Détection de défauts et diagnostic
L’objectif de la maintenance préventive est de déterminer l’ensemble des actions à exercer sur le procédé afin de ne pas subir l’effet d’une défaillance. On peut à cet effet distinguer deux approches possibles : la maintenance préventive systématique et la maintenance préventive conditionnelle. Dans le premier cas, les activités de maintenance sont planifiées et ont lieu selon un échéancier basé sur le temps ou l’unité d’usage. Lors de ces interventions, les éléments sont remplacés même s’ils ne sont pas défaillants. Dans le deuxième cas, les activités de maintenance sont déclenchées en fonction d’informations reflétant l’état de dégradation de l’équipement considéré. Dans ce deuxième cas, les éléments ne sont remplacés que si nécessaire.
On s’intéresse dans la suite à la maintenance conditionnelle, basée sur la surveillance en continu de l’évolution du système considéré. Ce type d’approche nécessite la conception d’un système de diagnostic permettant la détection précoce de déviations faibles par rapport à une caractérisation du système en fonctionnement nominal, afin de prévenir un dysfonctionnement avant qu’il n’arrive. Lorsqu’il est appliqué à des systèmes industriels, une des difficultés du diagnostic réside dans la grande variété de défauts possibles, tant du point de vue de leur source que de leur amplitude et de leur fréquence.
Classification des méthodes de diagnostic
Les premières méthodes de diagnostic furent basées sur la redondance de matériels jugés critiques pour le fonctionnement du système. La redondance matérielle est très répandue dans les domaines où la sûreté de fonctionnement est cruciale pour la sécurité des personnes et de l’environnement, comme dans l’aéronautique ou le nucléaire. Les principaux inconvénients de la redondance matérielle sont liés aux coûts dus à la multiplication des éléments ainsi que l’encombrement et aux poids supplémentaires qu’elle génère.
Les spectaculaires progrès réalisés dans le domaine des calculateurs numériques combinés à une baisse des coûts permettent aujourd’hui la mise en œuvre, dans le milieu industriel, des méthodes modernes de l’automatique et de l’intelligence artificielle. Cette nouvelle approche permet d’éliminer en partie, voire même en totalité, la redondance matérielle pour le diagnostic des systèmes industriels. On peut globalement distinguer deux grandes familles dans les méthodes de diagnostic: Les méthodes basées sur une modélisation des systèmes ou des signaux, que nous dénommerons « diagnostic quantitatif ». Les méthodes basées sur l’intelligence artificielle que nous appellerons « diagnostic qualitatif ». Le fait de distinguer ce qui est de l’ordre du quantitatif et du qualitatif, ne doit pas laisser penser que ces deux aspects sont disjoints. En réalité, ces deux types d’approche coexistent souvent au sein d’un même système de diagnostic. L’utilisation conjointe de méthodes quantitatives et qualitatives permet l’exploitation de l’ensemble des connaissances disponibles concernant le fonctionnement du système.
Méthodes de classification
Différentes approches pour la classification non supervisée « clustering » de données peuvent être décrites avec l’aide de la structure hiérarchisée . Sur ce graphe, il y a distinction entre les approches par hiérarchisation et par partitionnement. Les méthodes par hiérarchisation produisent une série de partitions liées, alors que les méthodes de partitionnement n’en produisent qu’une seule. Algorithmes par hiérarchisation : L’algorithme par hiérarchisation crée une décomposition de données (ou d’éléments) en utilisant un critère. Un algorithme par hiérarchisation produit un dendrogramme qui représente le regroupement des éléments et les niveaux de similarité, permettant de faire figurer les changements de regroupement. Le dendrogramme qui correspond aux sept éléments , obtenu à partir de l’algorithme single-link . Le dendrogramme est divisé en deux niveaux différents pour produire plusieurs classes de données.Les autres algorithmes de classification similaires à celui développé par [Sneath et al., 1973] sont : l’algorithme complete-link par [King, 1967], et le minimum de variance [Ward, 1963 ;Murtagh, 1984]. Les deux algorithmes les plus populaires sont le single-link et le complete link. Ces deux algorithmes se différencient dans la façon de caractériser la similarité entre une paire de classes. Dans la méthode single-link, la distance entre deux classes est le minimum des distances entre toutes les paires d’éléments appartenant à chaque classe (un élément dans la première classe, l’autre dans la seconde). Dans l’algorithme complete-link, la distance entre deux classes est le maximum des distances entre toutes les paires d’éléments sur les deux classes.
