Cours MK

UNIVERSITÉ 20 AOÛT 1955-S KIKDA
FACULTÉ DE TECHNOLOGIE
D ÉPARTEMENT : P ÉTROCHIMIE ET G ÉNIE DES P ROCÉDÉS

AU : 2018/2019
N OTES DE C OURS
Diagnostic
Ce cours est préparé par: Dr.M ENIGHED K AMEL

et est destiné aux étudiants de Master 2-Automatisation en Industries Pétrochimiques.
Première version: Février 2018

révision. 4, Janvier 2019
Nota bene : Ce cours est à usage personnel. Il est strictement interdit de le reproduire ou de le publier sans mon
autorisation.
Table des matières
Notations vii
1 Généralités et définitions 1
1.1 Automatisation intégrée . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Automatisation et diagnostic . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3 Définitions du Diagnostic . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3.1 Contexte médical . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3.2 Contexte d’automatique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.4 Objectif de diagnostic . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.5 Du principe de cohérence au problème des connaissances . . . . . . . . . . . . . . . . . . 4
1.6 Terminologies et définitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.7 Les différentes étapes du diagnostic d’un système . . . . . . . . . . . . . . . . . . . . . . 6
2 Les méthodes de diagnostic 9

2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.2 Classification des méthodes de diagnostic . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.2.1 Les méthodes à base des données . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.2.2 Les méthodes à base de modèle . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.3 Les méthodes qualitatives : (connaissance heuristique) . . . . . . . . . . . . . . . . . . . 10
2.4 Les méthodes quantitatives : (connaissance analytique) . . . . . . . . . . . . . . . . . . . 10
2.5 Principe de diagnostic de défaut . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.5.1 Redondance matérielle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.5.2 Redondance analytique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.5.3 Diagnostic de défauts à base du modèle . . . . . . . . . . . . . . . . . . . . . . . 14
2.6 Principe du diagnostic quantitatif . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.6.1 Le modèle utilisé pour la synthèse d’un générateur de résidus . . . . . . . . . . . 15
2.6.2 Génération de résidus . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.6.3 Détection et localisation des défauts . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.7 Génération de résidus . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.8 Evaluation des résidus . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
Cours: "Diagnostic des systèmes linéaires" Dr. Menighed Kamel

Page ii/ 56 TABLE DES MATIÈRES
3 Génération de résidu à base d’observateurs d’état 21
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
3.2 Principe de génération de résidus à base d’observateurs . . . . . . . . . . . . . . . . . . . 21
3.3 Structure d’un observateur proportionnel . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
3.4 Erreur d’estimation d’état . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.5 Erreur d’estimation de sortie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.6 Influence d’un bruit de mesure . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
3.7 Influence d’un défaut capteur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
3.8 Influence d’un défaut actionneur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
3.9 Observateur à entrées inconnues . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
3.9.1 Principe de la reconstruction d’état . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.9.2 Conditions d’existence de UIO . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
3.9.3 Application au diagnostic . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
3.9.4 Isolation de défauts . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3.9.5 Résidus directionnels . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3.9.6 Résidus structurés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
3.9.7 Conception et structuration des résidus structurés . . . . . . . . . . . . . . . . . . 33
3.10 Critères de performance pour le diagnostic . . . . . . . . . . . . . . . . . . . . . . . . . . 36
4 Génération de résidu par espace de parité 37

4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
4.1.1 Redondance statique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
4.1.2 Redondance dynamique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
4.2 Utilisation du calcul symbolique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
A Synthèse de l’observateur à entrées inconnues 51
B Calcul Matriciel 53
B.1 Three Lemmas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
Bibliographie 55

Table des figures
1.1 Structure hiérarchisée. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1

1.2 Déviation d’une grandeur mesurée par rapport à sa valeur nominale. . . . . . . . . . . . . 2
1.3 Structure générale d’un système de diagnostic. . . . . . . . . . . . . . . . . . . . . . . . . 4
1.4 Principe de cohérence. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.5 Ensemble des connaissances disponibles pour le diagnostic d’un système. . . . . . . . . . 5
1.6 Différents types de défauts agissants sur un système à surveiller. . . . . . . . . . . . . . . 6
1.7 Les différentes étapes de diagnostic. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.1 Schéma de classification des méthodes de diagnostic de défauts basées sur le modèle. . . . 10
2.2 Principe de la méthode quantitative. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.3 Principe de la redondance materielle. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.4 Principe de la redondance analytique. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.5 Architecture générale de la détection de défaut à base de modèle. . . . . . . . . . . . . . . 13
2.6 Principe de la redondance analytique. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.7 Principe de détection et localisation des défauts. . . . . . . . . . . . . . . . . . . . . . . . 14
2.8 Structure générale d’un générateur de résidus. . . . . . . . . . . . . . . . . . . . . . . . . 16
2.9 Comparaison des résidus à un seuil de détection. . . . . . . . . . . . . . . . . . . . . . . . 17
2.10 Table des signatures. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.11 Détection et localisation des défauts. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.12 Génération de résidus structurés. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.1 Schéma de principe général du diagnostic des défauts à base d’observateur. . . . . . . . . 22

3.2 Résidu structurel. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.3 Localisation de défauts actionneurs. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3.4 Localisation de défauts capteurs. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
4.1 Principe de la génération de résidus par espace de parité. . . . . . . . . . . . . . . . . . . 41
A.1 Structure de l’observateur UIO. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51

Liste des tableaux
3.1 Table des signatures : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35

3.2 Table des signatures : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
4.1 Table des signatures des défauts. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45

4.2 Direction du vecteur de parité en fonction des défauts. . . . . . . . . . . . . . . . . . . . . 45
4.3 Table des signatures des défauts. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
4.4 Direction du vecteur de parité en fonction des défauts. . . . . . . . . . . . . . . . . . . . . 46

Notations
Les notations sont, dans la mesure du possible, des notations standards. Elles sont dé-
finies au fur et à mesure de leur utilisation dans le présent document et sont conser-
vées tout au long de celui-ci. Il nous a cependant paru utile de les rassembler ici.
N : Ensemble des nombres naturels.
R : Ensemble des nombres réels.
Z : Ensemble des nombres entiers.
Z : Ensemble des nombres entiers positifs.
R𝑛 : ensemble des vecteurs réels de dimension 𝑛.
𝑛×𝑚
R : Ensemble des matrices réelles de dimension 𝑛 × 𝑚.
𝑀𝑇 : Transposée de la matrice 𝑀 .
𝑀 ≻ : 𝑀 Matrice définie positive.
𝑀 ⪰ : 𝑀 Matrice semi définie positive.
𝑎×𝑏 : Matrice nulle de dimension 𝑎 × 𝑏.
𝑎 : Matrice nulle de dimension 𝑎 × 𝑎.
𝐼𝑎×𝑏 : Matrice identité de dimension 𝑎 × 𝑏.
𝐼𝑎 : Matrice identité de dimension 𝑎 × 𝑎.
𝐼 : Matrice identité de taille appropriée.

‖𝜒‖ ≜ 𝜒𝑇 𝜒.
𝑥 𝑘 : Vecteur du signal échantillonné 𝑥 à l’instant k.
∙ : Valeur estimée de la variable ou du paramètre ∙.
𝛾𝑖 𝑘 : Valeur du facteur de perdre de puissance sur le i-ème actionneur.
∙− : L’inverse généralisée de la matrice ∙.

Chapitre 1
D
Généralités et définitions
HE
Le grave défaut est d’avoir des défauts et
de ne pas s’efforcer de s’en corriger.
Confucius
1.1 Automatisation intégrée

IG
Une structure hiérarchisée de l’automatisation d’un système peut être vue selon le schéma suivant :
EN
M
F IGURE 1.1 – Structure hiérarchisée.
IHM (ou IR ) : Interface Homme Machine ( Interface Relation)

L’automatisation intégrée a pour objectif de concevoir cette structure hiérarchisée afin d’améliorer la fiabi-
lité, la disponibilité et la sûreté de fonctionnement du système.
L’automatisation suppose implicitement une disponibilité idéale de 100%.
temps de bon fonctionnement effectif
Disponibilité
temps de fonctionnement total
L’automatisation a mis en évidence ce problème, car précédemment l’opérateur humain réalisait implicite-
ment un certain nombre d’opérations de maintenance.

Page 2/ 56 C HAPITRE 1 : G ÉNÉRALITÉS ET DÉFINITIONS
La disponibilité est une des composantes de la SDF (Sûreté De Fonctionnement) qui se décline en termes
de :
• Fiabilité : l’aptitude d’un système à accomplir sa mission dans des conditions données d’utilisation ;
• Disponibilité : l’aptitude d’un système à fonctionner lorsqu’on le sollicite ;
• Sûreté : l’aptitude d’un système à respecter l’utilisateur et son environnement.
A l’automatisation, doit donc être associée une stratégie de maintenance qui permet d’assurer un certain
niveau de disponibilité. Il faut :
• soit prévoir le temps de bon fonctionnement moyen (MTBF 1 ) ;
• soit diagnostiquer, puis réparer ou reconfigurer.
Ces approches donnent lieu à différentes stratégies de maintenance :
D
1. la maintenance programmée : maintenance systématique ;
2. la maintenance selon état : entre autre la maintenance intelligente, c’est la prise en compte de l’état
actuel du système.
La force de la maintenance intelligente (dite aussi diagnostic en temps réel) réside dans l’analyse et le
HE
suivi de la santé des équipements aux travers d’un ensemble de données issues des systèmes de surveillance
basés sur la mesure de grandeurs physiques à partir de capteurs dont l’objectif : Analyser en temps réel
l’évolution de l’état actuel du procédé à surveiller.
Dans la suite, on s’intéresse à la maintenance intelligente conditionnelle basée sur la surveillance en continu
de l’évolution du système considéré. Ce type d’approche nécessite la conception d’un système de diagnos-
tic 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 (voir figure 1.2).
IG Grandeur mesurée : y
yn + ∆y
yn
yn - ∆y
yn : valeur nominale de y
t1 t2
EN
Temps
F IGURE 1.2 – Déviation d’une grandeur mesurée par rapport à sa valeur nominale.
1.2 Automatisation et diagnostic

M
Le raisonnement adopté pour l’automatisation repose sur la “validité ”des procédés mis en jeu et des
modèles correspondant aux différents niveaux :
• bon fonctionnement des capteurs et des actionneurs, des chaînes d’acquisition et de mise en forme ;
• bon fonctionnement des dispositifs de commande ;
• justesse des modèles globaux de fonctionnement : pas de variation des paramètres descripteurs des
processus (vieillissement, dérive...) ;
Lorsqu’un défaut affecte un de ces niveaux, il doit être détecté le plus rapidement possible, ensuite il doit
être localisé et identifié si possible w Procédure de diagnostic en temps réel
1.3 Définitions du Diagnostic

Selon, le contexte et le domaine d’application, le mot diagnostic peut avoir plusieurs interprétations.
1. Mean Time Between Failure

1.4 Objectif de diagnostic Page 3/ 56
1.3.1 Contexte médical

Définition 1
Selon le dictionnaire :
Action de déterminer une maladie d’après ses symptômes
1.3.2 Contexte d’automatique
D
Définition 2
Selon les instances nationales et internationales de normalisation (AFNOR, CEI)
HE
Le diagnostic est l’identification de la cause probable de la (ou des) défaillance(s) à l’aide d’un
raisonnement logique fondé sur un ensemble d’informations provenant d’une inspection, d’un contrôle ou
d’un test
De manière générale, lorsqu’on parle de diagnostic des défauts, on se réfère à la procédure de détection
et d’isolation (localisation) de ces derniers, que l’on retrouve souvent sous le nom : en anglais FDI (Fault
Detection and Isolation)
IG
Système de Diagnostic ou de Surveillance 2 ≜ Détection +Isolation (Localisation)
1.4 Objectif de diagnostic

EN
Les grandeurs physiques surveillées peuvent être diverses : un courant électrique, une température, une
pression, un pourcentage de particule dans l’huile, un niveau de vibration et bien d’autres encore. Le suivi
d’une grandeur donnée s’effectue en mesurant sa valeur régulièrement dans le temps. La grandeur surveillée
subit, au cours du fonctionnement de l’installation deux types de variation : des fluctuations autour de sa
valeur nominale qui sont dues aux diverses perturbations agissant sur le système considéré, une dérive
qui peut être due à un phénomène d’usure, un phénomène de dégradation progressive ou à des conditions
d’environnement anormales. Le suivi de cette grandeur permet alors de vérifier qu’elle ne s’écarte pas, de
façon significative, de sa valeur nominale. Dans le cas d’une déviation jugée anormale (étape de détection
M
de défaut), il s’agit de localiser l’origine de cette anomalie (étape de diagnostic du défaut), puis de prendre,
en conséquence, les mesures qui s’imposent pour un retour à la normale du fonctionnement du système
(étape de prise de décision). Ces différentes étapes seront réalisées à l’aide de ce que nous appellerons dans
la suite un système de diagnostic.
Un système de diagnostic doit donc être en mesure de réaliser les trois étapes essentielles suivantes :
la détection d’un défaut, le diagnostic du défaut, la prise de décision pour un retour à la normale. Avant de
poursuivre, il convient de préciser les termes de détection et de diagnostic des défauts. Le diagnostic a pour
objectif de rechercher l’origine d’un défaut constaté. Un défaut correspond à une déviation jugée anormale
d’une grandeur caractéristique du système. Toute méthode de diagnostic repose sur l’analyse d’un certain
nombre d’indicateurs, ou symptômes, permettant de caractériser l’état de fonctionnement (ou de santé) du
système. Le résultat de cette analyse débouche, dans le cadre de la maintenance intelligente sur une prise
de décision destinée à un retour à la normale de l’installation jugée défaillante.
2. Par abus de langage, la Surveillance signifie la Supervision

La mise en œuvre d’une telle approche (voir figure 1.3) nécessite de générer des indicateurs de défauts
ou symptômes, puis à interpréter correctement ces symptômes afin de déterminer l’origine de défaut, c’est
à dire l’élément présentant un fonctionnement anormal et enfin à prendre une décision pour un retour à un
fonctionnement normal de l’installation.
Système de Diagnostic
Interprétation Génération
Prise de
décision des d’indicateurs
symptômes de défauts
D
Acquisition des grandeurs
Défaut
Actions sur le système caractéristiques du système
entrées sorties
Procédé Industriel
HE
F IGURE 1.3 – Structure générale d’un système de diagnostic.
L’élaboration d’une structure telle que celle présentée à la figure 1.3 nécessite l’exploitation de l’en-
semble des connaissances disponibles sur l’installation. Ce dernier point fait l’objet du paragraphe suivant.
L’objectif du diagnostic est donc de constater l’apparition d’un défaut, d’en trou-
IG
ver la cause puis d’en déduire la marche à suivre afin d’assurer la sûreté de fonc-
tionnement de l’installation.
1.5 Du principe de cohérence au problème des connaissances

Le problème qui se repose en diagnostic des procédés industriels est de pouvoir détecter et localiser un
EN
élément défaillant à partir de toute l’information disponible sur le système. Cette étape est particulièrement
importante dans le domaine de la maintenance des systèmes industriels. Il s’agit en effet de décider, en
fonction des défauts constatés, si le système peut poursuivre son fonctionnement jusqu’au prochain arrêt
prévu de l’installation ou s’il faut réaliser un arrêt d’urgence pour assurer la sécurité des personnes et des
biens. La définition 2 (cf. §1.3.2) résume les deux tâches essentielles d’un système de diagnostic qui sont
l’observation des symptômes de la défaillance puis l’identification de la cause de la défaillance à l’aide d’un
raisonnement logique fondé sur des observations.
En dernière analyse, toute procédure de diagnostic consiste finalement à vérifier s’il y a cohérence
M
entre l’ensemble des connaissances, reflétant le fonctionnement nominal du système, et le comportement

effectivement observé sur celui-ci (voir figure 1.4).
Connaissances sur le Observations
comportement du système sur le système
Test de cohérence
Symptômes
F IGURE 1.4 – Principe de cohérence.
En cas d’incohérence, on pourra conclure à l’apparition d’une défaillance dont il s’agira de détermi-
ner l’origine. Ceci soulève bien entendu le problème des connaissances nécessaires à la conception d’un
système de diagnostic.

