CHAPITRE II : Système de traitement des eaux usées
II.3. Revue des méthodes de diagnostic du procédé WWTP
Afin d'augmenter la robustesse et la sensibilité de la surveillance du procédé WWTP, il faut un système de diagnostic précis, puissant et efficace qui permet la détection rapide des défauts. Le bloc de diagnostic de défaut (FDI en anglais) et le bloc de la commande doivent être conçus de façon à réduire la vulnérabilité face aux défauts, éliminer les fausses alarmes, diminuer les coûts, économiser l’énergie et la consommation de produits chimiques, améliorer l’élimination des nutriments et de la pollution en général et améliorer la sécurité et protéger les écosystèmes aquatiques, l’environnement et les eaux.
L’immersion de grandes quantités de données obtenues par la modernisation des systèmes et l’apparition de nouveaux capteurs facilitent la tâche de la surveillance du procédé WWTP. Les données accueillies à partir du procédé sont cependant de nature non linéaires, non stationnaires, souvent corrélées et bruitées, et multi échelles dues aux variations journalières, hebdomadaires et saisonnières. Ceci rend la tâche de diagnostic de défaut plus difficile.
Différentes méthodes ont été appliquées pour le diagnostic de défaut dans le procédé WWTP. Notre revue bibliographique ne considérera que les méthodes basées sur les données qui représentent le sujet de cette thèse, sachant qu’un nombre important de travaux concerne les
88
méthodes basées sur les modèles (ex. l'estimation de paramètres (Fuente et al., 1996), les observateurs adaptatifs (Fragkoulis et al., 2011)).
Parmi les outils basés sur les données qui ont été utilisés dans le traitement des eaux usées, nous pouvons citer les réseaux de neurones (Lee et al., 2008), (Caccavale et al., 2010)) le réseau
Bayésien ((Chong and Walley, 1996), les modèles Bonds graphs (Zhang and Hoo, 2011) et les
méthodes statistiques (ex. ACP (PCA en anglais), PLS et SVM).
La construction de modèles de prédiction de certaines variables du procédé WWTP comme les concentrations de l’effluent (CODeff, BODeff, TSS,TKN ,…) est intéressant pour surveiller le comportement du procédé WWTP. Cette estimation peut se faire par l’utilisation soit d’un Réseau de Neurones Artificiel (ANN en anglais) ((Ráduly et al., 2007), (Mjalli et al., 2007)) ou par l’application de méthodes de régression telles que l’Analyse Factorielle Parallèle et la Projection en Structures Latentes non linéaire (Singh et al., 2009). Dans cette thèse on s’intéresse aussi à la construction de modèle de prédiction par SVR.
II.3.1. ACP (PCA en anglais) et d’autres méthodes statistiques
Différentes méthodes statistiques ont été appliquées dans le diagnostic de défaut dans le procédé WWTP. Parmi ces approches on peut citer :
- Analyse en composantes principales « Principal Components Analysis (PCA) en anglais» appliqué à l'analyse d'un procédé WWTP dans (Yoo et al., 2008), (Yoo, Villez, et al., 2006), (Tomita et al., 2002).
- Analyse en composantes principales dynamique « Dynamic principal components analysis (DPCA) en anglais », appliquée au diagnostic de défaut dans un procédé WWTP comme (Lee, Choi, et al., 2004), (Yoo et al., 2002).
- Analyse en composantes principales dynamique à noyau « Dynamic Kernel Principal Components Analysis (DKPCA) en anglais» appliquée à la surveillance et à la détection de défauts dans un procédé WWTP (Choi and Lee, 2004).
- Analyse en Composantes Indépendantes (ACI) « Independent Component Analysis (ICA) en anglais » appliquée à la surveillance d'un procédé WWTP (Lee, Yoo, et al., 2004). - Analyse en Composantes Indépendantes Dynamique (ACID) « Dynamic Independent
Component Analysis (DICA) en anglais » (Stefatos and Ben Hamza, 2010).
