Stratégie SVR/SVM proposée pour le diagnostic du procédé WWTP

II.4.1. Schéma SVR/SVM proposé

Dans cette stratégie, la méthode SVR est utilisée pour la modélisation du procédé WWTP due à sa solide base théorique et ses nombreux avantages tels que sa robustesse face aux incertitudes (aspect de généralisation face à de nouvelles données et nouveaux modes de fonctionnement), sa tolérance au bruit, le traitement des valeurs aberrantes et la capacité à capter la non linéarité du système. En deuxième temps, la méthode SVM est utilisée pour la détection et l’isolation de défauts.

L’implémentation de la méthode de diagnostic peut être divisée en deux parties : utilisation de SVR pour la modélisation de certains variables du système et ensuite utilisation de SVM pour le diagnostic (détection et isolation) de défaut en utilisant les résultats de prédiction obtenus par SVR. Ces deux étapes sont précédées par une étape de prétraitement des données et suivies d’une étape de validation.

• Acquisition et raffinage des données

1. Génération des séquences de variables d’entrées aléatoires sans défauts pour SVR, et sans et avec défaut pour SVM.

2. Recueil des données entrées/sorties (X=[U Y]). 3. Filtrage et normalisation des données.

4. Définition des groupes des données d’apprentissage et de validation.

• Construction des modèles de prédiction SVR pour quelques variables clés (des variables clés dont l’estimation est supposée nécessaire dans le diagnostic de défauts).

1. Choix des variables/caractéristiques pertinentes (régresseurs x). La sélection de variables d’entrée permet de choisir les meilleures variables explicatives, et d’étudier l’intercorrélation entre une variable à prédire (de sortie) et une variable prédicateur ou régresseur permettant ainsi de déterminer s’il ya une dépendance entre ces variables. Dans le cas de liaison positif, elle permet de calculer la valeur du retard temporel.

93

3. Evaluation du modèle (ajustement + analyse des résidus et incertitudes, par exemple par la matrice de la covariance).

• Réalisation de modèles de décision SVM pour chaque défaut

1. Détermination des caractéristiques descriptives du défaut (choix du vecteur x pour SVM classification). Elles peuvent contenir des estimations obtenues par SVR. 2. Réglage des paramètres du modèle SVM (noyau, C, V)

3. Validation du modèle SVM. • Mise en œuvre en ligne de la stratégie.

Soit Nc le nombre de capteurs, et Na le nombre d’actionneurs dans le système en question, Nd le nombre de défauts étudiés, et Em les entrées choisies comme prédicteurs ou régresseurs utilisés par l’algorithme SVR pour construire le capteur logiciel (modèle de prédiction). La Figure II.4 montre la stratégie de SVR suivie par SVM pour le diagnostic de défauts.

94

L’idée dans cette stratégie est donc de créer des caractéristiques, observations spécifiques ou signaux symptômes du défaut, et ne pas se contenter des entrées/sorties disponibles. Une de ces caractéristiques les plus importantes est le résidu qui est la différence entre un signal mesuré et celui estimé. Par la suite, les caractéristiques sont utilisées comme entrées de SVM classification afin de construire une fonction de décision claire et précise permettant de spécifier ou de prédire la nature de la nouvelle observation. Le fait d’utiliser la même théorie pour la modélisation et le diagnostic est un des points forts de notre stratégie. Le développement d’un estimateur pour prédire les valeurs de différentes variables de sortie Y par SVR est simple et rapide en termes de temps de calcul en ligne puisque il utilise un nombre réduit de données qui sont les supports. Malgré les avantages du SVR, et sa robustesse face aux variations des paramètres et la propriété de flexibilité, l’utilisation des SVR dans la communauté des automaticiens reste en grande partie peu explorée, c'est pour cela, cette thèse apportera à mon avis un plus à la communauté des automaticiens.

II.4.2. Récapitulatif des variables d’état/ d’entrée/ et de sortie

Les variables d’état sont les différentes concentrations dans les 5 cuves (13 états par cuve) plus la concentration totale des boues dans les 10 couches du clarificateur (Xm, m=1:10) :

>

@

C^T _{I S I S BH BA P O NO NH ND ND ALK} 

Les entrées U ou variables manipulées (ou commande) du système sont : Kla5 : le coefficient de transfert d’oxygène pour la 5^ème cuve

Sno2 : azote sous forme de nitrates-nitrites dans la 2^ème cuve. L’entrée de perturbation est l’influent

Les sorties mesurées (Y) du système considérées dans ce travail sont : Qin, SNH,in, CODin, TKNin, TSS2, COD2, BOD2, Kla5, Sno2, Qintr, So5, Snhe, Snoe, TSS4, TSS5, Snhe, TSSu, CODu

Les sorties régulées sont : y1=Sno2 et y2=So5

95

II.4.3. Les variables à superviser

Plusieurs variables doivent être supervisées dans les procédés de traitement des eaux usées afin de s’assurer du bon fonctionnement et de la sécurité des procédés de traitement des eaux et rendre ainsi une eau propre en sortie (ex. l’activité des microorganismes, la température et l’influent). Toute erreur dans les capteurs de mesures ou les actionneurs doit également être détectée rapidement afin d’éviter la propagation d’erreurs et la détérioration de matériels et la diminution de la qualité du rendement.