1.6 Terminologies et définitions Page 5/ 56
L’approche moderne du diagnostic repose sur l’utilisation de modèles quantitatifs et/ou qualitatifs ob-
tenus en exploitant l’ensemble des connaissances disponibles sur l’installation à surveiller (voir figure 1.5).
L’approche quantitative consiste à utiliser un modèle mathématique du système et/ou des signaux, pour réa-
liser la détection et la localisation des défauts. L’approche qualitative repose sur l’utilisation des connais-
sances difficilement modélisables à l’aide des lois de la physique.
Connaissances
quantitatives
Défauts : f(t)
Détection et
Perturb. : d(t)
Localisation
Entrées Sorties Sorties

Système des Défauts
D
Chaine de
Système
mesure
de
u(t) y(t) ym(t)
Diagnostic
Connaissances
qualitatives
HE
Ensemble des connaissances
disponibles sur le système
F IGURE 1.5 – Ensemble des connaissances disponibles pour le diagnostic d’un système.
L’approche quantitative repose sur l’idée que les grandeurs mises en jeu sont mesurables et qu’il existe
une loi mathématique permettant de calculer les unes en fonction des autres. L’approche qualitative repose,
quant à elle, sur l’expérience sensible des indicateurs, elle tente d’imiter les comportements cognitifs hu-
IG
mains, et est de ce fait qualifiée d’intelligence artificielle. Toute la difficulté réside dans une modélisation
et un traitement adéquat des connaissances qualitatives. Les systèmes experts, les systèmes d’inférences
floues (raisonnement par induction déduction), la reconnaissance de formes (raisonnement par analogie)
sont des tentatives de représentation et de traitement des connaissances sensées simuler les processus cog-
nitifs humains.
EN
1.6 Terminologies et définitions

Avant d’aller plus loin, il convient de définir ce qu’est un défaut, une défaillance, une panne, un état de
fonctionnement normal, termes aux quels nous aurons souvent recours dans la suite.
Fonctionnement normal d’un système : un système est dit dans un état de fonctionnement normal
lorsque les variables le caractérisant (variables d’état, variables de sortie, variables d’entrée, paramètres
M
du système) demeurent au voisinage de leurs valeurs nominales. Le système est dit défaillant dans le cas
contraire.
Défaut : le concept de défaut est fondamental dans les opérations de surveillance pour la conduite et la
maintenance des procédés industriels. Un défaut est défini comme une déviation des paramètres du système
par rapport à ses valeurs nominales. En d’autres termes, on appelle défaut, tout écart entre la caractéristique
observée sur le dispositif et la caractéristique théorique. Cet écart est idéalement nul en l’absence de défaut.
Les défauts peuvent apparaître au niveau des capteurs, des actionneurs ou au niveau du procédé lui même,
voir figure 1.6.
Défaillance : une défaillance est l’altération ou la cessation de l’aptitude d’un ensemble à accomplir sa
ou ses fonctions requises avec les performances définies dans les spécifications techniques. Une défaillance
est un dysfonctionnement du système, le processus présente alors un fonctionnement inacceptable du point
de vue des performances. Il est clair qu’une défaillance implique l’apparition d’un défaut puisqu’il existe
un écart entre la caractéristique mesurée et théorique. Par contre, un défaut n’implique pas nécessairement
une défaillance puisque le dispositif peut très bien continuer à assurer sa fonction principale.

F IGURE 1.6 – Différents types de défauts agissants sur un système à surveiller.
Panne : une panne est l’inaptitude d’un dispositif à accomplir une fonction requise. Une panne résulte
D
toujours d’une défaillance et donc d’un défaut : Défaut → Défaillance → Panne.
Dans le cadre de la maintenance préventive conditionnelle, il est clair que le diagnostic doit permettre
de détecter et de localiser un défaut avant que celui-ci ne conduise à une défaillance ou à une panne qui
entraînerait l’arrêt du système.
HE
Détection de défauts : la détection d’un défaut consiste à décider si le système se trouve ou non dans
un état de fonctionnement normal.
Localisation d’un défaut : à l’issue de la détection d’un défaut, il s’agit de déterminer le ou les élé-
ments à l’origine du défaut.
Défaut actionneur : un défaut actionneur représente une perte totale ou partielle d’une action de com-
mande agissant sur le système.
Défaut capteur : un défaut capteur est une altération de l’information de l’état physique du système.
IG
Défaut additif : un défaut est additive si on peut la modéliser comme une déviation inconnue d’un
signal du système.
Défaut multiplicatif : un défaut est multiplicatif si on peut la modéliser comme une déviation (varia-
tion) inconnue d’un paramètre du système.
Diagnostic : le diagnostic consiste à déterminer le type, la taille, le lieu et l’instant d’occurrence d’un
défaut, il suit la détection de défauts et inclut l’isolation et l’identification.
EN
Surveillance : la surveillance est une tâche continue, réalisée en temps réel, qui permet de déterminer
l’état d’un système physique, elle consiste en l’enregistrement des informations ainsi qu’en la reconnais-
sance et l’indication des anomalies du comportement.
Supervision : la supervision est la surveillance d’un système physique et la prise de décisions appro-
priées en vue de maintenir son opération lors de l’apparition de défauts.
Biais : un défaut biais est un écart constant par rapport à la valeur nominale du signal. Il correspond à
une panne brutale (dysfonctionnement total ou partiel d’un élément).
M
Dérive ou graduel : un défaut dérive est une croissance lente et continue d’un signal par rapport à sa
valeur nominale. Il caractérise un encrassement ou une usure d’une pièce.
Résidu : le résidu est un signal conçu pour être un indicateur d’anomalies fonctionnelles ou comporte-
mentales, sensiblement nul en absence de défauts et non nul en leur présence. En d’autres termes, le signal
résidu est un indicateur de présence défauts basé sur la différence entre les mesures ou les observations, qui
sont des informations sur le comportement du système, et les valeurs calculées ou estimées de ces mesures.
1.7 Les différentes étapes du diagnostic d’un système

Le diagnostic d’un système industriel nécessite un certain nombre d’étapes résumées à la figure 1.7.
- Acquisition des données : La procédure de diagnostic nécessite de disposer d’informations sur le
fonctionnement du système à surveiller. Ces informations sont recueillies lors d’une phase d’acquisition de

1.7 Les différentes étapes du diagnostic d’un système Page 7/ 56
Système sous surveillance

Grandeurs
Capteurs
Acquisition des données
Génération
de résidus
Mesures
Observations
Génération d’indicateurs
de défauts
Résidus ou
D
Symptômes
Détection de défauts
Evaluation
Résidus ≠0
des résidus
HE
Localisation des défauts
Elément
défaillant
Prise de décision
Changement de Adaptation des lois Arrêt normal pour Arrêt d’urgence
point de consigne de commande maintenance pour réparation
Actions correctrices
IG F IGURE 1.7 – Les différentes étapes de diagnostic.
données suivie d’une validation. Cette étape implique donc l’utilisation de capteurs permettant de mesurer
les différentes variables du processus. L’instrumentation du système à surveiller n’entraîne pas obligatoi-
rement de coût supplémentaire dans la mesure où celle-ci est de toute façon nécessaire pour réaliser la
EN
commande automatique du processus.
- Etape d’élaboration d’indicateurs de défauts : A partir des mesures réalisées et des observations
issues des opérateurs en charge de l’installation, il s’agit de construire des indicateurs permettant de mettre
en évidence des éventuels défauts pouvant apparaître au sein du système. Dans le domaine du diagnostic,
les indicateurs de défauts sont couramment dénommés les résidus ou symptômes. Un résidu représente un
écart entre les grandeurs estimées et mesurées. De ce point de vue, le terme de résidu est tout à fait justifié
car l’étape d’élaboration d’indicateurs de défauts consiste finalement, quelque soit la méthode employée,
à comparer le comportement réel du système à un comportement de référence. Cet écart de comportement
M
doit donc être idéalement nul en l’absence défaut et différent de zéro dans le cas contraire.
- Etape de détection : Cette étape doit permettre de décider si le système se trouve ou non dans un état
de fonctionnement normal. On pourrait penser qu’il suffit de tester la non nullité des résidus pour décider
de l’apparition d’un défaut. En pratique, le problème n’est pas si simple, car les grandeurs mesurées sont
toujours entachées de bruits. D’autre part, le système surveillé est toujours soumis à des perturbations non
nécessairement mesurables ou mesurées. Le modèle utilisé, qu’il soit quantitatif ou qualitatif, n’est qu’une
représentation toujours imparfaite de la réalité, de sorte que les résidus peuvent être non nuls en absence
de défaut. Par conséquent, cette étape fait le plus souvent appel aux test statistiques ou, de manière plus
simple, est réalisé à l’aide d’un seuillage.
- Etape de localisation : Il s’agit, à partir des résidus détectés non statistiquement nuls, de localiser
le défaut, c’est à dire de déterminer le ou les éléments défaillants. On appelle signature d’un défaut l’effet
de celui-ci sur un ou plusieurs résidus. Si l’on dispose de la connaissance de la signature des défauts, il est
possible, à partir de celui-ci, de remonter des effets (résidus non nuls) aux causes (les éléments défaillants).
Cette étape nécessite donc un modèle des défauts du système permettant la résolution du problème inverse.

Ceci peut être réalisé à l’aide d’un arbre de défaillance, d’un classiffieur construit à l’aide d’un réseau
de neurone, d’un système d’inférences floues, etc. En résumé, quelle que soit la méthode employée, une
procédure de diagnostic comprend deux étapes, une étape de génération de résidus et une étape d’évaluation
des résidus.
- Etape de prise décision : Le fonctionnement incorrect du système étant constaté, il s’agit de décider
de la marche à suivre afin de conserver les performances souhaitées du système sous surveillance. Cette
prise de décision doit permettre de générer, éventuellement sous le contrôle d’un opérateur humain, les
actions correctives nécessaires à un retour à la normale du fonctionnement de l’installation. Ces actions
peuvent être : l’adaptation paramétrique de la loi de commande dans le but de conserver les performances
de l’installation, un changement de point de consigne afin de compenser l’effet d’un défaut, une procédure
D
normale d’arrêt ou encore un arrêt d’urgence en cas de détection d’une anomalie sévère mettant en danger
les personnes ou le matériel, etc.
HE
IG
EN
M

Chapitre 2
D
Les méthodes de diagnostic
HE
2.1 Introduction
La demande croissante de sûreté de fonctionnement justifie l’intérêt porté à des techniques avancées de
conduite de processus incluant des méthodes performantes de diagnostic de défauts.
Lorsqu’un défaut apparaît, il doit être détecté le plus rapidement possible, ensuite il doit être localisé
et identifié. Les défauts ne peuvent pas toujours être détectés par la seule analyse individuelle des signaux
acquis sur le système. D’où la nécessité de la redondance d’informations (matérielle ou analytique) liant
IG
différentes variables mesurées qui fournit au système plusieurs informations différentes sur une même va-
riable. Des tests vont alors permettre de vérifier la cohérence de ces informations. La confiance dans les
résultats du diagnostic dépend de la fiabilité des mesures.
Deux approches de redondance d’information existent :
∙ redondance matérielle utilisant plusieurs capteurs ;
∙ redondance analytique faisant appel à des modèles mathématiques.
EN
La sélection de la méthode de diagnostic la plus appropriée à un système industriel donné ne peut se

faire qu’après un recensement des besoins et des connaissances disponibles.
2.2 Classification des méthodes de diagnostic

Si la prise de décision conduit à déclarer le composant du procédé défaillant, il convient alors de sélec-
M
tionner une méthode de diagnostic. Les méthodes de diagnostic peuvent être classées en plusieurs grandes
familles.
2.2.1 Les méthodes à base des données

◇ Les méthodes inductives : la méthode de l’arbre ;
◇ Les méthodes déductives : l’analyse AMDE (Analyse des Modes de Défaillance).
2.2.2 Les méthodes à base de modèle

◇ Les méthodes qualitatives dites les méthodes externes ;
◇ Les méthodes quantitatives dites les méthodes internes.