- Analyse en Composantes Indépendantes à noyau « Kernel Independent Component Analysis (KICA) en anglais » (Wang and Shi, 2010).
89
- Analyse en Composantes Indépendantes modifiée (ACIM) « Modified Independent Component Analysis (MICA) en anglais » appliqué pour la détection, l’isolation, et la surveillance du procédé WWTP (Lee, Qin, et al., 2006)
- Analyse canonique (AC) « canonical variate analysis (CVA) en anglais » (Juricek et al., 2004), (Russell et al., 2000).
- Analyse Discriminante de Fisher à noyau (ADFN) « Kernel Fisher's Discriminant Analysis (KFDA) en anglais» utilisée pour déterminer les variables qui permettent une discrimination entre deux ou plusieurs groupes naturels (Li and Cui, 2009).
- Analyse Factorielle des Correspondances (AFC) « Correspondence Analysis (CA) en anglais » (Pusha et al., 2009), (Detroja et al., 2007).
Ces approches multivariables ont été appliquées sur différentes systèmes, mais leur principe se ressemble puisqu'il se base sur:
1. Construire un modèle sans défaut dans les conditions normales de fonctionnement 2. Choix d’une métrique et d’un seuil
3. Projeter une donnée de test sur ce modèle, le calcul de la distance métrique et convenablement la classer comme une donnée normale ou défectueuse
4. Dans le cas d'un défaut, l'identification des variables qui sont associées au défaut en utilisant des mesures de contribution
D’autres variétés ont aussi été utilisées pour ce système telles que l’ICA multidimensionnelle "multi-way en anglais" (Yoo, Vanrolleghem, et al., 2006), une méthode combinant la déformation temporelle dynamique "Dynamic Time Warping (DTW) en anglais" avec l'analyse discriminante (Jun, 2011).
Une évolution intéressante des méthodes statistiques concerne l’utilisation de noyaux non
linéaires. En effet, les méthodes classiques statistiques multivariables comme l’ACP et l’ACI
peuvent rencontrer des difficultés lors de la manipulation des données réelles dynamiques à cause des changements saisonniers comme dans le cas WWTP et des non linéarités. Des études comparatives ont montré que l’utilisation d’un modèle non linéaire avec un noyau gaussien rend de meilleurs résultats par rapport à l’ACI dans le diagnostic de défaut d'un procédé WWTP (Yu, 2012). D’autres limitations de la méthode ACP sont liées au fait qu’elle ne permet pas d'analyser des procédés qui admettent des variations sur plusieurs échelles de temps. Dans ce cas, l’utilisation de l'approche ACP multi-échelles, qui utilise la transformée d’ondelettes (par
90
exemple) peut être utile pour la surveillance du procédé de traitement des eaux (Rosen and Lennox, 2001). La transformée d’ondelettes est souvent utilisée comme étape de prétraitement des signaux afin de déterminer les caractéristiques et les singularités de transitions (Zhang and Hoo, 2011), (Saravanan et al., 2008), (Abbasion et al., 2007), (Ruiz et al., 2000). Cette méthode permet de décomposer le signal en plusieurs échelles de temps, ce qui aide à analyser le signal localement et ainsi faire face aux perturbations. Ceci est réalisé en multipliant le signal original par les ondelettes de différentes tailles et à différents intervalles de temps, une autre difficulté surgie lors de l’utilisation de l’ACP est liée au non stationnarité du procédé. Cette difficulté peut être surmontée en utilisant l'ACP adaptative qui met à jour les propriétés statistiques (variance, moyenne, covariance..) du modèle ACP initial. Cette approche est appliquée à la surveillance du procédé WWTP dans (Rosen and Lennox, 2001). On note que la transformée de Fourier est incapable de traiter de façon globale les signaux non-stationnaires et perd aussi le comportement temporel du signal. Enfin, la méthode ACI est utilisée pour la transformation d'espace dans l’objectif de projeter les données dans un espace de caractéristique de faible dimension construit par des variables latentes qui sont à la fois non gaussiennes et aussi indépendantes statistiquement entre elles (Zhang, 2008).
