Application des réseaux de neurones à la détection automatique de contacts

défaillants

Dans ce chapitre, nous utilisons la technique des réseaux de neurones pour détecter automatiquement les contacts défaillants. Le but visé est de partir des mesures de températures et de courants sur le tableau électrique pour déterminer si le contact est défaillant ou non. L’approximation de la fonction qui permet cette séparation entre les bons contacts et les mauvais, passe par une phase d’apprentissage. Pour ce faire nous devons constituer une base de vecteurs entrées/sorties à l’aide des données enregistrées (courant, température, couple de serrage) lors de différentes expériences que nous avons effectuées sur les contacts électriques.

3.1. Les entrées du modèle

Pour chaque contact, les entrées principales du modèle sont le courant dans le contact et l’échauffement du contact. L’échauffement est calculé par rapport à la température ambiante à l’intérieure du tableau (T°Contact -T°CambianteInterne). Nous choisissons comme entrées complémentaires les dérivées premières du courant et de l’échauffement. Ces entrées complémentaires contribuent à donner plus d’informations au réseau de neurone. En effet la dynamique de la température d’un contact électrique est liée non seulement au courant, mais aussi à sa résistance électrique. En théorie, plus grande est la résistance de contact électrique, plus petite est sa constante de temps.

3.2. La sortie du modèle

La sortie du réseau de neurone dans notre problème est une valeur indiquant l’état du contact. Au cours de l’expérience de desserrage progressif que nous avons menée sur la famille des contacts

notable à partir d’un desserrage à 1/8^ième de son couple nominal. Ainsi pour un contact boulonné, nous considérons qu’un desserrage à un couple inférieur à 1/8^ième de son couple nominal est inacceptable. En dessous de ce couple de serrage le contact est déclaré défaillant.

Par ailleurs, en ce qui concerne les pinces d’embrochages pour lesquelles il n’y a pas de notion de serrage, le contact a été considéré comme défaillant à partir d’un nombre de pinces inférieur ou égal à deux (le contact normal étant constitué de trois pinces).

Dans les deux cas, cela revient d’une certaine manière à associer l’état du contact à sa résistance électrique. Un contact très résistif est considéré comme défaillant.

3.3. Apprentissage du modèle de détection

Le réseau de neurones utilisé pour modéliser le problème de détection des contacts défaillants est un MLP composé de 3 couches et d’une trentaine de neurones. Nous avons choisi un réseau de trois couches car, comme nous l’avons dit précédemment, un tel réseau est théoriquement capable de modéliser toute fonction suffisamment régulière. L’algorithme d’apprentissage est celui de Levenberg Marquardt car il est très rapide et adapté au petit réseau qui ne nécessite pas beaucoup d’espace mémoire pour les calculs. Un nombre important de neurones devrait permettre d’avoir une erreur d’apprentissage minimale, cependant il n’augmenterait pas forcément (et pourrait même dégrader) la capacité du réseau à prédire de nouveaux cas. Le plus important est de trouver un réseau ayant une bonne capacité de généralisation avec un nombre de neurones le moins élevé possible (pour avoir un temps de calculs raisonnable). Dans notre cas cela s’est fait en plusieurs essais avec un nombre de neurones croissant et réparti assez uniformément sur les différentes couches. Ainsi nous avons obtenu la trentaine de neurones qui semblent bien convenir (cf. Résultats).

Dans notre exemple test, la base de données expérimentales est composée de 8000 couples entrées/sorties. Cette base a été divisée en deux parties égales, l’une servant à l’apprentissage (base d’apprentissage) et l’autre à la validation (base de validation).

3.4. Résultats

Deux cas de figures ont été testés :

Cas1 : la base d’apprentissage ne contenait que des vecteurs liés à la partie transitoire de nos expériences.

Dans le premier cas, nous avons 1% d’erreur de classification à l’étape d’apprentissage et plus de 30% pour l’étape de validation. Dans ce cas de figure, le réseau a du mal à généraliser son résultat. Dans le deuxième cas, nous avons, 10% d’erreur de classification dans l’étape d’apprentissage et aussi 10% pour l’étape de validation, ce qui dénote une bonne capacité de généralisation du réseau de neurones ainsi paramétré. Comparativement au premier cas, ce réseau est beaucoup plus susceptible de donner la bonne classification pour les nouvelles entrées qui lui seront présentées. La Figure 41 donne un aperçu des résultats de validation.

Nous pouvons voir sur cette figure :

o Le profil de températures (mesurées sur les contacts électriques), en entrée du réseau de neurones, dont les valeurs sont liées à l’état de dégradation du contact.

o La sortie estimée par le réseau et celle obtenue expérimentalement. Les valeurs basses correspondent à un état normal du contact tandis que les valeurs hautes correspondent à un contact dégradé (desserré).

Nous pouvons remarquer que la sortie expérimentale et celle estimée sont très proches, surtout sur les parties où la température a atteint le régime permanent. En régime transitoire, le réseau estime moins bien la sortie.

Ce test donne des résultats intéressants et permet donc de conclure positivement sur la faisabilité de la méthode.

Figure 41 : Test du réseau de neurones après apprentissage.

C ont ac t de pl us e n p lus dé gr adé

CONCLUSION

Dans ce chapitre nous avons présenté 4 indicateurs ou méthodes aidant à détecter l’échauffement anormal du contact ou son niveau de dégradation.

Les deux premiers indicateurs, à savoir « le dépassement des seuils d’échauffement donnés par la norme » et « le facteur de vieillissement » sont mis en œuvre uniquement à partir des données de températures. Le premier, correspondant en général à un niveau avancé de dégradation, donne une alarme lorsque le seuil d’échauffement indiqué par la norme est atteint. Le deuxième permet de détecter un vieillissement accéléré du contact avant que celui-ci n’atteigne sa fin de vie (garantie 20 ans par Schneider-Electric).

Les deux autres méthodes de détection sont basées sur la mesure de l’adéquation entre le courant et la température. L’une se fait à partir d’un modèle électrothermique via le logiciel EchaufWeb développé à partir du noyau de calcul d’EchaufPC. L’autre se fait par la technique des réseaux de neurones qui permet d’apprendre et de reconnaître les cas de défaillance. Ces deux méthodes ont été testées sur des données réelles et donnent des résultats qui nous permettent de conclure positivement sur leurs faisabilités.

Après l’étape de détection, vient logiquement celle du diagnostic, c'est-à-dire l’explication des causes de la défaillance constatée. Dans la suite de cette étude nous présentons un moyen de réaliser un diagnostic automatique sur l’ensemble du tableau électrique en utilisant non seulement le résultat de la détection mais aussi d’autres variables liées à l’environnement de fonctionnement du tableau électrique.

Chapitre5