Page 10/ 56 C HAPITRE 2 : L ES MÉTHODES DE DIAGNOSTIC
Nlethodesdedétection
diagnosticdedéfauts
rMethodesbaséessurles
(Métholem
deso
bdèéleessui
as donnes A
Nlethodesquainilatives Nlétliodesqualitatives
Estimation Estimationde e Estimation Espacede Hiiaidu
D
d'état
r N
nmèti - simultanee paiIé causales dabstrachoit

' Caphes Physi(ues
%
N ,rctat,'i ;uametic
( ï
tluctures tialitatives Stnicti ell eS
HE
f
Baseestuun r Molittlfes .bt«Ilysede Baséesui
. obseivatem
canées/ L i l'espace Alinede Fonctionneles)
Ou/suiun IL)
! idis egi e s si
o iI etatousui \
filtrede caltées T'espacede
Kalinan récursifs soi d
tie é
J f
IG
F IGURE 2.1 – Schéma de classification des méthodes de diagnostic de défauts basées sur le modèle.
a
2.3 Les méthodes qualitatives : (connaissance i heuristique)
l
Les modèles qualitatifs permettent d’abstraire le comportement du procédé avec un certain degré d’abs-
traction à travers des modèles non plus mathématiques mais des modèles l de type symbolique. Ces modèles
EN
décrivent d’une manière qualitative l’espace d’état continu du système. Contrairement aux modèles de type
a
numérique, les modèles qualitatifs ne représentent pas la physique du système, mais ils le décrivent en terme
de mode de fonctionnement. n
Dans cette catégorie, on retrouve toutes les méthodes basées sur l’intelligence artificielle :
□ la reconnaissance de formes ;
c
□ les systèmes experts ; e
□ les réseaux de neurones artificiels .... etc.
,
M
2.4 Les méthodes quantitatives : (connaissance analytique)

Elles impliquent une connaissance approfondie du fonctionnement sous la forme de modèles mathéma-
tiques qui devront êtres obligatoirement validés expérimentalement avant toute utilisation industrielle.
Le principe de ces méthodes, repose sur la prise en compte des observations sur les entrées 𝑢 et les
sorties mesurées 𝑦 pour remonter au paramètre ou à son vecteur d’état interne 𝑥. Les éléments et 𝑥
ayant par définition un sens physique ou quasi-physique, la cause exacte de la défaillance devient aisée à
identifier et à localiser.

2.5 Principe de diagnostic de défaut Page 11/ 56
u: Entrées Processus y: Sorties

Θ, X
Estimations
de paramètre ou d’état
Comparaison avec
les valeurs nominales
D
Décision
F IGURE 2.2 – Principe de la méthode quantitative.
HE
2.5 Principe de diagnostic de défaut
Le principe de base du diagnostic des défauts repose sur la notion de redondance d’informations, qui
fournit au système plusieurs informations différentes sur une même variable. Des tests vont alors permettre
de vérifier la cohérence de ces informations. Cependant, il existe deux approches : matérielle et analytique.
2.5.1
IG
Redondance matérielle
La redondance matérielle (ou physique) consiste en la mise en place d’une série de capteurs mesurant
la même grandeur physique sur un même organe du système. Les comparaisons par différence des mesures
des capteurs deux à deux forment alors les résidus. Si un des capteurs est défaillant, il est alors détecté
EN
et isolé facilement, car il affecte tous les résidus où il intervient. De nombreuses applications industrielles
appliquent cette méthode de diagnostic . Cette méthode est principalement dédiée à des systèmes présentant
des hauts risques, tels les centrales nucléaires, l’aéronautique, etc. Il s’agit de systèmes sur lesquels la
sécurité prime sur le coût et la maintenance des capteurs.
M
F IGURE 2.3 – Principe de la redondance materielle.
Le détecteur calcule trois résidus 𝑟 , 𝑟

et 𝑟 avec :
𝑟 𝑚 − 𝑚
, 𝑟
𝑚 − 𝑚 , 𝑟 𝑚
− 𝑚

Analyse des résidus :
Résidus
𝑟 𝑟
𝑟
Défaut en
Capteur 1 1 1 0
Capteur 2 1 0 1
Capteur 3 0 1 1
Remarque 2.1
D
① Afin de pouvoir isoler le défaut, la redondance matérielle doit être d’ordre impair ;
② Méthode fiable et simple à implanter mais le coût et l’encombrement ainsi qu’un champ d’application
strictement limité aux défauts de capteurs constituent les inconvénients majeurs de cette méthode.
HE
2.5.2 Redondance analytique
La redondance analytique présente une alternative intéressante à la redondance matérielle. La redon-

dance d’information dans ce cas est assurée par un modèle du système par opposition à la redondance
matérielle qui s’appuie sur une duplication des instruments.
Le concept de redondance analytique repose donc sur l’utilisation d’un modèle mathématique du sys-
IG
tème à surveiller. Elle consiste à développer des algorithmes de détection et de localisation des défauts en
utilisant des informations supplémentaires issues de modèles générant des grandeurs homogènes à celles
provenant de capteurs du système.
EN
M
F IGURE 2.4 – Principe de la redondance analytique.
Remarque 2.2
① Le champ d’application de la redondance analytique ne se limite pas aux défauts capteurs, mais
s’étend aux défauts actionneurs ou à celles du procédé lui-même.
② L’approche utilisant la redondance analytique se décompose généralement en deux phases distinctes :
(a) La première concerne la génération de résidus caractéristiques du défaut ;
(b) La seconde étape concerne la prise de décision qui a trait à la détection et éventuellement à la
localisation d’un élément défaillant. Elle met en œuvre des techniques de détection de ruptures
et de tests d’hypothèses.

2.5 Principe de diagnostic de défaut Page 13/ 56
D
HE
IG
F IGURE 2.5 – Architecture générale de la détection de défaut à base de modèle.
2.5.2.1 Observateurs
— Le résidu est la différence des mesures et de ces estimées
— La problématique repose :
— sur une estimation non biaisée par 𝑥, 𝑢 et EI
EN
— et une estimation sensible aux défaillances
2.5.2.2 Estimation de paramètres
Surveillance de l’évolution des paramètres. Exemple : système du premier ordre avec connaissance de
𝐾 et 𝜏 . Si les valeurs de ces deux paramètres restent constantes au cours du temps,
— Cela indique que les relations d’entrées-sorties (statique et dynamique) demeurent inchangées :
c’est le fonctionnement normal.
M
— Si l’un des paramètres (ou les deux) change de valeur, nous devons considérer que les relations
d’entrées - sorties ont changé : c’est l’apparition d’un défaut.
— L’amplitude et le sens des variations de ces paramètres sont des indications utiles pour élaborer le
diagnostic.
2.5.2.3 Espace de parité

— Etablir un vecteur de résidu
— sensible aux défauts
— insensible aux EI et états
— Il est contrairement à l’approche observateur établit à partir des 𝐸 et 𝑆 connues du système, exemple
𝑦 𝐶𝑥 𝑓 , donc il existe une matrice orthogonale 𝑉 à 𝐶 telle que 𝑉 𝐶 soit le 𝑟 ̸ si 𝑓 ̸

2.5.3 Diagnostic de défauts à base du modèle
La génération de résidus consiste à comparer les mesures issues du système à leurs estimations issues
d’un modèle.
D
F IGURE 2.6 – Principe de la redondance analytique.
HE
Un seul résidu permet la détection d’une défaillance au niveau d’un sous-système. Cependant, la loca-
lisation d’un défaut nécessite un ensemble de résidus structurés. Ces résidus doivent être conçus pour être
sensibles à certains défauts et insensibles à d’autres, permettant ainsi la localisation de l’élément défaillant :
des symptômes sont générés et comparés à des signatures de défauts.
IG
2.6 Principe du diagnostic quantitatif
Ce type d’approche, connu sous le nom plus général de redondance analytique, consiste à estimer, à
l’aide d’un modèle mathématique du système, les grandeurs mesurées sur celui-ci. Si le modèle reflète
EN
bien le comportement du système sain, tout écart entre les grandeurs estimées et mesurées traduira l’appa-
rition d’un ou plusieurs défauts. Les défauts sont alors détectés par comparaison des résidus à des seuils
convenablement choisis.
d(t) f(t)
u(t) Système y(t)
à surveiller
M
Détection et Localisation des défauts

Fonction de perception : r(t) Fonction d’évaluation
Localisation
Génération de résidus des résidus
du défaut
F IGURE 2.7 – Principe de détection et localisation des défauts.
Dans ce paragraphe, nous présentons différentes méthodes permettant la réalisation des deux principales
étapes d’un système de diagnostic : la génération de résidus et leurs évaluations (figure 2.7). Nous verrons
également comment il est possible de rendre le système de diagnostic peu sensible aux entrées inconnues
𝑑 𝑡 et sensible aux défauts que l’on souhaite détecter 𝑓 𝑡.

2.6 Principe du diagnostic quantitatif Page 15/ 56
2.6.1 Le modèle utilisé pour la synthèse d’un générateur de résidus
Considérons un système dynamique dont le modèle mathématique correspondant au fonctionnement

nominal est supposé connu. D’une manière générale, le modèle d’état d’un système linéaire continu s’écrit :
⎧
⎪
⎨𝑥 𝑡 𝐴𝑥 𝑡 𝐵𝑢 𝑡
𝑦 𝑡 𝐶𝑥 𝑡 𝐷𝑢 𝑡 (2.1)
⎪
⎩𝑥 𝑡 ∈ R𝑛 , 𝑢 𝑡 ∈ R𝑚 , 𝑦 𝑡 ∈ R𝑝
D
Dans cette relation, 𝑥 représente le vecteur d’état, 𝑢 le vecteur de commande et 𝑦 le vecteur de sortie.
Dans la suite, sauf mention contraire, la matrice 𝐷 sera supposée nulle. Le problème de la génération de
résidus peut alors posé de la manière suivante : étant donné les entrées et les sorties du système, on suppose
qu’il est possible de générer, en utilisant le modèle (2.1) un ensemble des signaux, appelés résidus, notés
HE
𝑟 𝑡 ∈ R𝑞 , permettant de mettre en évidence l’apparition d’un éventuel défaut sur le processus. Cette tâche
est d’autant plus difficile que le modèle mathématique du système est imparfait, ce qui est toujours le cas
en pratique. En effet, le modèle (2.1) ne prend en compte, ni les incertitudes de modélisation toujours
présentes, ni les différentes perturbations auxquelles le système est inévitablement soumis. Cela nécessite
par conséquent une certaine robustesse du générateur de résidus par rapport à ces différentes incertitudes.
Le terme de robustesse des résidus doit être compris comme une insensibilité de ceux-ci par rapport aux
incertitudes de modélisation et des perturbations non mesurables. L’obtention de cette insensibilité passe
nécessairement par la prise en compte des incertitudes sur le comportement du système nominal. Une
IG
hypothèse très courante est de considérer ces différentes incertitudes comme des entrées perturbatrices (ou
entrées inconnues) agissant de manière additive sur la dynamique de l’état et les sorties. On adopte alors
généralement le modèle suivant permettant la prise en compte des diverses incertitudes :
⎧
⎪
⎨𝑥 𝑡 𝐴𝑥 𝑡 𝐵𝑢 𝑡 𝒟𝑥 𝑑 𝑡
𝑦 𝑡 𝐶𝑥 𝑡 (2.2)
⎪
EN
⎩
𝑥 𝑡 ∈ R𝑛 , 𝑢 𝑡 ∈ R𝑚 , 𝑦 𝑡 ∈ R𝑝 , 𝑑 𝑡 ∈ R𝑛𝑑
où 𝑑 𝑡 est le vecteur des perturbations généralement dénommé le vecteurs des entrées inconnues, il ren-
ferme toutes le variables d’entrées non mesurable ou supposées être telles. La matrice 𝒟𝑥 d’application des
entrées inconnues sur l’état et supposée connue et de rang plein colonne. Ce type de représentation permet
de modéliser une large classe d’incertitudes.
Bien entendu, l’accroissement de la robustesse vis-à-vis des perturbations ne doit pas se faire au dé-
M
triment de la sensibilité des résidus vis-à-vis des défauts que l’on souhaite détecter et localiser. Ceci ne
peut être fait que si l’on dispose d’un modèle faisant apparaître l’effet des défauts 𝑓 𝑡 sur le comporte-
ment du système nominal. De façon analogique au cas des entrées inconnues, l’influence des défauts sur
le comportement du système peut être modélisée comme une perturbation agissant de manière additive sur
la dynamique de l’état et les sorties. On adopte alors le modèle (2.3), permettant la prise en compte des
incertitudes et des défauts sur le comportement du système nominal :
⎧
⎪
⎪ 𝑥 𝑡 𝐴𝑥 𝑡 𝐵𝑢 𝑡 ℱ𝑥 𝑓 𝑡 𝒟𝑥 𝑑 𝑡
⎪
⎨𝑦 𝑡 𝐶𝑥 𝑡 ℱ𝑦 𝑓 𝑡
(2.3)
⎪
⎪ 𝑥 𝑡 ∈ R𝑛 , 𝑢 𝑡 ∈ R𝑚 , 𝑦 𝑡 ∈ R𝑝
⎪
⎩
𝑑 𝑡 ∈ R𝑛𝑑 , 𝑓 𝑡 ∈ R𝑛𝑓
Dans cette relation, ℱ𝑥 et ℱ𝑦 sont les matrices d’action ou de distribution des défauts 𝑓 𝑡 à détecter.

2.6.2 Génération de résidus
La représentation du système (2.3) par matrices de transfert conduit alors aux relations suivantes :
⎧ −
⎪
⎨𝐺𝑢 𝑠 𝐶 𝑠𝐼 − 𝐴 𝐵
𝑦 𝑠 𝐺𝑢 𝑠𝑢 𝑠 𝐺𝑓 𝑠𝑓 𝑠 𝐺𝑑 𝑠𝑑 𝑠 avec 𝐺𝑓 𝑠 𝐶 𝑠𝐼 − 𝐴− ℱ𝑥 ℱ𝑦
⎪
⎩ 𝐺 𝑠 𝐶 𝑠𝐼 − 𝐴− 𝒟
𝑑 𝑥
Le problème est alors de construire un dispositif, appelé générateur de résidus, permettant d’élaborer, à
partir des grandeurs d’entrées et de sorties mesurées sur le système, un vecteur d’indicateurs de défauts ou
vecteurs des résidus, noté 𝑟 𝑡 ∈ R𝑞 , tel que :
D
{︃
𝑟 𝑡 ̸ si 𝑓 𝑡 ̸
(2.4)
𝑟 𝑡 si 𝑓 𝑡
HE
Système à surveiller
f(s) Gf(s)
défauts
y(s)
u(s) Gu(s)
entrées sorties
d(s) Gd(s)
perturbations
IG Générateur de résidus
Hy(s)
Hu(s) r(s)
résidus
F IGURE 2.8 – Structure générale d’un générateur de résidus.

