Ces méthodes ne nécessitent pas forcement de modèle analytique précis du système mais reposent plutôt sur une reconnaissance de signatures, les signatures de défauts, obtenues par une Modélisation ou par mesure sur maquette, sont généralement dans une base de données. L’analyse est réalisée par une interprétation du type signal ou par système expert. Parmi ces méthodes on trouve:
IV-3-2-1. Méthode par traitement de signal
A ce jour, c’est l’analyse fréquentielle des grandeurs mesurables qui est la plus utilisée pour le diagnostic de défaut, car la plupart des défauts connus peuvent être détectés avec ce type D’approche. Pour effectuer le diagnostic d’une installation industrielle, les opérateurs de maintenance analysent un certain nombre de signaux, peuvent être exploités pour détecter et localiser les anomalies qui affectent le bon fonctionnement de la machine. Elles font toute partie de la famille des méthodes d’estimation spectrale non- paramétriques. Les méthodes courantes d’analyse des signaux de diagnostic en régime transitoire et en régime permanent sont le Spectrogramme, l’analyse spectrale par FFT et ondelettes [16].
IV-3-2-2. Diagnostic par mesure des vibrations mécaniques
Le diagnostic des défauts par mesure des vibrations mécaniques est la méthode la plus utilisée dans la pratique. Les forces radiales, créées par le champ d’entrefer, provoquent des vibrations dans la machine. Ces vibrations peuvent être captées par des accéléromètres. Les spectres des signaux de vibrations, issus de la machine en défaut, sont comparés avec ceux enregistrés lorsque la machine est en bon état. Cette méthode permet la détection aussi bien des défauts électriques
Chapitre IV Diagnostic des défauts de la MSAP par réseaux de neurones
Page 54
que mécaniques puisque la force magnétomotrice contient les effets des asymétries du stator ou du rotor [21].
IV-3-2-3. Diagnostic par l'analyse des tensions statoriques induites
Cette technique est basée sur l'exploitation du contenu fréquentiel de la tension induite par le flux rotorique dans les enroulements statoriques pendant la déconnexion de la machine du réseau. En utilisant cette approche, les effets de non- idéalité de la source (déséquilibres et présence des harmoniques) ainsi que la non- linéarité des caractéristiques magnétiques de la machine peuvent être évitées [22].
IV-3-2-4. Diagnostic par mesure du couple électromagnétique
Le couple électromagnétique développé dans les machines électriques, provient de l’interaction entre le champ statorique et celui rotorique. Par conséquent, tout défaut, soit au niveau du stator ou au rotor, affecte directement le couple électromagnétique, l’analyse spectrale du signale du couple (mesuré ou estimé), donne des informations sur l’état de santé du moteur [23].
IV-3-2-5. Diagnostic par mesure du courant statorique
Parmi tous les signaux utilisables, le courant statorique s'est avéré être l'un des plus intéressants, car, il est très facile d'accès et nous permet de détecter aussi bien les défauts électriques que les défauts purement mécaniques [22]
IV-3-2-6. Diagnostic par analyse du vecteur de Park
Deux versions d’analyse par cette méthode à savoir: La première utilise les grandeurs biphasées 𝑖𝑑𝑠 et 𝑖𝑞𝑠, qui sont calculées à partir des trois courants d'alimentation, pour l'obtention de la courbe de Lissajous: 𝑖𝑞 = f (id). Le changement de l’épaisseur et la forme de cette courbe
donne une information sur le défaut. La deuxième est appelée Vecteur de Park Etendu, qui est basée sur l'analyse spectrale du module du vecteur de Park (√𝑖𝑑2(𝑡) + 𝑖𝑞2(𝑡)). Elle présente beaucoup d'avantages quant à la détection des défauts statorique ou rotorique et même les défauts de roulement [24].
Chapitre IV Diagnostic des défauts de la MSAP par réseaux de neurones
Page 55
IV-3-3. Diagnostic par utilisation des techniques d’intelligence artificielle
Ces dernières années les techniques de diagnostic des machines électriques sont éloignées des techniques traditionnelles pour s’orienter vers des techniques dites d’intelligence artificielle. Ces méthodes sont basées sur la connaissance a priori du système et utilisent un ensemble de règles et constituent, ce qu’on appelle la base de connaissance. Parmi ces méthodes, on peut regrouper en quatre grandes familles [20] :
➢ Méthode de reconnaissance des formes ➢ Diagnostic par système expert
➢ Diagnostic par logique flou
➢ Diagnostic par réseaux de neurones
IV-3-4. Réseaux de neurones IV-3-4-1. Définition
Un réseau de neurones est un ensemble d’éléments de traitement de l’information, avec une topologie spécifique d’interconnexions entre ces éléments et une loi d’apprentissage pour adapter les pois de connexions [25].
