Ce type de réseaux proactifs se caractérise par la présence d’une ou plusieurs couches cachées, où les nœuds de calcul correspondants s’appellent neurones caches. Les couches cachées interposent entre l’entrée du réseau et sa sortie. Leur rôle est d’effectuer un prétraitement des signaux d’entrées, reçu par la couche d’entrée en provenance du milieu extérieur, et de transmettre les résultats correspondants à la couche de sortie où sera déterminée la réponse finale du réseau avant quelle soit transmise au milieu extérieur.. Les réseaux les plus fréquemment utilisés de cette catégorie sont les perceptrons multicouches (PMC) [27].
La Figure (IV-4), illustre un réseau à une seule couche cachée qui contient trois neurones, trois entrées et une sortie à deux neurones (réseau 3-3-2). Ce réseau est dit complètement connecté où tous les neurones de la couche actuelle sont connectés à tous les neurones de la couche adjacente suivante. Le réseau et partiellement connecté si des connexions manquaient entre des neurones de deux couches voisines.
Figure IV-4 : Réseau proactif complètement connecté avec une seule couche cachée
IV-3-4-6-2. Réseaux récurrents
Les réseaux récurrents se distinguent des réseaux proactifs par le fait qu’ils contiennent au moins une boucle de contre-réaction des neurones de sortie vers les entrées ou au mois d’une couche vers une couche précédente, adjacente ou non.
𝑋1 𝑋2 𝑋3
𝑌1 𝑌2
Chapitre IV Diagnostic des défauts de la MSAP par réseaux de neurones
Page 61
La Figure (IV-.5) présente un exemple d’un réseau de neurone récurrent qui à trois entrés, trois neurones dans la couche cachée et deux neurones dans la couche de sortie. Les connexions de rétroaction de ce réseau proviennent aussi bien des neurones de la couche cachée que des neurones de la couche de sortie [27].
Figure IV-5 Réseau récurent avec neurones cachés
IV-3-4-7. Apprentissage dans les réseaux de neurones
L’apprentissage dans le contexte des réseaux de neurones est le processus de modification des poids de connexions (y compris les biais) ou plus rarement du nombre de couches et de neurones, afin d’adapter le traitement effectue par le réseau a une tache particulière. On distingue trois familles d’apprentissage [18] :
IV-3-4-7-1. Apprentissage supervisé
Dans ce cas, un superviseur (ou expert humain) fournit une valeur ou un vecteur de sortie (appelé cible ou sortie désirée), que le réseau de neurones doit associer à un vecteur d’entrée. L’apprentissage consiste dans ce cas à ajuster les paramètres du réseau afin de minimiser l’erreur entre la sortie désirée et la sortie réelle du réseau.
𝑋1 𝑋2 𝑋3
𝑌1 𝑌2
Chapitre IV Diagnostic des défauts de la MSAP par réseaux de neurones
Page 62
Figure IV-6 : Schéma bloc de l’apprentissage supervisé d’un réseau de neurone
IV-3-4-7-2. Apprentissage semi supervisé ou apprentissage par renforcement
Ce mode d’apprentissage, suppose qu’un comportement de référence n’est pas possible mais en revanche, il est possible d’obtenir des indications qualitatives (vrai, faux, ...) sur les performances du réseau.
IV-3-4-7-3. Apprentissage non supervisé
Dans cet apprentissage, les données ne contiennent pas d’informations sur la sortie désirée. Il n’y a pas de superviseur. La tâche du réseau consiste, par exemple dans ce cas, à créer des regroupements de données selon des propriétés communes (classification).
Figure IV-7 : Schéma bloc de l’apprentissage non supervisé d’un réseau de neurone
Entrées Réseau de neurones
artificiel Sortie obtenue
Entrées Professeur Réseaux de neurones Artificiel Sortie obtenue + - Sortie désirée Erreur ∑
Chapitre IV Diagnostic des défauts de la MSAP par réseaux de neurones
Page 63
IV-3-4-8. Fonction d'activation
L’utilisation d’une fonction d’activation non linéaire permet au RNA de modéliser des équations dont la sortie n’est pas une combinaison linéaire des entrées. Cette caractéristique confère au RNA de grandes capacités de modélisation fortement appréciées pour la résolution de problèmes non linéaires. Le tableau (IV-1) représente quelques exemples de fonction d’activation [28]:
Nom de la fonction Relation d’entrée /sortie icone
Seuil 𝑎 = 0 si 𝑛 < 0 𝑎 = −1 si 𝑛 ≥ 0 Seuil symétrique 𝑎 = −1 si 𝑛 < 0 𝑎 = 1 si 𝑛 ≥ 0 Linéaire 𝑎 = 𝑛 Linéaire saturée 𝑎 = 0 si 𝑛 < 0 𝑎 = 𝑛 si 0 ≤ 𝑛 ≤ 1 𝑎 = 1 si 𝑛 > 1
Linéaire saturée symétrique
𝑎 = −1 si 𝑛 < −1 𝑎 = 𝑛 si 0 ≤ 𝑛 ≤ 1 𝑎 = 1 si 𝑛 > 1 sigmoïde 𝑎 = 1 1 + 𝑒−𝑛 Tangente hyperbolique 𝑎 =𝑒 −𝑛− 𝑒𝑛 𝑒𝑛+ 𝑒−𝑛
Chapitre IV Diagnostic des défauts de la MSAP par réseaux de neurones
Page 64
IV-3-4-9. Avantage des réseaux de neurones
Parmi les avantages des réseaux de neurones on cite [29] : • Le modèle mathématique non requise.