EN
La figure 2.8 donne la structure d’un générateur de résidus. Les matrices de transfert 𝐻𝑢 𝑠 et 𝐻𝑦 𝑠,
supposées stables et propres doivent êtres telles que les conditions (2.4) soient vérifiées. L’expression gé-
nérale du générateur de résidus est la suivante :
𝑟 𝑠 𝐻𝑢 𝑠𝑢 𝑠 𝐻𝑦 𝑠𝐺𝑢 𝑠𝑢 𝑠 𝐺𝑓 𝑠𝑓 𝑠 𝐺𝑑 𝑠𝑑 𝑠 (2.5)
Afin que les conditions (2.4) soient vérifiées, les matrices 𝐻𝑢 𝑠 et 𝐻𝑦 𝑠 doivent satisfaire :
⎧
⎪
⎨𝐻𝑢 𝑠 𝐻𝑦 𝑠𝐺𝑢 𝑠
M
𝐻𝑦 𝑠𝐺𝑑 𝑠 (2.6)
⎪
⎩ 𝐻𝑦 𝑠𝐺𝑓 𝑠 ̸
Notons que 𝐻𝑦 𝐺𝑓 représente la matrice de transfert entre le vecteur des défauts et le vecteur des résidus.
Comme nous le verrons, elle permet de définir la table des signatures des défauts, qui sera exploité pour la
localisation des défauts.
La synthèse du générateur de résidus consiste finalement en un choix correct des matrices 𝐻𝑢 et 𝐻𝑦
telles que les conditions (2.6) soient vérifiées.
2.6.3 Détection et localisation des défauts

L’étape de détection doit permettre de décider si le système se trouve ou non dans un état de fonction-
nement normal. Considérons par exemple un système soumis à trois défauts 𝑓 , 𝑓
et 𝑓 , pour lequel on

2.6 Principe du diagnostic quantitatif Page 17/ 56
dispose d’un générateur de résidus à trois composantes 𝑟 , 𝑟

et 𝑟 . Supposons, par exemple, que la matrice
de transfert 𝐻𝑦 𝐺𝑓 entre le vecteur des résidus et le vecteur des défauts soit définie par :
⎛ ⎞ ⎛ ⎞⎛ ⎞
𝑟 𝑠 𝐺 𝑠 𝐺 𝑠 𝑓 𝑠
𝑟 𝑠 ⎝𝑟
𝑠⎠ ⎝ 𝐺
𝑠 ⎠ ⎝𝑓
𝑠⎠ (2.7)
𝑟 𝑠 𝐺
𝑠 𝐺 𝑠 𝑓 𝑠
où 𝐺 , 𝐺 , 𝐺
, 𝐺
et 𝐺 sont des fonctions de transfert stables et propres. D’après cette relation, lorsque
l’un des défauts est nul, le vecteur des résidus est non nul. on peut alors penser qu’il suffit de tester la non
nullité des résidus pour décider de l’apparition d’un défaut. En réalité, les grandeurs mesurées étant toujours
entachées de bruits et le modèle utilisé étant imparfait, les résidus sont généralement non nuls même en
D
absence de défaut. En considérant ces différentes sources d’incertitudes comme des entrées perturbatrices
notées 𝑒𝑟 , agissant de manière additive sur le vecteur des résidus, la relation précédente devient :
⎛ ⎞ ⎛ ⎞⎛ ⎞ ⎛ ⎞
𝑟 𝑠 𝐺 𝑠 𝐺 𝑠 𝑓 𝑠 𝑒𝑟 𝑠
𝑟 𝑠 ⎝𝑟
𝑠⎠ ⎝ 𝐺
𝑠 ⎠ ⎝𝑓
𝑠⎠ ⎝𝑒𝑟
𝑠⎠ (2.8)
HE
𝑟 𝑠 𝐺
𝑠 𝐺 𝑠 𝑓 𝑠 𝑒𝑟 𝑠
Cette relation montre bien que le résidu est non nul en absence de défaut. La détection d’un défaut peut
toutefois être réalisée en comparant les résidus à un certain seuil de détection 𝑇 dépendante de 𝑒𝑟 , 𝑒𝑟
et
𝑒𝑟 . Ce seuil de détection doit être tel que 𝑇 ≻ |𝑒𝑟𝑖 𝑡| pour 𝑖 ,
, . La détection de défauts s’opère alors
de la façon suivante : {︃
|𝑟 𝑡| ⪯ 𝑇 → 𝑓 𝑡
(2.9)
IG |𝑟 𝑡| ≻ 𝑇 → 𝑓 𝑡 ̸
ce qui donne lieu, par exemple, à des résultats tels que ceux de la figure 2.9, où les résidus sont nuls jusqu’à
l’instant 𝑡𝑓 , au-delà, seul le résidu 𝑟 est détecté non nul.
Résidu
r1=r2=r3=0 r1≠0, r2=r3=0
f=0 f≠0
EN
T
tf Temps
-T
F IGURE 2.9 – Comparaison des résidus à un seuil de détection.
Le résultat de la comparaison à un seuil est une grandeur booléenne, on écrira symboliquement que le
M
résidu 𝑟𝑖 si |𝑟𝑖 𝑡| ≻ 𝑇 et 𝑟𝑖 si |𝑟𝑖 𝑡| ⪯ 𝑇 .

Par exemple, dans le cas de la figure 2.9, on a 𝑟 𝑡 > 𝑡𝑓 𝑇 , qui représente la signature du
défaut. Cette signature peut alors être exploitée pour déterminer le défaut qui en est à l’origine, c’est l’étape
de localisation du défaut.
Lorsqu’un défaut est détecté, il faut ensuite le localiser. Cette localisation est réalisée à partir de la table
des signatures, définie par la matrice de transfert 𝐻𝑦 𝐺𝑓 entre les défauts et les résidus. Dans l’exemple
considéré, la table des signatures est donnée à la figure 2.10. d’après cette table, la signature 𝑟 𝑇
F IGURE 2.10 – Table des signatures.

est associée au défaut 𝑓 . D’une manière générale, la signature d’un défaut correspond à l’une des colonnes
de la table des signatures. C’est ainsi que l’identification de la signature à l’une des colonnes de la table
permet de localiser le défaut (voir figure 2.11).
f
f
r
Entrées u Sorties mesurées y
= Système •
0 »
[ à surveiller
1
D
-
1
Table natures
t Résidus s des sig
2 12 A
V
A r 0 I
HE
] ir 1' 0
1r21 0 4
If -1 4 .
Signature 0
Générateur
r
2 1 11
de résidus o de décision
la illia .mmu d ill>
..1 1 1 .
1Lo
_ e l
o m M I
,
g i
q u
Fonction de classifie ation
IG e
F IGURE 2.11 – Détection et localisation des défauts.
La figure 2.11 résume les différentes étapes du diagnostic. Le générateur de résidus permet de construire
EN
des signaux sensibles aux différentes défauts à détecter. La comparaison de ces signaux à des seuils de dé-
tection fournie une signature qui, comparée à la table des signatures permet la localisation des défauts.
Notons que la localisation des défauts nécessite la mise en œvre d’une logique de décision capable d’inter-
préter correctement la signature issue de la comparaison des résidus à des seuils. Cet ensemble peut être
plus au moins élaboré et peut être vu, d’une façon générale, comme un dispositif de classification. En effet,
la signature peut s’interpréter comme une forme qu’il s’agit de reconnaître parmi l’ensemble des différentes
formes possibles représentées ici par la table des signatures.
M
2.7 Génération de résidus
La première étape dans la mise en œuvre d’un système de surveillance à base de modèle consiste
à générer des indicateurs de défauts c’est-à-dire, un signal mettant en évidence la présence d’un défaut.
Le principe est de mesurer l’écart entre les mesures issues du procédé et la valeur théorique fournie par
le modèle dans des conditions de fonctionnement nominal. La qualité de la génération de résidus est un
élément essentiel pour garantir les performances d’un système de diagnostic. Pour autant, la génération de
résidus est un problème crucial pour le système de diagnostic.
Dans le cas linéaire, la problématique de génération des résidus se formule par la construction d’un
vecteur 𝑟 𝑡 à partir des signaux d’entrée 𝑢 𝑡 et de sortie 𝑦 𝑡 du procédé
𝑟 𝑡 𝐻𝑢 𝑢 𝑡 𝐻𝑦 𝑦 𝑡

2.8 Evaluation des résidus Page 19/ 56
de façon à satisfaire à un cahier des charges donné. Ce cahier des charges est généralement formulé en
terme de spécifications de robustesse vis-à-vis des perturbations internes (telles que les incertitudes para-
métriques, les dynamiques mal connues, etc.) et externes (perturbations exogènes) et de sensibilité vis-à-vis
des défauts. Dans cette formulation, 𝑦 ∈ R𝑝 et 𝑢 ∈ R𝑚 désignent respectivement les vecteurs de mesure et
de commande, et 𝐻𝑦 et 𝐻𝑢 sont des filtres dynamiques stables. L’analyse du comportement temporel et/ou
fréquentiel du vecteur 𝑟 𝑡 doit alors permettre de remplir complètement la tâche de diagnostic.
De nombreuses approches ont été élaborées durant ces trente dernières années permettant la génération
de résidus à l’aide de la redondance analytique. Ces différentes approches reposent finalement soit sur une
estimation d’état du système (approches 1 et 2) soit sur une estimation des paramètres (approche 3), ces
approches peuvent être classées comme suit :
D
1. Approche par espace de parité ;
2. Approche à base d’observateurs ;
3. Approche par estimation paramétrique.
HE
2.8 Evaluation des résidus
La phase d’évaluation des résidus consiste à déterminer si le système surveillé se trouve dans un état de
fonctionnement normal ou pas. En cas de détection d’une anomalie, il s’agit de déterminer quel est l’élément
du système présentant un défaut. C’est cet aspect que nous allons maintenant examiner succinctement.
d f T = [f1, ...., fnf ]
IG u(t) y(t)
Système
Générateur de résidus r1(t)

N 01
EN
Générateur de résidus rnf (t)

N 0nf
Exemple de tables des signatures pour f T = [f1, f2, f3]
f1 f2 f3 f1 f2 f3 f1 f2 f3
r1 1 0 0 r1 0 1 1 r1 1 0 1
r2 0 1 0 r2 1 0 1 r2 0 1 1
r3 0 0 1 r3 1 1 0 Structure minimale
M
Structure 1-diag Structure 0-diag
F IGURE 2.12 – Génération de résidus structurés.
L’étape de localisation doit permettre, à partir des résidus détectés non nul statistiquement, de localiser
le défaut, c’est à dire de déterminer le ou les éléments défaillants. La signature d’un élément représente
l’effet de celui-ci sur un ou plusieurs résidus. Si l’on dispose de la signature de chacun des défauts à détecter,
il est possible de remonter des effets (résidus non nuls) aux causes (les éléments défaillants). L’élaboration
de résidus structurés permet de grandement faciliter cette étape. Cette approche consiste à mettre en œvre
plusieurs générateurs de résidus dont chacun est excité pat une combinaison judicieusement choisie des
entrées et des sorties du système (voir figure 2.12). Chaque résidu est alors destiné à révéler un défaut
particulier du système.
Deux cas sont à distinguer suivant que l’on souhaite localiser des défauts simultanés ou non. Dans le cas
de la localisation d’un nombre 𝑛𝑓 de défauts pouvant se produire simultanément, il est nécessaire de générer
𝑛𝑓 résidus, chacun étant sensible à un seul défaut. Cette approche conduit à une table des signatures ayant

une structure "1-diag". Le résidu 𝑟𝑖 est sensible au défaut 𝑓𝑖 et insensible à tous les autres. Le principe pour
générer de tels résidus consiste à considérer les défauts auxquels il faut rester insensibles comme autant
d’entrées inconnues à découpler. Notons que cette approche augmente le rang de la matrice d’action des
entrées inconnues, ce qui peut conduire à l’impossibilité de générer de tels résidus.
Dans le cas ou l’on considère que les 𝑛𝑓 défauts susceptibles d’affecter le système ne peuvent se pro-
duire simultanément, il est possible de générer 𝑛𝑓 résidus chacun étant sensible à tous les défauts sauf un.
Cette approche conduit à une table des signatures ayant une structure "0-diag". Le résidu 𝑟𝑖 est sensible à
tous les défauts sauf au défaut 𝑓𝑖 . Ceci peut être réalisé en considérant le défaut auquel il faut être insensible
comme une entrée inconnue à découpler. Notons que dans ce cas, le rang de la matrice d’action des entrées
inconnues n’est augmenté que de 1 au lieu de 𝑛𝑓 − dans le cas précédent, ce qui est beaucoup moins
D
contraignant pour la synthèse des générateurs de résidu.
Enfin, toujours dans le cas de défauts non simultané, il est possible de générer un nombre minimum
de résidus permettant la localisation de tous les défauts. Cette approche conduit à une table des signatures
ayant une structure minimale. D’une manière générale, le nombre maximum de défauts localisables au
HE
moyen d’un nombre 𝑞 de résidus est de
𝑞 − , alors que pour les autres structures il est nécessaire de
générer autant de résidus indépendant que de défauts à localiser.
IG
EN
M

Chapitre 3
D
Génération de résidu à base d’observateurs d’état
HE
Il est préférable d’avoir de très gros défauts
que de toutes petites qualités.
Frédéric Dard
3.1 Introduction
IG
La génération de résidus à l’aide d’une estimation d’état consiste à reconstruire l’état ou, plus générale-
ment, la sortie du procédé à l’aide d’observations et à utiliser l’erreur d’estimation comme signal de résidu.
Cette méthode s’est beaucoup développée car elle donne lieu à la conception de générateurs de résidus
flexibles.
De très nombres travaux concernant la conception d’observateurs pour tout type de systèmes ont été
EN
développés depuis les travaux fondateurs de Luenberger(1971) et la détection de défauts à base de modèles.
Dans la pratique, afin de pouvoir localiser les défauts affectant un système, plusieurs résidus sont
construits, chacun, ayant comme tâche de surveiller un défaut particulier. Dans la suite, nous présentons la
structure générale d’un observateur, puis quelques difficultés sont signalées, comme l’influence des bruits
de mesures.
M
3.2 Principe de génération de résidus à base d’observateurs
Le principe de génération de résidu à base d’observateur consiste à estimer une partie ou l’ensemble des
grandeurs mesurables du système à surveiller. Le résidu est calculé alors en faisant la différence, éventuel-
lement filtrée, entre les sorties réelles et celles estimées. L’observateur revient alors à un modèle parallèle
au système avec une contre réaction qui pondère l’écart de sortie. Ce principe est illustré sur la figure 3.1.
Cette approche offre des propriétés très intéressantes car elle donne lieu à des résidus très flexibles et la
souplesse, dans le choix des paramètres, permet de s’affranchir de certaines entrées inconnues, améliorant
ainsi les caractéristiques des résidus telles que leur robustesse vis-à-vis des perturbations et leur sensibilité
aux défauts.
Le signal résidu 𝑟 𝑡 est donné par la formule suivante :
(︀ )︀
𝑟 𝑡 𝑄 𝑦 𝑡 − 𝑦 𝑡 où 𝑄 : une matrice de pondération choisie (3.1)