IV-3-4-2. Neurone Biologique
Un neurone est une cellule particulièrement complexe spécialisée dans le traitement des signaux électriques. Son rôle est de recevoir, stocker et transmettre l’information (figure (IV-1)). On peut décomposer le neurone en quartes régions principales : le corps cellulaire, les dendrites, l’axone et La synaps [26].
Chapitre IV Diagnostic des défauts de la MSAP par réseaux de neurones
Page 56
IV-3-4-2-1. Structure d’un neurone
La structure d’un neurone se compose en quatre parties [27] :
➢ Le corps cellulaire, qui contient le noyau de la cellule nerveuse; c’est en cet endroit que prend naissance l’influx nerveux qui représente l’état d’activité du neurone.
➢ Les dendrites, ramifications tubulaires courtes formant une espèce d’arborescence autour du corps cellulaire ; ce sont les entrées principales du neurone qui captent l’information venant d’autres neurones.
➢ L’axone, longue fibre nerveuse qui se ramifie à son extrémité; c’est la sortie du neurone et le support d’information vers les autres neurones.
➢ La synapse, qui communique l’information, en la pondérant par un poids synaptique, à un autre neurone elle est essentielle dans le fonctionnement du système nerveux.
IV-3-4-3. Réseaux de neurones artificiels
Dès leur apparition, les Réseaux de Neurones Artificiels ont été appliqués à plusieurs domaines. Quel que soit le domaine adopté, les Réseaux de Neurones Artificiels peuvent être définies comme suit : Les Réseaux de Neurones Artificiels sont des réseaux fortement connectés de processeurs élémentaires, fonctionnant en parallèle. Chaque processeur calcule une sortie unique sur la base des informations qu’il reçoit, toute structure hiérarchique de réseaux est évidemment un réseau
IV-3-4-4. Historique
L’origine de l’inspiration des réseaux de neurones artificiels remonte à 1890 où W. James, célèbre psychologue américain, introduit le concept de mémoire associative. Il propose ce qui deviendra une loi de fonctionnement pour l’apprentissage des réseaux de neurones, connue plus tard sous le nom de loi de Hebb. Quelques années plus tard en 1943 avec les travaux de Mc Culloch et Pitts qui montrent qu’un réseau de neurones discret, sans contrainte de topologie, peut représenter n’importe quelle fonction booléenne et donc émuler un ordinateur.
En 1969 Rosenblatt propose le premier algorithme d’apprentissage, qui permet d’ajuster les paramètres d’un neurone. En 1969, Minsky et Papert publient le livre Perceptrons dans lequel ils utilisent une solide argumentation mathématique pour démontrer les limitations des réseaux de neurones à une seule couche. Ce livre aura une influence telle que la plupart des chercheurs quitteront le champ de recherche sur les réseaux de neurones.
Chapitre IV Diagnostic des défauts de la MSAP par réseaux de neurones
Page 57
En 1986, Rumelhart, Hinton et Williams publient, l’algorithme de la rétro propagation de l’erreur qui permet d’optimiser les paramètres d’un réseau de neurones à plusieurs couches. à partir de ce moment, la recherche sur les réseaux de neurones connaît un essor fulgurant et les applications commerciales de ce succès académique suivent au cours des années 90 [25].