On peut dénombrer les défauts qui peuvent avoir lieu dans ce procédé (ou les paramètres à superviser) comme suit :

1. La concentration d’oxygène : L’oxygène représente une condition fondamentale de la vie des microorganismes afin de permettre de maintenir une concentration élevée de la biomasse dans le réacteur biologique. Cela n’est pas toujours facile puisque ce système subit constamment des perturbations d’entrée variables qui peuvent empoisonner les microorganismes quand l’eau contient certains métaux. La provision d’oxygène se fait par aération des bassins. Le maintien d'une aération adéquate permet d’améliorer l’activité biologique en encourageant le contact entre les microorganismes et la matière organique, ce qui permet d’optimiser la consommation d'énergie (Jianxu, 2011). Dans ce travail, on a choisi de superviser la concentration d’oxygène dissous dans le 5^ème compartiment car c'est une variable importante dans le bon fonctionnement du procédé WWTP.

2. Le coefficient du transfert d’oxygène Kla5 : des défauts peuvent surgir dans cet actionneur qui permet de contrôler la concentration SO5 de l’oxygène dissous dans le 5^ème compartiment à la valeur désirée de 2 g.m^-3. Le suivi de ce coefficient est donc aussi important que les concentrations d’oxygène dissous.

3. La concentration d’azote sous forme de nitrites et de nitrates Sno2 : ce capteur qui nous informe sur le bon déroulement de l’opération de dénitrification (dégradation de l’azote) peut être affecté par un dysfonctionnement.

4. Le Débit de recyclage interne Qa : important pour la suppression des polluants azotés

par la régulation de Sno2 à 1g.m^-3, cet actionneur aussi peut subir des pannes.

5. Choc de toxicité : ce défaut est dû à la présence de matières toxiques dans l’eau comme les pesticides, ce qui va influencer négativement la croissance des organismes hétérotrophies (

P

96

6. Inhibition : ce défaut est plus violent que le premier, produit par les déchets hospitaliers ou métallurgiques. Il va non seulement réduire la croissance des organismes hétérotrophies (

P

la nitrification et toxicité sont causées par les mêmes composés (l'inhibition produit des effets à des concentrations faibles tandis que la toxicité se produit à des concentrations plus élevées).

7. Gonflement ou prise de masse des boues (bulking en anglais) : ce phénomène est dû à la croissance de microorganismes filamenteux dans les boues activées, ce qui provoque l'impossibilité de décantation dans le décanteur. Il coïncide avec les périodes d'été : haute température et faible débit à 266 j et 567 j. Cet évènement est représenté dans le modèle par les paramètres de décantation de la fonction double-exponentielle et plus précisément la vitesse de sédimentation de 250 à 200 m.d^-1.

Les défauts procédé (choc de toxicité, inhibition, gonflement de la masse des boues) ne sont pas considérés dans ce travail, néanmoins il est envisagé de les traités dans un futur proche.

D’autres capteurs à savoir TSSe et CODe sont d’une importance capitale puisqu'ils permettent de caractériser les performances de traitement de l’eau de ce système.

En fonction de cette analyse, les défauts considérés (à superviser) dans cette thèse sont les défauts de capteurs de mesures de :

1. TSSe : les matières en suspensions de l'effluent en sortie

2. Sno2 : la concentration de l'azote sous forme de nitrites-nitrates dans le 2^ème compartiment. 3. So5 : la concentration d’oxygène dissous dans le 2^ème compartiment

On considérera des défauts de type : offset, dérive, défaut fixe (blocage de mesure) et arrêt

complet pour ces différents capteurs.

Ainsi que des défauts d’actionneurs

4. Qa ou Qintr : débit de recyclage interne

5. Kla5 : le coefficient du transfert d’oxygène Kla5 dans le 5^ème compartiment

Avec les types de défauts suivants : offset, retard, blocage de l’actionneur et arrêt ou

fermeture complète.

97

En fonction de ces défauts, nous avons choisi d’estimer (modéliser) les variables suivantes qui sont susceptibles d’apporter plus d’information concernant certains défauts :

Sno2, Sno5, CODeff et TSSe.