Page 22/ 56 C HAPITRE 3 : G ÉNÉRATION DE RÉSIDU À BASE D ’ OBSERVATEURS D ’ ÉTAT
défauts défauts
u u y : Sortie du système
Actionneurs Système Capteurs
erreur + Matrice de r : résidus

gain pondération
-
Modèle
du système
ŷ : Sortie estimée
Estimateur
D
F IGURE 3.1 – Schéma de principe général du diagnostic des défauts à base d’observateur.
3.3 Structure d’un observateur proportionnel
HE
On se place dans le cas où le système à observer a une structure et des paramètres parfaitement connus,
possédant ainsi un modèle parfait. C’est une situation idéale permettant de s’affranchir des erreurs de mo-
délisation en construisant un observateur avec des matrices d’état exactes.
Considérons le modèle linéaire continu, en absence de bruits et de perturbations, du système donné
comme suit : ⎧
⎪
⎨ 𝑥 𝑡 𝐴𝑥 𝑡 𝐵𝑢 𝑡
IG ⎪
𝑦 𝑡
⎩𝑥
𝐶𝑥 𝑡 (3.2)
𝑥
où 𝑥 ∈ R𝑛 , 𝑦 ∈ R𝑝 , 𝑢 ∈ R𝑚 et les matrices 𝐴, 𝐵, 𝐶 ont des dimensions appropriées.
Un observateur de Luenberger d’ordre plein (tous les états sont reconstruits) de type proportionnel de
gain 𝐿 a la forme suivante :
EN
⎧ (︁ )︁
⎪
⎨ 𝑥 𝑡
⎪ 𝐴
𝑥 𝑡 𝐵𝑢 𝑡 𝐿 𝑦 𝑡 − 𝑦 𝑡
𝑦 𝑡 𝐶 𝑥 𝑡 (3.3)
⎪
⎪
⎩
𝑥 𝑥
où 𝑥 ∈ R𝑛 et 𝐿 ∈ R𝑛×𝑝
Remarque 3.1
M
On rappelle que la matrice de gain 𝐿 est généralement déterminée en imposant des spécifications sur la
qualité de la reconstruction de l’état ; en particulier, il est souhaitable que l’état reconstruit tende asymp-
totiquement vers l’état réel du système et ceci avec une certaine vitesse, sous réserve d’observabilité du
système.
Condition d’existence de l’observateur

En ce qui concerne la condition d’existence de l’observateur, il faut que la matrice d’observabilité
(︁ )︁𝑇
𝒪 𝐶 𝑇 𝐶𝐴𝑇 . . . 𝐶𝐴𝑛− 𝑇 soit de rang 𝑛
Mathématiquement, cela veut que : 𝑟𝑎𝑛𝑔 𝒪 𝑛 𝑑𝑖𝑚 𝑥 𝑡

Le diagnostic de défaut à base d’observateurs est basé sur le principe de génération de résidus en comparant
les grandeurs disponibles du système réel aux grandeurs estimées (issues de l’observateur).

3.4 Erreur d’estimation d’état Page 23/ 56
3.4 Erreur d’estimation d’état

Un reconstructeur d’état est conçu pour fournir un état proche de celui du système réel. A chaque
instant, l’erreur de reconstruction de l’état est définie par :
𝑥 𝑡 𝑥 𝑡 − 𝑥 𝑡 (3.4a)
A partir de l’équation (3.2), (3.3) et (3.4a), on peut établir l’équation d’évolution de 𝑥 𝑡.
Dans le domaine temporel
D
𝑥 𝑡 𝐴 − 𝐿𝐶𝑥 𝑡 (3.4b)
HE
Dans le domaine de Laplace
(︀ )︀−
𝑥 𝑠 𝑠𝐼 − 𝐴 𝐿𝐶 𝑥 − 𝑥 (3.4c)
L’expression (3.4c) montre ainsi que, très généralement, l’erreur de reconstruction n’est pas nulle ; en effet,
l’état initial de l’observateur est choisi arbitrairement et celui du système est inconnu. Cependant, si l’on
choisit une matrice 𝐿 stabilisant la matrice 𝐴 − 𝐿𝐶, on peut garantir la convergence asymptotique vers
IG
zéro de l’erreur de reconstruction d’état.
D’un point de vue pratique, il est impossible de générer l’estimation d’état ; l’état du procédé réel étant
en effet inconnu. Par contre, l’erreur de reconstruction de la sortie est calculable et peut être exploitable
pour le diagnostic.
EN
3.5 Erreur d’estimation de sortie

L’erreur de reconstruction de la sortie est définie par :
𝑦 𝑡 𝑦 𝑡 − 𝑦 𝑡 (3.5)
Remarque 3.2
Etant donné le système ayant une structure parfaitement connue, la matrice de pondération 𝑄 dans (3.1) est
M
considérée comme matrice identité ; dans ce cas l’erreur d’estimation de la sortie sera utilisée comme signal
de résidu ; on prend donc : 𝑟 𝑡 𝑦 𝑡.
Pour expliciter cette erreur, à partir de (3.2) et (3.3), notons que :

(︁ )︁
𝑦 𝑠 𝐶𝐾 − 𝐵𝑢 𝑠 𝑥
(︁ )︁
−
𝑦 𝑠 𝐶 𝐾 𝐿𝐶 𝐵𝑢 𝑠 𝐿𝑦 𝑠 𝑥
avec 𝐾 𝑠𝐼 − 𝐴
A partir de (3.5), on déduit l’expression de l’erreur de reconstruction de la sortie :
(︁ )︁ (︁ )︁
− −
𝑦 𝑠 𝐼 − 𝐶 𝐾 𝐿𝐶 𝐿 𝑦 𝑠 − 𝐶 𝐾 𝐿𝐶 𝐵𝑢 𝑠 𝑥 (3.6a)
En remplaçant 𝑦 𝑠 par son expression :

(︁ )︁ (︁ )︁ (︁ )︁
𝑦 𝑠 𝐼 − 𝐶 𝐾 𝐿𝐶− 𝐿 𝐶𝐾 − 𝐵𝑢 𝑠 𝑥 − 𝐶 𝐾 𝐿𝐶− 𝐵𝑢 𝑠 𝑥
Après quelques simplifications, les termes en 𝑢 𝑠 disparaissent, il reste :

(︁ )︁
𝑦 𝑠 𝐼 − 𝐶 𝐾 𝐿𝐶 𝐿 𝐶𝐾 − 𝑥 − 𝐶 𝐾 𝐿𝐶− 𝑥
−
Pour simplifier cette expression, on applique le lemme d’inversion matricielle suivant :
Lemme 3.1 : Lemme d’inversion matricielle
D
𝑃 𝑈 𝑉 − 𝑃 − − 𝑃 − 𝑈 𝐼 𝑉 𝑃 − 𝑈 − 𝑉 𝑃 −
Après quelques calculs, on obtient :

(︁ )︁
HE
𝑦 𝑠 𝐼 𝐶𝐾 − 𝐿 𝐶𝐾 − 𝑥 − 𝐶 𝐾 𝐿𝐶− 𝑥
(︁ )︁−
−
𝑦 𝑠 𝐼 𝐶𝐾 𝐿 𝐶𝐾 − 𝑥 − 𝑥
(︁ )︁−
𝑦 𝑠 𝐶 𝐾 𝐿𝐶 𝑥 − 𝑥 (3.6b)
L’expression (3.6b) est évidente compte tenu de (3.4c) et du lien existant entre erreurs de reconstruction
de l’état et de la sortie du système. Cependant, l’erreur de reconstruction de la sortie est directement liée à
IG
l’erreur de reconstruction d’état à l’instant initial comme le montre (3.6b). Si cette erreur sur l’état initial
est nulle, l’erreur de reconstruction de la sortie est nulle à chaque instant. Dans le cas contraire, l’expression
(3.6b) fournit un moyen d’analyser le transitoire dû à l’erreur sur l’état initial ; on peut approfondir cette
analyse en explicitant le rôle du gain 𝐿 de l’observateur sur la dynamique de ce transitoire. En particulier,
il peut être tentant d’imposer aux valeurs propres de la matrice 𝐴 − 𝐿𝐶 une partie réelle négative très
faible de façon à tendre très rapidement l’erreur de reconstruction vers zéro ; on verra qu’il faudra modérer
cette prétention si l’on veut conserver une certaine immunité du générateur de résidus aux bruits aléatoire
EN
affectant les mesures.
3.6 Influence d’un bruit de mesure

Nous examinons maintenant l’influence du bruit à caractère aléatoire sur la qualité de la reconstruction
de l’état et de la sortie du système. Pour cela, nous considérons le système (3.2) sous la forme :
⎧
M
⎪
𝑦 𝑡 𝐶𝑥 𝑡 (3.7)
⎪
⎩
𝑥 𝑥
où le bruit de mesure 𝑏 𝑡 est considéré comme la réalisation d’une variable aléatoire d’espérance
mathématique nulle. Avec la même structure de l’observateur donnée par l’expression (3.3), on a toujours
les définitions suivantes : {︃
𝑥 𝑡 𝑥 𝑡 − 𝑥 𝑡
(3.8)
𝑦 𝑡 𝑦 𝑡 − 𝑦 𝑡
En dérivant 𝑥 𝑡 par rapport au temps et en utilisant les équations (3.7) et (3.3), on obtient :
Dans le domaine temporel

𝑥 𝑡 𝐴 − 𝐿𝐶𝑥 𝑡 − 𝐿𝑏 𝑡 (3.9)

3.7 Influence d’un défaut capteur Page 25/ 56
Dans le domaine de Laplace

(︀ )︀− (︁ )︁
𝑥 𝑠 𝑠𝐼 − 𝐴 𝐿𝐶 𝑥 − 𝑥 − 𝐿𝑏 𝑠 (3.10)
De même, pour l’erreur de reconstruction de la sortie, on a :

𝑦 𝑡 𝐶 𝑥 𝑡 𝑏 𝑡 (3.11)
dont la transformée de Laplace, en utilisant (3.10), s’écrit :
(︀ )︀− (︁ )︁
𝑦 𝑠 𝐶 𝑠𝐼 − 𝐴 𝐿𝐶 𝑥 − 𝑥 𝐼 − 𝐶 𝑠𝐼 − 𝐴 𝐿𝐶− 𝐿 𝑏 𝑠 (3.12)
Dans le cas où l’on néglige le régime transitoire dû aux conditions initiales des états, l’influence des erreurs
D
de mesure sur l’estimation de l’état ou de la sortie est définie par :
⎧ (︁ )︁−
⎪
⎨𝑥 𝑠 − 𝑠𝐼 − 𝐴 𝐿𝐶 𝐿𝑏 𝑠
(︁ )︁ (3.13)
⎪
HE
⎩ 𝑦 𝑠 𝐼 − 𝐶 𝑠𝐼 − 𝐴 𝐿𝐶− 𝐿 𝑏 𝑠
A partir du lemme d’inversion de matrice, une forme plus simple pour l’erreur de sortie est :
(︁ )︁−
𝑦 𝑠 𝐼 𝐶 𝑠𝐼 − 𝐴− 𝐿 𝑏 𝑠
Ainsi, à partir de (3.13), il apparaît clairement que le bruit de mesure influence sur les erreurs de recons-
truction de l’état et de la sortie. Cependant, on peut étudier, d’un point de vue fréquentiel ou temporel,
l’influence des bruits de mesure 𝑏 𝑡 sur les erreurs de reconstruction d’état et de sortie du système. En
IG
particulier, on peut construire le diagramme de Bode du transfert et en étudier les propriétés de filtrage en
fonction de la bande passante des erreurs de mesure et en fonction du gain de réglage 𝐿 (on peut chercher
à régler le gain 𝐿 de façon à placer la pulsation de coupure du filtre de sorte que l’influence du bruit soit
réduit).
EN
3.7 Influence d’un défaut capteur
On considère de nouveau le système (3.2) où certaines mesures sont entachées d’un biais de capteur
noté 𝑓𝑐 𝑡 d’amplitude inconnue et apparaissant à instant inconnu :
⎧
⎪
𝑦 𝑡 𝐶𝑥 𝑡 𝐻 (3.14)
⎪
⎩
𝑥 𝑥
M
où 𝐻 la matrice de distribution des défauts capteurs. On peut directement utiliser les expressions (3.13) pour
traduire l’influence des biais. Pour ce faire, il suffit de remplacer 𝑏 𝑡 par 𝑓𝑐 𝑡. L’erreur de reconstruction
de la sortie s’explicite en fonction de 𝑓𝑐 𝑡 :
forme de calcul du résidu :
𝑦 𝑠 𝑦 𝑠 − 𝑦 𝑠 (3.15a)
forme explicative du résidu :
(︁ )︁
−
𝑦 𝑠 𝐼 − 𝐶 𝑠𝐼 − 𝐴 𝐿𝐶 𝐿 𝐻𝑓𝑐 𝑠 (3.15b)
ou de façon équivalente
(︁ )︁−
𝑦 𝑠 𝐼 𝐶 𝑠𝐼 − 𝐴− 𝐿 𝐻 𝑓𝑐 𝑠 où 𝑄 𝑠 : matrice de transfert (3.15c)
⏟ ⏞
q
𝑄 𝑠

Il apparaît clairement dans l’expression (3.15c) que le défaut capteur influence sur le résidu ou l’erreur
de reconstruction de la sortie 𝑦 𝑠. Dans le cas où 𝐻 est de rang plein colonne, l’estimation des défauts
capteurs s’explicite en fonction de l’erreur de reconstruction de sortie :
(︁ )︁

𝑓𝑐 𝑠 𝑇 − 𝑇
𝐻 𝐻 𝐻 𝐼 𝐶 𝑠𝐼 − 𝐴 𝐿 𝑦 𝑠 −
(3.16)
3.8 Influence d’un défaut actionneur

Cette partie décrit un système de diagnostic permettant d’estimer les défauts susceptibles d’affecter les
D
commandes des actionneurs d’un système. Ces défauts peuvent se traduire par une perte de puissance totale
ou partielle, voire un blocage d’un ou plusieurs de ces actionneurs. Leur criticité impose que ceux-ci soient
traités dans les plus brefs délais. A cet égard, il serait souhaitable de mesurer les sorties des actionneurs
puis de comparer celles-ci aux signaux de commande élaborés par les contrôleurs ; un écart supérieur à un
seuil pouvant signifier l’apparition d’un défaut.
HE
On considère la situation où la commande appliquée au système est mal interprétée par l’actionneur ; ce
dernier introduit un biais 𝑓𝑎 𝑡 que l’on veut mettre en évidence au moyen d’un résidu d’observateur. Pour
cela, examinons le système affecté par un défaut actionneur donné par le modèle suivant :
⎧
⎨ 𝑥 𝑡
⎪ 𝐴𝑥 𝑡 𝐵𝑢 𝑡 𝐸
𝑦 𝑡 𝐶𝑥 𝑡 (3.17)
⎪
⎩
𝑥 𝑥
IG
où 𝑓𝑎 𝑡 ∈ R𝑛𝑓𝑎 et 𝐸 sa matrice de distribution
Pour la génération de résidu, prenons la structure de l’observateur donnée par :
⎧ (︁ )︁
⎪
⎨ 𝑥 𝑡 𝐴
⎪ 𝑥 𝑡 𝐵𝑢 𝑡 𝐿 𝑦 𝑡 − 𝑦 𝑡
𝑦 𝑡 𝐶 𝑥 𝑡 (3.18)
⎪
⎪
⎩
EN
𝑥 𝑥
L’équation d’évolution de 𝑥 𝑡 est donnée par :
𝑥 𝑡 𝐴 − 𝐿𝐶𝑥 𝑡 𝐸𝑓𝑎 𝑡 (3.19)
Pour des conditions initiales nulles des états, l’expression de l’erreur de reconstruction de la sortie est
donnée par :
𝑦 𝑠 𝐶 𝑠𝐼 − 𝐴 𝐿𝐶− 𝐸𝑓𝑎 𝑠 (3.20)
M
Il apparaît clairement que l’erreur de reconstruction de la sortie est sensible à un défaut actionneur. Le signal
résidu, 𝑟 𝑡 𝑦 𝑡, ainsi généré peut donc servir de détecteur de défaut.
3.9 Observateur à entrées inconnues