IV-3-4-5. Modélisation mathématique du réseau neurone
Le modèle mathématique d’un neurone artificiel est illustré par la figure (IV-2). Un neurone est essentiellement constitué d’un intégrateur qui effectue la somme pondérée de ses entrées. Le résultat n de cette somme est ensuite transformé par une fonction de transfert f qui produit la sortie D du neurone. Les entrées du nuerons correspondent au vecteur𝑃 = [𝑃1 𝑃2 … … . . 𝑃𝑅], alors que 𝑊 = [𝑊1,1𝑊1,2… … … 𝑊1,𝑅] représente le vecteur des poids du neurone. La sortie n de l’intégrateur est donnée par l’équation suivante [26]:
𝑁 = ∑𝑅𝑗=1𝑊𝑖𝑗. 𝑃 − 𝑏 = 𝑊11. 𝑃1+ 𝑊12. 𝑃2 + 𝑊1𝑅. 𝑃𝑅 − 𝑏 (IV.1) 𝐷 = 𝑓(𝑁) = 𝑓(∑𝑅𝑗=1𝑊𝑖𝑗. 𝑃 − 𝑏) (IV.2)
Que l’on peut aussi écrire sous forme matricielle:
𝑁 = 𝑊𝑇. 𝑃 − 𝑏 (IV.3) 𝐷 = 𝑓(𝑁) = 𝑓(𝑊𝑇. 𝑃 − 𝑏) (IV.4) 𝑊 = [ 𝑊11 ⋯ 𝑊1𝑅 ⋮ ⋱ ⋮ 𝑊𝑆1 ⋯ 𝑊𝑆𝑅 ] (IV.5) 𝑃 = [𝑃1𝑃2… … … … 𝑃𝑅] (V.6) Avec ;
P : dimension matricielle est 𝑅 × 1 W : dimension 𝑆 × 𝑅
Cette sortie correspond à une somme pondérée des poids et des entrées moins ce qu’on nomme le biais 𝑏 du neurone. Le résultat 𝑁 de la somme pondérée s’appelle le niveau d’activation du
Chapitre IV Diagnostic des défauts de la MSAP par réseaux de neurones
Page 58
neurone. Le biais 𝑏 s’appelle aussi le seuil d’activation du neurone. Lorsque le niveau d’activation atteint ou dépasse le seuil𝑏, alors l’argument de 𝑓 devient positif (ou nul). Sinon, il est négatif.
Figure IV-2 : Modèle d’un neurone artificiel, S: le nombre de neurones d’une même couche.
i: le premier indice (rangée) désigne toujours le numéro de neurone sur la couche. j: le deuxième indice (colonne) spécifie le numéro de l’entrée.
IV-3-4-6. Différents types de réseaux de neurones
Nous entendrons par architecture ou topologie d’un réseau de neurones artificiels la manière selon laquelle les neurones sont organisés. Les structures qui peuvent être utilisées sont très variées mais beaucoup moins complexes que celles des réseaux de neurones biologiques d’une façon générale, l’architecture des réseaux de neurones artificiels peut aller d’une connectivité totale (chacun des neurones du réseau est relié à tous les autres neurones) à une connectivite locale ou les neurones ne sont lies qu’a leurs plus proches voisins. Deux classes différentes d’architectures de réseaux de neurones peuvent être distinguées [27] :
➢ Les réseaux proactifs (feed-forward). ➢ Les réseaux récurrents (feedback).
𝐹 𝑏 𝑃1 𝑃2 𝑃3 𝑃𝑅 𝑊1.1 𝑊1.𝑅 𝑊1.2 𝑊1.3 𝑁 D
∑
Chapitre IV Diagnostic des défauts de la MSAP par réseaux de neurones
Page 59
IV-3-4-6-1. Réseaux proactifs
Cette classe se distingue par l’absence de toute boucle de rétroaction de la sortie vers entrée d’où appellation feed-forward. En d’autres termes, la propagation des signaux s’y fait uniquement dans le sens de l’entrée vers la sortie.
Ce type de réseaux comprend deux groupes d’architectures : les réseaux monocouches et les réseaux multicouches. Ils diffèrent par l’existence ou non des neurones intermédiaires appelés neurones cachées entres les unités d’entrées et les unités de sorties appelées aussi nœuds d’entrées et nœuds de sorties respectivement.
IV-3-4-6-1-1. Réseaux proactifs monocouches
Ce type de réseaux possède une couche d’entrée recevant le stimulus à traiter par l’intermédiaire des nœuds d’entrées. Cette couche se projette en une couche de sortie composée. de neurones de calcul transmettant les résultats du traitement au milieu extérieur. La Figure (IV-3) montre par exemple, un réseau proactif monocouche à quatre neurones d’entrée trois neurones de sortie. La désignation monocouche est attribuée à la couche de sortie. La couche d’entrée n’est pas comptée dans ce sens vu qu’il n’y a pas de calcul qui se fait au niveau de ces nœuds, ils servent uniquement a recevoir les signaux d’entée et a les transmettre a la couche suivante. Un exemple classique de réseau monocouche est le perceptron [27].
Figure IV-3 : Réseau proactif monocouche
Entrées 𝑋3 𝑋2 𝑋1 𝑋4 𝑌1 𝑌2 𝑌3 Sortie
Chapitre IV Diagnostic des défauts de la MSAP par réseaux de neurones
Page 60