• Aucune connaissance basée sur les règles.
• Plusieurs algorithmes d’apprentissage sont disponibles. IV-3-4-10. Inconvénient des réseaux de neurones
Les inconvénients des réseaux de neurones sont [29] : • Boite noire (manque de traçabilité).
• L’adaptation aux environnements différents est difficile et le réapprentissage est souvent obligatoire.
• La connaissance antérieure ne peut pas être employée (apprentissage à partir de zéro). • Aucune garantie sur la convergence de l’apprentissage.
IV-3-4-11. Applications des réseaux de nuerons
Les réseaux de neurones servent dans aujourd’hui à toutes sortes d’applications dans divers domaines. On peut citer par exemples [28] :
• Autopilotage des avions.
• Système de guidage des automobiles.
• Lecture automatique des chèques bancaires et d’adresses postales.
• Production des systèmes de traitement signal et pour la synthèse de la parole.
• Les réseaux de neurones sont utilisés aussi pour les systèmes de vision par ordinateur. • Ils sont utilisés en robotique et en télécommunication.
• Ils sont aussi utilisés dans les domaines de finance. • Ils sont utilisés pour les diagnostics médicaux.
Conclusion générale
Page 87
CONCLUSION GENERALE
Ce travail entre le cadre de diagnostic des défauts d’une MSAP en utilisant une technique avancée à base des réseaux neurones.
Dans le premier chapitre, on a rappelé les éléments de constitution de la machine (MSAP), en tenant compte des hypothèses simplificatrices et en se basant sur le modèle équivalent de Park le modèle mathématique de la machine est présenté.
Dans le deuxième chapitre, on a étudié le principe de la commande directe du couple (DTC), pour mettre en œuvre cette commande il est nécessaire de connaître l’estimation des variables d’état flux et couple. La DTC, est aussi simple son algorithme de calcul est par ailleurs simple puisqu’il est lié directement à un modèle de la machine où le seul paramètre intervenant est la résistance statorique. Par la suite, On a testé la robustesse de cette commande par simulation numérique et les résultats obtenus sont satisfaisants.
Le défaut électrique entre spires du bobinage statorique des MSAP est l’un des défauts les plus fréquents qui peuvent les affecter. Un défaut naissant lors d’un fonctionnement de la MSAP n’implique pas l’arrêt immédiat de cette dernière mais affecte directement ses performances telles que le couple électromagnétique, les courants statoriques et sa vitesse de rotation. L’établissement d’un modèle précis, prennent en compte la nature et la sévérité du défaut, devient une nécessité pour le diagnostic et la détection des défauts. Le chapitre trois a été l’objet d’étude de la mise en œuvre de ce modèle dynamique de défaut de CC entre spires. Il a comme caractéristique importante la mise en équation de la machine de façon décomposée : les équations de la machine saine et celles apparaissant en présence du défaut. Cette décomposition facilite la compréhension des effets induits dans les grandeurs électromagnétiques et mécaniques (courant, tension, couple, vitesse,…), lorsque on est en présence du défaut. En se basant sur des tests de robustesse les résultats issus de la simulation ont montré d’une part, qu’un court-circuit entre spires d’une phase statorique produit des ondulations de fréquence au niveau du couple et de la vitesse ainsi que d’harmoniques dans les courants statoriques et d’autre part, l’efficacité de ce modèle de
Conclusion générale
Page 88
défaut, qui nous a permis de décrire la dynamique de la MSAP en présence de défaut de CC entre spires.
Dans le quatrième chapitre et dans un premier temps nous avons concentré notre étude sur les méthodes de détection et de diagnostic des défauts des machines électriques, après nous avons mis l’accent sur l’une des méthodes d’intelligence artificielle (AI) la plus utilisée dans le secteur industriel, basée sur les réseaux de nuerons. Notre contribution apparaît à partir de ce chapitre où nous avons concentré notre attention sur la classification des défauts de CC entre spires de la MSAP. Nous avons élaborée plusieurs structures neuronales MLP avec 09 entrées et une sortie, 09 entrées et 03 sorties et 12 entrées et une sortie. Avec trois niveaux de charges, les courants statoriques iabs ont été utilisées dans la base de données dédiée à l’apprentissage, le test et la validation. Le type et l’algorithme d’apprentissage ont été respectivement supervisé et Levenberg-Marquardt. Les courbes de régression, le graphe d’erreur et la sortie du RN ont tous montré l’efficacité du diagnostic et la classification des défauts de CC par RN.
En conclusion, ce travail a permit de montrer l’efficacité des techniques intelligentes basées sur les réseaux de neurones dans le diagnostic et la classification des défauts des MSAP. Le travail présenté dans ce mémoire ouvre des voies d’améliorations que l’on peut donner comme suit :
- Application de cette technique au diagnostic d’autres types de défauts : défauts des convertisseurs statiques, défauts de désaimantation des aimants permanents, défauts d’excentricité, défaut de roulement…etc
- Couplage de l’apprentissage du réseau de neurone à la logique floue, en particulier Adaptative-Network-based Fuzzy Inference Système (ANFIS), pour l’étude et le diagnostic des défauts déjà cités en haut.