Il est fréquent, lors de la modélisation d’un système, de faire intervenir des entrées qui ne sont pas
mesurables. On utilise alors le vocable d’entrées inconnues pour les désigner et la reconstruction de l’état de
tels systèmes ne peut se faire que sous certaines conditions ; les observateurs portent le nom d’observateurs
à entrées inconnues (en anglais Unknown Input Observer ’UIO’).
A des fins de robustesse, l’observateur à entrée inconnue (UIO) a été développé dans de nombreux
travaux pour estimer l’état d’un système afin que l’erreur d’estimation converge vers zéro en présence de
perturbations (entrées inconnues). Aussi, il a été utilisé pour le diagnostic des défauts, l’idée principale est

3.9 Observateur à entrées inconnues Page 27/ 56
d’éviter le déclenchement de fausses alarmes, pour ceci il est impératif que les résidus soient découplés des
perturbations non mesurables mais par contre il faut qu’ils soient sensibles aux éventuels défauts.
D’un point de vue pratique, cette approche s’applique aussi au cas de systèmes à entrées toutes connues
mais pour lesquels on voudrais reconstruire l’état avec seulement une partie des entrées ; cela permet no-
tamment de découpler l’influence des entrées sur la reconstruction et constitue le principe de base de la
génération de bancs d’observateurs pour le localisation de défauts d’actionneurs ou de capteurs.
3.9.1 Principe de la reconstruction d’état
D
Pour le système à entrée inconnue 𝑑 𝑡 qui a la forme suivante :
{︃
𝑥 𝑡 𝐴𝑥 𝑡 𝐵𝑢 𝑡 𝐹
(3.21)
𝑦 𝑡 𝐶𝑥 𝑡
HE
où 𝑑 𝑡 ∈ R𝑛𝑑 le vecteur regroupant les entrées inconnues (de perturbation et les erreurs de modélisation,
etc). 𝐹 représente la matrice de distribution des entrées inconnues supposée de rang plein colonne et la paire
𝐶, 𝐴 est observable.
Nous commençons par donner un aperçu rapide de l’utilisation de l’observateur de Luenberger afin de
justifier le choix de celui que nous utiliserons par la suite.
Point de départ : exemple introductif

IG
Supposons pour l’estimation d’état, nous prenons la structure de l’observateur d’ordre plein donnée par
l’expression (3.3). La dérivation de l’erreur de reconstruction d’état s’écrit :
(3.22)
𝐴 − 𝐿𝐶𝑥 𝑡 − 𝐹 𝑑 𝑡
EN
D’après l’expression (3.22), l’erreur de reconstruction d’état (ou de sortie) est sensible aux entrées
inconnues 𝑑 𝑡.
⇒ observateur de Luenberger n’est pas valide pour ce genre de problème (possibilité de découplage), il
faut donc trouver une autre structure d’observateur.
A partir de ce point de départ concernant les perturbations, nous allons utiliser un observateur robuste à
entrées inconnues pour la reconstruction d’état.
M
Solution adoptée :
On considére la structure de l’observateur UIO d’ordre plein est décrite par :
{︃
𝑧 𝑡 𝑁 𝑧 𝑡 𝐺𝑢 𝑡 𝐿𝑦 𝑡
(3.23)
𝑥 𝑡 𝑧 𝑡 − 𝐻𝑦 𝑡
où 𝑥 ∈ R𝑛 est l’estimation du vecteur d’état et 𝑧 ∈ R𝑛 un vecteur d’état de l’observateur, 𝑁, 𝐺, 𝐿, 𝐻 sont

des matrices de dimensions compatibles avec celles des signaux 𝑧, 𝑢 et 𝑦.
L’erreur de reconstruction d’état 𝑥 𝑡 𝑥 𝑡 − 𝑥 𝑡 s’écrit :
𝑥 𝑡 𝑥 𝑡 − 𝑧 𝑡 𝐻𝑦 𝑡
(3.24)
𝑥 𝑡 𝐼 𝐻𝐶𝑥 𝑡 − 𝑧 𝑡

D’où sa dérivation :
𝐼 𝐻𝐶𝑥 𝑡 − 𝑧 𝑡
(︁ )︁ (︁ )︁
𝐼 𝐻𝐶 𝐴𝑥 𝑡 𝐵𝑢 𝑡 𝐹 𝑑 𝑡 − 𝑁 𝑧 𝑡 𝐺𝑢 𝑡 𝐿𝑦 𝑡
Posons, 𝑃 𝐼 𝐻𝐶, on peut réécrire l’expression précédente comme suit :

(︁ )︁ (︁ )︁
𝑥 𝑡 𝑃 𝐴𝑥 𝑡 𝐵𝑢 𝑡 𝐹 𝑑 𝑡 − 𝑁 𝑃 𝑥 𝑡 − 𝑥 𝑡 − 𝐺𝑢 𝑡 − 𝐿𝑦 𝑡
(︁ )︁ (︁ )︁
D
𝑥 𝑡 𝑁 𝑥 𝑡 𝑃 𝐴 − 𝑁 𝑃 − 𝐿𝐶 𝑥 𝑡 − 𝑃 𝐵 − 𝐺 𝑢 𝑡 𝑃 𝐹 𝑑 𝑡
L’erreur de reconstruction 𝑥 𝑡 tend, de façon asymptotique, vers zéro, si les conditions suivantes sont
satisfaites :
HE
⎧ A partir des équations (*) et (**)
⎪ 𝑃 𝐼 𝐻𝐶 . . . * (︁ )︁
⎪
⎪
⎪
⎪ 𝑃 𝐼 𝐻𝐶 × 𝐹 ⇒ ⏟𝑃 𝐹 ⏞ 𝐼 𝐻𝐶𝐹 ⇒ 𝐼 𝐻𝐶𝐹
⎨ 𝐿𝐶 𝑃 𝐴 − 𝑁 𝑃
⎪
q
𝐺 𝑃𝐵
⎪
⎪ ⇒ 𝐹 𝐻𝐶𝐹 ....(‡)
⎪
⎪ 𝑃 𝐹 . . . **
⎪
⎪
⎩
𝑁 est Hurwitz 1
IG (3.25)
La solution à cet observateur à entrées inconnues existe si l’inverse généralisé de 𝐶𝐹 existe :
(︁ )︁−
A partir de l’expression (‡) 𝐹 𝐻𝐶𝐹 ⇒𝐻 −𝐹 𝐶𝐹 − −𝐹 𝐶𝐹 𝑇 𝐶𝐹 𝐶𝐹 𝑇
[︁ ]︁
La matrice 𝐻, n’existe que si la matrice 𝐶𝐹 𝑇 𝐶𝐹 est inversible. Cette matrice étant de dimension
EN
𝑛𝑑 × 𝑛𝑑 , elle n’est inversible que si 𝑟𝑎𝑛𝑔 𝐶𝐹 𝑛𝑑 , où 𝑛𝑑 représente le nombre d’entrées inconnues.

Finalement, le découplage n’est possible que si le rang de la matrice 𝐶𝐹 est égal au nombre d’entrées à
découpler.
On en déduit la solution de (3.25)
⎧ 𝑃 𝐴 − 𝑁𝑃 𝐿𝐶
⎪
⎪ 𝑃 𝐼 − 𝐹 𝐶𝐹 − 𝐶
⎪
⎪ 𝐾 − 𝑁 𝐻𝐶
⎪
⎪ 𝐺 𝑃𝐵
M
⎨ 𝑃 𝐴 − 𝐾𝐶 𝑁 𝑃 − 𝐻𝐶
en posant 𝐿 𝐾 − 𝑁 𝐻 ⏟ ⏞ (3.26)
⎪
⎪
q
⎪
⎪ 𝑁 𝑃 𝐴 − 𝐾𝐶 𝐼
⎪
⎪
⎩ 𝑁 est Hurwitz
La procédure proposée à suivre pour la détermination des matrices de l’observateur est :

1. calculer l’inverse généralisé de 𝐶𝐹 ;
2. en déduire 𝑃 , puis 𝐺 ;
3. après avoir fixé les pôles de 𝑁 , en déduire le gain 𝐾 puis la matrice 𝑁 ;
4. déduire de 𝐾 la matrice 𝐿.
1. Par abus de langage, on dira qu’une matrice est Hurwitz ou stable si ses valeurs propres sont toutes à parties réelles
négatives.

Les erreurs d’estimation d’état et de sortie sont données par :
𝑥 𝑡 𝑁 𝑥 𝑡 si 𝑁 est Hurwitz, 𝑥 𝑡 → ∀𝑑 𝑡 ̸
𝑦 𝑡 𝐶 𝑥 𝑡
L’entrée inconnue "𝑑 𝑡" n’intervient pas dans 𝑦 𝑡 et n’est donc pas détectable. L’intérêt réside dans le
fait qu’il est possible de discriminer une erreur affectant le système d’un défaut d’actionneur ou de capteur.
3.9.2 Conditions d’existence de UIO
D
A des fins de reconstruction d’état, les conditions nécessaires et suffisantes d’existence d’un UIO sont :
1. 𝑟𝑎𝑛𝑔 𝐶𝐹 =𝑟𝑎𝑛𝑔 𝐹 =𝑛𝑑 ;
2. la paire 𝐶, 𝐴 est détectable 2 .
HE
Remarque 3.3
La condition (1) indique que le nombre de lignes indépendantes de la matrice d’observation 𝐶 ne doit pas
être inférieur au nombre de colonnes indépendantes de la matrice 𝐹 . En d’autres termes, le nombre des
perturbations à découpler ne doit pas être supérieur au nombre des mesures indépendantes.
Exemple 3.1 La représentation du système en présence d’entrées inconnues et de défauts de capteur et/ou
d’actionneur peut se mettre sous la forme :
⎧
𝑥 𝑡 𝐴𝑥 𝑡 𝐵𝑢 𝑡 𝐸 𝐹
IG ⎪
⎪
⎨
𝑦 𝑡 𝐶𝑥 𝑡 𝐸
(3.27)
⎪
⎪
⎩
𝑥 𝑥
𝑓 𝑡 défaut et 𝑑 𝑡 entrée inconnue. Les matrices de distribution des entrées inconnues et de défauts sont
notées respectivement 𝐹 , 𝐸 et 𝐸
supposées toutes les deux de rang plein colonne.
EN
Avec la même structure de l’observateur UIO que nous rappelons ici :
{︃
(3.28)
l’erreur de reconstruction d’état s’écrit donc :
𝑥 𝑡 𝐼 𝐻𝐶𝑥 𝑡 − 𝑧 𝑡 𝐻𝐸
𝑓 𝑡
M
La dynamique de cette erreur est s’écrit donc :
𝐼 𝐻𝐶𝑥 𝑡 − 𝑧 𝑡 𝐻𝐸
𝑓 𝑡
(︁ )︁ (︁ )︁
𝐼 𝐻𝐶 𝐴𝑥 𝑡 𝐵𝑢 𝑡 𝐹 𝑑 𝑡 𝐸 𝑓 𝑡 − 𝑁 𝑧 𝑡 𝐺𝑢 𝑡 𝐿𝑦 𝑡 𝐻𝐸
𝑓 𝑡
Compte tenu des conditions pour lesquelles tend 𝑥 𝑡, de façon asymptotique, vers zéro, on peut écrire :
(︁ )︁
𝑥 𝑡 𝑁 𝑥 𝑡 𝑃 𝐸 − 𝐾𝐸
𝑓 𝑡 𝐻𝐸
𝑓 𝑡
Influence du défaut 𝑓 𝑡 sur 𝑥 𝑡, par conséquent le résidu 𝑟 𝑡 𝑦 𝑡 associé est influencé aussi par ce
défaut, il peut donc servir comme détecteur de défaut.
2. les modes non observables sont stables

3.9.3 Application au diagnostic
Soit un système représenté dans le cas continu par la représentation d’état suivante :
⎧
⎪ 𝑥 𝑡
⎪
⎨
𝐴𝑥 𝑡 𝐵𝑢 𝑡 𝐹 𝐸
𝑦 𝑡 𝐶𝑥 𝑡 (3.29)
⎪
⎪
⎩
𝑥 𝑥
où 𝑥 𝑡 ∈ R𝑛 le vecteur d’état, 𝑢 𝑡 ∈ R𝑚 le vecteur de commande, 𝑦 ∈ R𝑝 le vecteur des sorties,
𝑓𝑎 𝑡 ∈ R𝑛𝑓𝑎 le vecteur des défauts actionneurs et 𝑑 𝑡 ∈ R𝑛𝑑 le vecteur regroupant les entrées inconnues
D
(perturbations, variations de paramètres, bruits de mesure, interactions, ...). Les matrices de distribution des
entrées inconnues et de défauts sont notées respectivement 𝐹 et 𝐸 supposées toutes deux de rang plein
colonne et la paire 𝐶, 𝐴 est observable. De plus, toute technique de diagnostic basée sur la génération
de résidus, est tributaire du nombre de sorties du système nécessaire pour détecter et isoler les défauts.
HE
Une condition nécessaire de détection des défauts est que le nombre de sorties du système soit strictement
supérieur au nombre de défauts à détecter.
Le défaut 𝑓𝑎 𝑡 𝑒 𝑡 − 𝑡𝑓 𝑓 𝑡 est considéré comme un défaut additif, la fonction indicatrice 𝑒 𝑡 − 𝑡𝑓
est donnée par : {︃
, 𝑡 ≤ 𝑡𝑓
𝑒 𝑡 − 𝑡𝑓
. 𝑡 > 𝑡𝑓
𝑡𝑓 est l’instant de l’occurrence du défaut et 𝑓 𝑡 est un défaut actionneur.

