des mesures dans un systme de diagnostic.. 12

1.3.1 Approche signal..

1.3.1.1 Surveillance des fluctuations de la vitesse 14

1.3.1.3 Surveillance du champ magntique..

1.3.2 Approche systme... 15

1.3.4 Mthodes base de connaissances

1.3.4.1 AMDEC et Arbres de dfaillances

1.3.4.2 Systmes experts 25

1.3.5 Mthodes partir des donnes historiques...

1.3.5.1 Analyse et reprsentation qualitative des tendances.. 27

1.4 Une stratgie pour la surveillance a base de mthodes de classification...

1.4.1 Mthodes de coalescence ("clustering").

1.4.1.2 C-Moyennes Floues (FCM)..

1.4.2 Mthodes statistiques.

1.4.3 Arbres de dcision et induction.

1.4.4 Rseaux neuronaux artificiels. 39

1.8 Les grandeurs analyses par les mthodes de diagnostic..

2.2 Modle de la machine reluctance variable...

2.2.1 Principes de base des MRV

2.2.2 Les quations lectriques... 51

2.3.1 Principe de fonctionnement dune machine synchrone rluctance variable

2.3.2.1 Dans un repre lier au stator..

2.3.2.2 Modle de la machine dans le repre (d-q) li au rotor.

2.4 Moteurs rluctance variable dans lapproche tolrante aux dfauts. 66

2.4.3.1. Amliorations de construction dans la conception des machines

2.4.4 Dveloppement dun convertisseur lectronique tolrant aux pannes.

2.4.4.1 La conception dune structure de convertisseur tolrante aux pannes..

2.4.5 La machine rluctance variable dans lapproche tolrante aux pannes...

2.4.6 Proposition de construction modulaire dune machine rluctance variable

3.2 Dfaillances au stator...

3.2.1 Dfauts disolant dans un enroulement.

3.2.2 Court-circuit entre spires...

3.2.3 Court-circuit entre phases..

3.3 Modlisation des dfauts..

3.3.1 Mthode des lments finis ......

3.4.1 Equations de Maxwell...

3.4.2 Calcul de champ par la mthode dlments finis.