II.3.2. La Projection aux Structures Latentes ( PLS )
L'approche PLS « Partial Least Square » est très utilisée en traitement des eaux pour construire des modèles pour le suivi de plusieurs paramètres de rejet tels que COD, BOD et TSS (ex. procédé de traitement d’un parc de carburant, Lourenço et al., 2008). Elle a été utilisée pour quantifier les incertitudes des capteurs (Rieger et al. 2005). Elle a également été utilisée afin de construire un modèle non paramétrique en utilisant un réseau neuronal combiné avec un modèle mécanistique dans une configuration parallèle qui a été appliquée pour la détection et l'isolation de défauts dans un procédé WWTP (Lee, Vanrolleghem, et al., 2005). Afin de surmonter les difficultés liées à la rigidité des modèles statistiques et au manque de souplesse face aux changements du procédé, une PLS adaptative robuste a été développée pour la prédiction et la surveillance du procédé WWTP (Lee et al., 2007). Afin de prendre en compte les nonlinéarités et les dynamiques du procédé, une approche hybride (NDPLS) combinant PLS nonlinéaire, réalisée par réseaux de neurone NN avec une méthode de modélisation dynamique (réponse impulsionnelle finie (RIF)), a été proposée pour la prédiction de variables dans un procédé WWTP (Lee, Lee, et al., 2006b). La réduction de la complexité de l’analyse du procédé WWTP et la décentralisation de la surveillance et du diagnostic de défaut d’une manière hiérarchique
91
peuvent être faites par PLS multi-blocs qui a été utilisée pour l’estimation du COD en utilisant les cartes de contrôle Q et T2 pour détecter les défauts (Choi and Lee, 2005).
II.3.3. SVM
Les approches de base de SVM sont la classification (SVM) et la régression (SVR). L’approche SVR est appliquée pour la modélisation (prédiction, estimation ou identification) alors que l’approche SVM est appliquée pour le diagnostic de défauts. On cite par exemple l’utilisation de SVR pour la prédiction du coefficient global de transfert d’oxygène (Deswal, 2011) et l’estimation en ligne de la concentration de la biomasse dans un procédé de fermentation (Wang,Yu et al., 2006). Un modèle SVR a également été développé pour estimer la qualité de l’eau à travers la prédiction des concentrations COD, NH4+ , TN et TP de l’effluent (Fang et al., 2011).
Une variante de SVM appelée SVM à moindres carrés (Least square SVM en anglais, aussi LSSVR) a été utilisée afin de prédire le taux d’entraînement d’air dans les bassins (Baylar et al., 2009). Cette approche diffère un peu dans la formulation de l’approche SVM classique dans les considérations faites sur les contraintes choisies (Des contraintes de type égalité sont choisies pour résoudre des équations linéaires au lieu des contraintes d’inégalité qui génèrent un problème de programmation quadratique). Cette même approche LSSVM a été appliquée avec succès dans un procédé de traitement des eaux usées pour l’estimation de la concentration du nitrite-nitrate dans l’effluent (SNO) (Yang, 2006, Yang, 2005). Dans ces travaux, des connaissances sur le procédé et plus particulièrement sur le processus d’élimination de l’azote ont été utilisées pour choisir les variables d’entrée pour entraîner l’algorithme LSSVR afin d’estimer la concentration SNO de l’effluent. Les variables choisies ont été COD, TSS, TKN, TN de l’influent, Kla5 et Sno2.
La première approche proposée par l’auteur de cette thèse appliquée au procédé de traitement des eaux est basée uniquement sur SVM classification (Laouti et al., 2011b). Cependant, cette étude n’était pas très poussée puisqu'elle demande un effort assez conséquent pour le réglage des paramètres d’apprentissage
CetV
sans garantir l’annulation des fausses alarmes, en plus elle été appliqué sur une variante simpliste du modèle ASM1. Afin d’améliorer ce résultat une deuxième approche originale est proposée qui va être détaillée par la suite de ce chapitre.92