IG
Nous rappelons la structure de l’observateur UIO d’ordre plein :
{︃
(3.30)
La dynamique de l’erreur d’estimation entre le système (3.29) et l’UIO (3.30) s’exprime par :
EN
𝑥 𝑡 − 𝑧 𝑡 𝐻 𝑦 𝑡 (3.31)
(︁ )︁ )︁
𝐴𝑥 𝑡 𝐵𝑢 𝑡 𝐹 𝑑 𝑡 𝐸𝑓𝑎 𝑡 − 𝑁 𝑧 𝑡 𝐺𝑢 𝑡 𝐿𝑦 𝑡 − 𝐻 𝑦 𝑡
En remplaçant :
∙ 𝐻 𝑦 𝑡 𝐻𝐶𝐴𝑥 𝑡 𝐻𝐶𝐵𝑢 𝑡 𝐻𝐶𝐹 𝑑 𝑡 𝐻𝐶𝐸𝑓𝑎 𝑡

∙ 𝑧 𝑡 𝑥 𝑡 𝐻𝑦 𝑡
∙ 𝐿 𝐿 𝐿
l’équation (3.31) devient :

⎧ (︁ )︁
⎪
⎨𝑥 𝑡
⎪ 𝐴 𝐻𝐶𝐴 − 𝐿 𝐶𝑥 𝑡 − 𝑁 − 𝐴 𝐻𝐶𝐴 − 𝐿 𝐶 𝑥 𝑡 − 𝐿
𝑁 𝐻𝑦 𝑡
𝐼 𝐻𝐶𝐹 𝑑 𝑡 𝐼 𝐻𝐶𝐸𝑓𝑎 𝑡 (3.32)
⎪
⎪
⎩
𝑟 𝑡 𝑦 𝑡 𝐶 𝑥 𝑡
Les matrices 𝑁, 𝐺, 𝐿, 𝐻 doivent être synthétisées dans le but d’assurer la convergence
(︀ et la)︀ stabilité de
l’erreur d’estimation 𝑥 𝑡 𝑥 𝑡 − 𝑥 𝑡 et du résidu 𝑟 𝑡 en l’absence de défaut 𝑓𝑎 𝑡 . En posant
𝑃 𝐼 𝐻𝐶, si les conditions suivantes sont vérifiées :
⎧
⎪
⎪ 𝑁 𝑃 𝐴 − 𝐿 𝐶 est stable
⎪
⎪
⎨ 𝑃𝐵 − 𝐺
𝐿
𝑁 𝐻 (3.33)
⎪
⎪
⎪
⎪ 𝑃𝐹
⎩
𝑃𝐸 ̸

alors la dynamique de l’erreur d’estimation d’état et le résidu s’écrivent :
𝑥 𝑡 𝑁 𝑥 𝑡 𝑃 𝐸𝑓𝑎 𝑡
(3.34)
𝑟 𝑡 𝐶 𝑥 𝑡
L’erreur d’estimation d’état 𝑥 𝑡 𝑥 𝑡 − 𝑥 𝑡 dépend uniquement des défauts, par conséquent le résidu
associé dépend aussi des défauts.
Les conditions d’existences de UIO :
A des fins de diagnostic, les conditions nécessaires et suffisantes d’existence d’un UIO :
D
1) condition de découplage : 𝑟𝑎𝑛𝑔 𝐶𝐹 𝑟𝑎𝑛𝑔 𝐹 𝑛𝑑 , i.e, qu’il ait autant de mesures
indépendantes que d’entrées inconnues ;
2) condition de détectabilité : la paire 𝐶, 𝐴 est détectable où :
[︁ ]︁−
𝑇
𝐶𝐸𝑇 𝐶𝐴
HE
𝐴 𝐴 − 𝐸 𝐶𝐸 𝐶𝐸
Si les conditions sont vérifiées et si :

1. 𝐶, 𝐴 est observable, le gain 𝐿 est calculé par un placement de pôle ;
2. l’inverse généralisée de 𝐶𝐹 existe, la matrice 𝐻 est calculée par :
(︁ )︁−
𝐻 −𝐹 𝐶𝐹 − −𝐹 𝐶𝐹 𝑇 𝐶𝐹 𝐶𝐹 𝑇
IG
alors la stabilité de l’observateur UIO est garantit.
On calcule les autres matrices à partir des relations données par (3.33)
Remarque 3.4
Dans le cas où la paire 𝐶, 𝐴 n’est pas observable, la solution générale présentée précédemment ne peut
être employée. Une alternative a été proposée consiste alors à utiliser un changement de base 𝑇 tel que :
[︂ ]︂
EN
− 𝐴
𝑇 𝐴𝑇 , 𝐶𝑇 − 𝐶 *
𝐴
𝐴
où 𝐶 * , 𝐴 est observable. Sous réserve que 𝐴
soit Hurwitz.
3.9.4 Isolation de défauts

M
La détection de défauts est souvent suivie d’une procédure d’isolation de défauts, qui sert à distinguer
(isoler) un défaut particulier. Un seul résidu peut suffire pour détecter les défauts, cependant plusieurs
résidus (ou un vecteur de résidus) sont souvent requis pour l’isolation de défauts.
Il est clair que les résidus présentés ci-dessus dépendent en général de toutes les défauts. Pour isoler
des défauts, il est possible d’exploiter les degrés de liberté dans le choix des matrices de conception pour
réaliser des résidus qui ne sont affectés que par un sous-ensemble des défauts. De la même manière, on peut
aussi concevoir des résidus robustes aux perturbations.
3.9.5 Résidus directionnels

Plus généralement, pour isoler les défauts, il est possible de concevoir pour chaque défaut particulier
des résidus directionnels qui restent dans une direction spécifique de l’espace des résidus. Avec les résidus
directionnels, le problème de l’isolation de défauts est de déterminer celle dont les résidus générés sont les
plus proches parmi tous les résidus directionnels.

3.9.6 Résidus structurés
Une autre approche pour isoler les défauts est de concevoir un ensemble de résidus structurés, chaque
résidu étant conçu pour être sensible à un sous-ensemble de défauts mais reste insensible aux autres. Une
telle conception consiste en deux étapes : la première est de spécifier la relation de sensibilité et insensibilité
entre résidus et défauts d’après la tâche d’isolation désirée, et la seconde est de concevoir un ensemble de
générateurs de résidus selon cette relation de sensibilité et insensibilité. L’avantage est que l’analyse du
diagnostic revient simplement à déterminer lesquels de ces résidus sont non-nuls.
3.9.6.1 Définition
D
Soit 𝐹 𝑓 , · · · , 𝑓𝑚 l’ensemble des défauts. La structure d’un résidu 𝑟 par rapport à un ensemble de
défauts 𝐹 est :
𝑠𝑡𝑟𝑢𝑐𝑡𝑢𝑟𝑒 𝑟 𝑏 , 𝑏
, · · · , 𝑏𝑚
HE
où ∀𝑖, 𝑏𝑖 , 𝑟 est affecté par la présence de 𝑓𝑖
Exemple
structure(𝑟 ) = : 𝑟 est affecté par 𝑓 et 𝑓 .

structure(𝑟
) = : 𝑟
est affecté par 𝑓
et 𝑓 .
IG
Exemple
structure(𝑟 ) = : 𝑟 est affecté par 𝑓 et 𝑓 .

structure(𝑟
) = : 𝑟
est affecté par 𝑓
et 𝑓 .
Si 𝑟 𝑡 > 𝑠𝑒𝑢𝑖𝑙 et 𝑟
𝑡 > 𝑠𝑒𝑢𝑖𝑙
alors 𝑓 est localisé.
Si 𝑟 𝑡 > 𝑠𝑒𝑢𝑖𝑙 alors 𝑓 est localisé..
Si 𝑟
𝑡 > 𝑠𝑒𝑢𝑖𝑙
alors 𝑓 est localisé.
EN
3.9.6.2 Définition
Un résidu 𝑟 de structure 𝑏 , 𝑏
, · · · , 𝑏𝑚 est robuste par rapport à un sous-ensemble de défauts 𝐹 ′ ⊂ 𝐹
𝑠𝑠𝑖 ∀𝑓𝑖 ∈ 𝐹 ′ , 𝑏𝑖 "𝑟 est non-affecté par la présence de 𝑓𝑖 ".
M
3.9.6.3 Définition
L’ensemble des structures des résidus ℛ {𝑟 , 𝑟

, · · · , 𝑟𝑚 } sur les défauts 𝐹 constitue la table des
signatures. La signature théorique d’un défaut peut être envisagée comme la trace attendue du défaut sur les
différents résidus. Autrement dit la signature théorique d’un défaut peut être envisagée comme les résultats
de détection lorsque tous les tests sensibles au défaut réagissent.
Exemple
structure(𝑟 ) = , structure(𝑟
) =
𝑟 𝑟 , 𝑟
𝑇
Résidus
𝑓 𝑓
𝑓 𝑓
𝑟 1 0 0 1
𝑟
0 1 0 1

3.9.6.4 Définition
La signature d’un défaut 𝑓𝑖 est la colonne associée au défaut 𝑓𝑖 dans la tables des signatures des défauts.
Exemple
(︂ )︂ (︂ )︂
𝑟 𝑡
— la signature 𝑟 𝑡 est associé au défaut 𝑓 .
(︂𝑟
𝑡)︂ (︂)︂
𝑟 𝑡
— la signature 𝑟 𝑡 est associé au défaut 𝑓 .
𝑟
𝑡
D
3.9.7 Conception et structuration des résidus structurés
Prenons un simple exemple pour l’isolation des trois défauts {𝑓 , 𝑓

, 𝑓 } ; l’ensemble des résidus struc-
HE
turés peut être réalisé par deux façons différentes comme le montre sur les figures 3.2(a) et 3.2(b). Par
conséquent, les défauts ne peuvent êtres isolés qu’avec une de ces deux méthodes.
IG
EN
(a) Schéma dédié (b) Schéma généralisé
F IGURE 3.2 – Résidu structurel.
3.9.7.1 Bancs d’observateurs-évaluation des résidus

M
La détection d’un défaut nécessite un seul observateur pour générer le résidu, mais il y a un inconvé-
nient lorsque nous entamons l’étape de localisation, puisque la forme des résidus de reconstruction de sortie
montre leur indépendance vis-à-vis des défauts à détecter. Comme ces derniers sont multiples, il convient
d’analyser la structure des résidus pour résoudre le problème de l’isolation des défauts. D’une façon géné-
rale, il convient donc de structurer les résidus, la solution idéale étant qu’un résidu soit sensible à un défaut
particulier et non pas aux autres, c.-à.d robuste où insensible aux autres défauts. Cette structuration, qui
correspond à un découplage, peut être effectuée de différentes façons, soit en réglant le gain de l’observa-
teur pour rendre diagonale la matrice de transfert apparaissant dans (3.15c) et traduisant la dépendance des
résidus vis-à-vis des défauts, soit en utilisant des structures particulières d’observateurs construits à partir
d’une partie seulement des entrées et sorties du système.
Selon que l’on souhaite détecter et isoler des défauts d’actionneurs ou de capteurs on n’utilise qu’une
partie des entrées ou des sorties. Ces observateurs sont dits "à entrées inconnues". Ainsi, l’utilisation de
bancs d’observateurs construits à partir d’une partie seulement des entrées ou des sorties du système permet

de répondre au problème d’isolation des défauts de capteur où des défauts d’actionneur. Le nombre d’ob-
servateurs à intégrer dans le banc dépend du nombre de défauts à détecter et à isoler. Trois possibilités sont
envisagées :
Cas général : les défauts doivent être détectés mais pas localisés : dans cette configuration le banc d’ob-
servateur est composé d’un unique observateur qui doit être affecté par tous les défauts et insensible
aux perturbations.
Cas de défauts uniques : la détection et la localisation de tous les défauts, lorsque ceux-ci ne peuvent
se produire simultanément (séparément), nécessitent un banc d’observateurs qui sera alors constitué
d’autant d’observateurs qu’il y a de défauts à isoler. Chacun de ces observateurs sera synthétisé de
D
manière à être sensible à tous les défauts sauf un. Ainsi, le i-ème observateur sera obtenu en considé-
rant le i-ème défaut 𝑓𝑖 comme entrée inconnue. La table de codage des défauts sera alors composée
de à l’exception d’une diagonale de .
Cas de défauts multiples : ce cas de figure, très fréquemment étudié, est moins restrictif qu’il n’y parait.
HE
En effet, il est rare, mais pas impossible, que plusieurs capteurs, actionneurs ou composants du sys-
tème tombent en panne simultanément. Dans ce cas, la détection et la localisation de tous les défauts
(défauts multiples), lorsque ceux-ci peuvent se produire simultanément, nécessitent de pouvoir dé-
coupler chaque observateur de tous les défauts sauf un, la table de codage binaire des défauts sera
alors composée de à l’exception d’une diagonale de .
3.9.7.2 Bancs d’observateurs pour la localisation parfaite ou idéale

IG
Des défauts actionneurs :
Dans la représentation par l’espace d’état, ces défauts sont modélisés par un terme additif sur les compo-
santes de la matrice de commande. Deux configurations sont envisagées :
∙ Défauts uniques : dans ce cas, le banc d’observateurs à entrées inconnues peut être construit suivant
l’architecture GOS (Generalized Observer Scheme) présentée sur la figure 3.3(a), le i-ème observa-
EN
teur est piloté par toutes les entrées sauf la i-ème et toutes les sorties. La sortie de cet observateur est
donc sensible aux défauts de toutes les entrées sauf ceux de la i-ème, chaque résidu issu d’un UIO
est insensible à un défaut actionneur particulier et sensible à tous les autres. Il est donc possible de
détecter et localiser les défauts actionneurs lorsque ceux-ci interviennent séparément.
∙ Défauts multiples : le banc d’observateurs pourra être construit suivant l’architecture DOS (Dedi-
cated Observer Scheme) présentée sur la figure 3.3(b), le i-ème observateur est piloté par la i-ème
entrée et toutes les sorties ; les 𝑚 − autres entrées sont considérées comme inconnues et la sortie
de ce i-ème observateur est insensible aux défauts des entrées non utilisées donc chaque résidu issu
d’un UIO est sensible à un et un seul défaut actionneur ce qui permet de détecter et localiser les
M
défauts même quand ceux-ci interviennent simultanément.