Algorithmes par partitionnement : Un algorithme de classification par partitionnement obtient une unique partition des données au lieu d’une structure hiérarchisée comme dans le cas précédent. Les méthodes de partitionnement ont l’avantage de manipuler une grande quantité d’ensembles de données, pour lesquelles, la construction d’un graphe hiérarchisé permettant de tout couvrir serait difficile. Un des problèmes relatifs aux algorithmes de partitionnement est le choix du nombre de classes désirées en sortie. Dans [Dubes, 1987] un guide pour choisir ce paramètre clé pour la conception est donné. Cette technique produite des classes en optimisant une fonction critère définie soit localement (sur un sous-ensemble d’éléments) soit globalement (définie sur l’ensemble des éléments). L’algorithme est réitéré de multiple fois avec différents nombres de classes de sortie, et la meilleure configuration obtenue est utilisée pour le choix de la classe de sortie.
La méthode LAMDA
LAMDA (en anglais : « Learning Algorithm for Multivariate Data Analysis « ) [J. Aguilar Martin, 1980; Koodmen, 1989] est une technique de classification qui a été développé au Laboratoire d’Analyse et Architecture des Systèmes (LAAS). C’est un Algorithme d’Analyse de Données Multidimensionnelles par Apprentissage et Reconnaissance de Formes. La formation et lareconnaissance de classes dans cette méthode sont basées sur l’attribution d’un élément à une classe à partir de la règle heuristique appelée adéquation maximale. Cette règle d’adéquation a été proposée par Aguilar-Martin [J. Aguilar-Martin, 1980]. Chaque élément est représenté par des descripteurs. Le degré d’adéquation maximale d’un élément à une classe est déterminé à partir des degrés d’adéquation marginale de chaque descripteur dans les différentes classes.
LAMDA a été utilisé en reconnaissance de forme, en analyse biomédicale [Chan et al., 1989], pour l’étude des processus de dépollution des eaux usées et pour les bio-procédés. LAMDA est une technique de classification multi-source qui utilise des sous-ensembles flous et dont la démarche pour classer les éléments est la suivante : Calcul du degré d’appartenance marginale pour chaque descripteur par l’utilisation d’une fonction d’appartenance. Ce degré est appelé Degré d’Adéquation Marginale (MAD). Calcul d’un degré d’appartenance globale par l’utilisation d’un opérateur d’agrégation de l’information. Ce degré est appelé Degré d’Adéquation Globale (GAD). Évaluation du GAD pour savoir s’il faut créer une nouvelle classe Si c’est le cas, création d’une nouvelle classe et nouvelle évaluation des MAD et du GAD pour tous les points traités préalablement. Sinon assignation de l’élément traité dans la classe ayant le plus grand GAD.
Concepts et caractéristiques du simulateur HYSYS
Concepts de base du simulateur HYSYS : HYSYS est un simulateur de conception orientée-objets. Tout changement spécifié sur un élément est répercuté dans tout le modèle.
Dans ce qui suit, on définit les principaux concepts de base et vocabulaires associés, qui sont utilisés pendant les étapes de construction d’un modèle dans le simulateur HYSYS : « Flowsheet »: c’est un ensemble d’objets « Flowsheet Elements » (courants de matière, d’énergie, d’opérations unitaires, de variables opératoires) qui constituent tout ou une partie du procédé simulé et qui utilisent la même base de données thermodynamique « Fluid Package ». Ce simulateur possède une Architecture Multi Flowsheet : il n’y a pas de limite par rapport au nombre de Flowsheets. On peut préalablement construire des Flowsheets pour les utiliser dans une autre simulation, ou organiser la description de procédés complexes en le scindant en sous-Flowsheets qui sont des modèles plus concis (ceci permet de hiérarchiser un processus très complexe). Il possède un certain nombre d’entités particulières : un « Process Flow Diagram » (PFD), un « Workbook ».
« Fluid Package » : il permet de définir les composants chimiques présents dans le procédé simulé et leurs affecte les propriétés chimiques et physiques contenues dans la base de données des corps purs. Il permet aussi de définir les modèles thermodynamiques qui seront utilisés pour le calcul des propriétés des mélanges et de définir les cinétiques des réactions chimiques mises en jeu dans le procédé.
« Process Flow Diagram » : ce diagramme permet de visualiser les courants et les opérations unitaires, représentées par des symboles dans le « Flowsheet », ainsi que la connectivité entre les courants, les opérations unitaires et les tableaux des propriétés des courants.
« Workbook » : il permet d’avoir accès à l’information sur les courants et les opérations unitaires sous forme de tableau de données.
« Desktop »: c’est l’espace principal de HYSYS pour visualiser les fenêtres lors de la conception. «Property view» : il contient l’information décrivant un objet (opération ou courant) « Simulation Case » (fichier de simulation) : c’est l’ensemble des « Fluid Packages », « Flowsheets » et «Flowsheet Elements» qui constituent le modèle.
Table des matières
Introduction Générale
1. Diagnostic de procédés chimiques
1.1 Introduction
1.2 Détection de défauts et diagnostic
1.3 Classification des méthodes de diagnostic
1.3.1 Diagnostic Quantitatif
1.3.2 Diagnostic Qualitatif
1.4 Méthodes de classification
1.4.1 Algorithmes par hiérarchisation
1.4.2 Algorithmes par partitionnement
1.4.3 Algorithmes issus de la théorie des graphes
1.4.4 Algorithme de résolution mixte « Mixture-Resolving »
1.4.5 Classification par le plus proche voisin
1.4.6 Classification Floue
1.5 La méthode LAMDA
1.5.1 Les caractéristiques de LAMDA
1.5.2 Description de la méthodologie LAMDA
1.5.3 Les Concepts de LAMDA
1.5.4 L’algorithme de la classification
1.5.5 L’outil SALSA
1.6 Conclusions
2. Modélisation et simulation de procédés chimiques
2.1 Introduction
2.2 Concepts et caractéristiques du simulateur HYSYS
2.2.1 Concepts de base du simulateur HYSYS
2.2.2 Caractéristiques principales de HYSYS
2.3 Programmation de HYSYS
2.4 Modèle de l’unité de production du propylène glycol
2.5 Le nouveau réacteur OPR (Open Plate Reactor)
2.6 Conclusions
3. Développement de la méthodologie d’aide au placement de capteurs en vue du
diagnostic
3.1 Introduction
3.2 Méthodes de sélection de capteurs
3.3 Méthodes de sélection à partir du résultat de la classification de données
3.3.1 L’Entropie
3.3.2 Le gain de l’information
3.3.3 Critères de sélection des capteurs
3.4 Description de la méthodologie d’aide au placement de capteurs en vue du diagnostic
3.4.1 Paramètres du classificateur
3.4.2 Placement de capteurs
3.4.3 Modèle de comportement
3.4.4 Diagnostic en ligne
3.5 Conclusions
4. Placement de capteurs et diagnostic de procédés chimiques
4.1 Introduction
4.2 Application de la méthodologie à partir de l’utilisation du simulateur industriel HYSYS
4.2.1 Détection des défauts en utilisant tous les descripteurs : application au modèle de production de propylène glycol
4.2.2 Sélection des capteurs : application au modèle de la production de propylène glycol
4.2.3 Obtention du modèle du comportement
4.2.4 Reconnaissances de défauts inconnus
4.2.5 Utilisation des autres critères
4.3 Application de la méthodologie sur le nouveau procédé OPR
4.3.1 Réaction d’estérification
4.3.1.1 Sélection des descripteurs : Application à la réaction d’estérification
4.3.1.2 Conception du modèle de comportement pour la réaction d’estérification
4.3.1.3 Reconnaissances de défauts inconnus : Application à la réaction d’estérification
4.3.2 Réaction du thiosulfate
4.3.2.1 Sélection des descripteurs : Application à la réaction du thiosulfate mise en œuvre dans le
réacteur « Open Plate Reactor »
4.3.2.2 Conception du modèle de comportement : Application à la réaction du thiosulfate mise en œuvre
dans le réacteur « Open Plate Reactor »
4.3.2.3 Reconnaissances de défauts inconnus : Application à la réaction du thiosulfate
4.4 Conclusions
5. Conclusions et perspectives
Références
Annexes
A. Exemple de calcul de la méthode LAMDA
B. programmation sous HYSYS
C. Propriétés de l’Entropie
D. Défauts Simultanés