Dans le cas des résidus structurés, les tests d’hypothèses (par exemple, tester le résidu par rapport à
un seuil de détection) peuvent être réalisés sur chaque résidu pris séparément. Le résultat est une valeur
booléenne, qui selon les hypothèses choisies pourra, par exemple, être égale à " " si le test est vérifié (la
valeur du résidu a dépassé le seuil fixé) et à "" sinon (la valeur du résidu est en dessous du seuil). La
combinaison des différents tests permet la définition d’un code ou signature expérimentale du défaut.
Ainsi dans le cas des résidus structurés ; généralisés 3 ou dédiés 4 ; on obtient les tables de codage ou
des signatures théoriques suivantes :
" " : signifie “résidu sensible au défaut” ;
"" : signifie “résidu insensible ou robuste au défaut”.
3. le résidu 𝑟𝑖 est sensible à tous les défauts sauf le i-ème
4. le résidu 𝑟𝑖 est sensible à l’unique défaut 𝑓𝑖

D
(a) Structure GOS (b) Structure DOS
HE
F IGURE 3.3 – Localisation de défauts actionneurs.
𝑟 𝑟 , 𝑟
, 𝑟 𝑇 𝑟 𝑟 , 𝑟
, 𝑟 𝑇
Résidus Résidus
𝑓 𝑓
𝑓 𝑓 𝑓
𝑓
𝑟 0 1 1 𝑟 1 0 0
𝑟
1 0 1 𝑟
0 1 0
𝑟 1 1 0 𝑟 0 0 1
IG
TABLE 3.1 – Table des signatures : TABLE 3.2 – Table des signatures :
structure Off-diag pour GOS. structure On-diag pour DOS.
Une condition minimale pour l’isolation des défauts est que tous les codes soient distincts. Alors, on
parlera d’isolation faible. Du fait des bruits ou des incertitudes, cette isolation peut ne pas être suffisante ;
aussi, pour diminuer le risque de mauvaise isolation, il faut s’assurer que les codes dégradés des défauts
(du fait du bruit ou des erreurs de modèle) ne soient pas non plus identiques. Si tel est le cas, on parlera
EN
d’isolation forte.
La localisation des défauts est basée sur la comparaison, à chaque instant, de la signature de défaut
expérimentale avec les différentes signatures théoriques. L’hypothèse de défaut la plus vraisemblable est
désignée par la signature de défaut théorique la plus proche de la signature expérimentale.
M
Des défauts capteurs :

En représentation d’état, ces défauts sont modélisés par des termes additifs sur les composantes de la matrice
de sortie. Deux hypothèses sont encore envisageables pour la construction d’un banc d’observateurs suivant
que les hypothèses de défauts uniques ou défauts multiples sont retenues.
∙ Défauts uniques : dans ce cas, le banc d’observateurs peut être construit selon l’architecture GOS
présentée à la figure 3.4(a), le i-ème observateur est piloté par toutes les sorties sauf la i-ème, et
toutes les entrées. La sortie de cet observateur est donc sensible aux défauts de toutes les capteurs
sauf ceux de la i-ème. Il est donc possible de détecter et de localiser les défauts capteurs lorsque
ceux-ci interviennent séparément.
∙ Défauts multiples : le banc d’observateurs peut être construit selon le schéma DOS présenté sur la
figure 3.4(b), le i-ème observateur est piloté par la i-ème sortie et toutes les entrées ; la sortie de ce
i-ème observateur est insensible aux défauts des sorties non utilisées donc chaque résidu issu d’un
observateur est sensible à un et un seul défaut capteur ce qui permet de détecter et localiser les
défauts capteurs même lorsqu’ils surviennent de façon simultanée.

D
(a) Structure GOS (b) Structure DOS
F IGURE 3.4 – Localisation de défauts capteurs.
HE
3.10 Critères de performance pour le diagnostic
Il s’agit ici de présenter les principaux critères permettant d’évaluer les performances d’un système de
diagnostic. De manière générale, on relève quatre principaux critères.
1. La détectabilité : est l’aptitude du système de diagnostic à pouvoir déceler la présence d’une dé-
faillance particulière sur le processus. Elle est fortement liée à la notion d’indicateurs de défauts
IG
(résidus) : le générateur de résidus doit, d’une certaine manière, être sensible à la défaillance que l’on
souhaite détecter. Il faudra en fait se fixer un compromis entre le taux de fausses alarmes et celui de
non-détection.
2. L’isolabilité : est la capacité du système de diagnostic à distinguer (c’est à dire localiser) plusieurs
défauts sous réserve que ces défauts soit détectables et à remonter directement à l’origine du défaut.
Une défaillance engendre souvent une cascade d’alarmes et il peut être difficile de remonter à l’organe
EN
défaillant. Le degré d’isolabilité des défaillances est lié à la structure des résidus rendus disponibles
et à la procédure de détection mise en œuvre.
3. La sensibilité : caractérise l’aptitude du système de diagnostic à détecter des défauts d’une certaine
amplitude, elle dépend non seulement de la structure des résidus mais aussi du rapport entre le bruit
de mesure et le défaut.
4. La robustesse : détermine la capacité du système à détecter des défauts indépendamment des erreurs
de modélisation (sensibilité du résidu aux défauts et insensibilité vis-à-vis des perturbations).
M

Chapitre 4
Génération de résidu par espace de parité
D
HE
4.1 Introduction
L’idée de base de l’approche par espace de parité est de tester ou de vérifier la cohérence des mesures
issues des capteurs par rapport à leurs estimées 1 données par le modèle mathématique formant des relations
mathématiques que l’on appelle Relations de Redondance Analytique (RRA) (on parle de consistance des
mesures, de leur parité 2 ). Supposons en effet, qu’une mesure puisse s’exprimer en fonction des autres par
une relation connue.
Une relation de redondance analytique est une équation mathématique dans laquelle toutes les variables
IG
sont connues ou mesurables à l’avance. En d’autres termes, une relation analytique qui ne faisant intervenir
que des variables disponibles à savoir les entrées et les sorties du système. La génération de ces relations
permet donc de déterminer des résidus statistiquement nuls en l’absence de défauts ; c.-à-d les mesures
sont cohérentes par rapport au modèle ; et évoluent d’une manière significative lorsqu’un défaut apparaît
(résidu non nul). L’approche par espace de parité se base donc sur un modèle mathématique du système à
surveiller ; supposé parfait dans notre étude.
EN
Il existe deux types de relation de redondance analytique :
◇ La redondance statique : ensemble de relations algébriques entre les mesures fournies par les diffé-
rents capteurs ;
Pour
⇒ détection et localisation des défauts de capteurs.
◇ La redondance dynamique : ensemble d’équations différentielles ou récurrentes entre les sorties des
capteurs et les entrées du système.
Pour
⇒ détection et localisation des défauts de capteurs et/ou d’actionneurs.
M
4.1.1 Redondance statique

Dans un système physique, les variables mesurées sont généralement liées par un ensemble de relations
algébriques. L’objectif de la redondance statique est de rechercher les relations existantes entre les mesures
fournies par les différentes capteurs qui sont indépendantes des grandeurs inconnues mais qui restent sen-
sible aux défauts. Cette recherche est réalisée à l’aide d’un modèle mathématique du système de mesure qui
s’écrit, généralement, de la façon suivante :
𝑦 𝑡 𝐶𝑥 𝑡 𝜀 𝑡 𝐹 𝑓 𝑡 (4.1)
où 𝑦 𝑡 ∈ R𝑝 est le vecteur des mesures, 𝑥 𝑡 ∈ R𝑛 est le vecteur d’état, 𝜀 𝑡 ∈ R𝑝 est le vecteur des bruits
de mesure, 𝐶 ∈ R𝑝×𝑛 est la matrice d’observation, 𝑓 𝑡 ∈ R𝑛𝑓 est le vecteur des défauts capteurs et 𝐹 sa
matrice de distribution.
1. Valeurs calculées à l’aide du modèle.
2. Le terme "parité" a été emprunté au vocabulaire employé pour les systèmes de télécommunication où la géné-
ration de bits de parité permet la détection d’erreur de transmission.

Page 38/ 56 C HAPITRE 4 : G ÉNÉRATION DE RÉSIDU PAR ESPACE DE PARITÉ
4.1.1.1 Calcul du vecteur de parité
La redondance matérielle est un moyen efficace pour éprouver le fonctionnement des appareils de
mesures. Le nombre de mesures est en général supérieur au nombre de variables physiques à mesurer
de façon à se placer dans une situation de redondance statique (cette condition est suffisante mais non
nécessaire). L’objet de cette méthode ne concerne pas uniquement la génération des relations de redondance,
elle explicite également leur utilisation pour la détection et la localisation des défaillances de capteurs.
La génération des équations de redondance statique liant les différentes mesures consiste à éliminer les
variables physiques inconnues 𝑥 𝑡 (i.e. génération du vecteur de parité). Ceci n’est possible que si les
conditions suivantes sont vérifiées :
D
∙ Condition 1 : la matrice 𝐶 est de rang plein colonne, i.e 𝑟𝑎𝑛𝑔 𝐶 𝑛 ;
∙ Condition 2 : le nombre de mesures (𝑝) est supérieur à la dimension de l’état inconnu (𝑛).
On souhaite analyser la consistance des mesures et détecter la présence des défauts ; pour cela on
cherche à établir des relations entres les mesures qui sont indépendantes des grandeurs inconnues mais
HE
qui restent sensibles aux défauts.
Dans ces conditions, il est possible de trouver une matrice de projection dans l’espace de parité notée 𝑉 ;
dite matrice de parité, orthogonale à 𝐶 (c’est à dire telle que 𝑉 𝐶 ), permettant de trouver des relations
indépendantes liant les mesures entre elles. En effet, en multipliant les deux membres de la relation (4.1)
par une matrice 𝑉 , on obtient le vecteur de parité 𝑝 𝑡 :
forme du calcul : en fonction des mesures disponibles
𝑝 𝑡 𝑉 𝑦 𝑡 (4.2a)
IG
forme explicative : par rapport aux défauts
𝑝 𝑡 ⏟𝑉 ⏞𝐶 𝑥 𝑡 𝑉 𝜀 𝑡 𝑉 𝐹 𝑓 𝑡 𝑉 𝜀 𝑡 𝑉 𝐹 𝑓 𝑡 (4.2b)
q

où 𝑝 𝑡 est le vecteur de parité de dimension 𝑝 − 𝑛 ; projection du vecteur des mesures 𝑦 𝑡.

On note que ; dans le cas idéal c.-à-d absence de défauts et de bruits de mesure ; le vecteur de parité
EN
est nul. Par conséquent, l’équation (4.2a) traduit l’ensemble des redondances liant les mesures 𝑦 𝑡 (i.e
redondances entre les capteurs) :
𝑝 𝑡 ⇒ 𝑉 𝑦 𝑡 (4.3)
La violation de cette équation par une ou plusieurs mesures 𝑦𝑖 𝑡 entaché par un ou des défauts implique
l’apparition d’un défaut.
Remarque 4.1
On peut noter que la forme de calcul (4.2a) permet de calcul numérique du vecteur de parité à partir des me-
M
sures disponibles ; comme les bruits 𝜀 𝑘 sont à valeur moyenne nulle, la forme explicative ou d’évaluation
(4.2b) explique l’influence des défauts et fournit un moyen pour détecter et estimer les défauts éventuels
𝑓 𝑡. Pour cela, on voit alors la nécessité d’étudier avec soin le rang de la matrice 𝑉 𝐹 qui doit être régulière.
Une façon simple de déterminer une matrice de parité 𝑉 est de réarranger l’équation (4.1). En l’absence
de défaut (𝑓 𝑡 ) et de bruits de mesure, la relation (4.1) peut s’écrire sous la forme suivante :
(︂ )︂ (︂ )︂
′ ′ ′ 𝑦𝑛 𝑡 ′ 𝐶𝑛
𝑦 𝑡 𝐶 𝑥 𝑡, avec 𝑦 𝑡 , 𝐶 (4.4)
𝑦𝑝−𝑛 𝑡 𝐶𝑝−𝑛
La matrice carrée 𝐶𝑛 de la relation (4.4) est construite à partir de 𝑛 lignes indépendantes de 𝐶, ceci afin
d’assurer l’existence de son inverse. La matrice 𝐶𝑝−𝑛 est obtenue à l’aide de 𝑝 − 𝑛 lignes restantes de 𝐶.
Nous avons alors :
(︂ )︂ (︂ )︂ {︂ {︂
′ ′ 𝑦𝑛 𝑡 𝐶𝑛 𝑦𝑛 𝑡 𝐶𝑛 𝑥 𝑡 𝑥 𝑡 𝐶𝑛− 𝑦𝑛 𝑡
𝑦 𝑡 𝐶 𝑥 𝑡 ⇒ 𝑥 𝑡 ⇒ ⇒
𝑦𝑝−𝑛 𝑡 𝐶𝑝−𝑛 𝑦𝑝−𝑛 𝑡 𝐶𝑝−𝑛 𝑥 𝑡 𝑦𝑝−𝑛 𝑡 𝐶𝑝−𝑛 𝑥 𝑡

4.1 Introduction Page 39/ 56
⇒ 𝑦𝑝−𝑛 𝑡 𝐶𝑝−𝑛 𝐶𝑛− 𝑦𝑛 𝑡 (4.5)
Cette relation est indépendante des inconnues et permet de vérifier la cohérence des mesures. La relation
(4.5) peut encore s’écrire sous la forme suivante :
(︂ )︂ (︂ )︂
[︀ −
]︀ 𝑦𝑛 𝑡 [︀ −
]︀ 𝑦𝑛 𝑡
−𝐶𝑝−𝑛 𝐶𝑛 𝐼𝑝−𝑛 ou bien 𝐶𝑝−𝑛 𝐶𝑛 −𝐼𝑝−𝑛 (4.6)
𝑦𝑝−𝑛 𝑡 𝑦𝑝−𝑛 𝑡
[︀ ]︀
La matrice de parité 𝑉 𝑉′ −𝐶𝑝−𝑛 𝐶𝑛− 𝐼𝑝−𝑛 ∈ R 𝑝−𝑛×𝑝 est orthogonale à 𝐶 ′ (𝑉 ′ 𝐶 ′ ).
Remarque 4.2
D
① La forme des équations de redondance n’est pas unique ;
② D’autres équations de redondance, ne faisant pas apparaître les mêmes variables, peuvent être écrites
HE
par combinaison linéaire des équations précédentes ;
③ La remarque ② est la base de la "structuration" des résidus ; qui permet de structurer les résidus et en
conséquence de faciliter l’isolation des défauts.
④ Nombre des Relations de Redondance Analytique Statique : 𝑅𝑅𝐴𝑆 𝑝 − 𝑟𝑎𝑛𝑔 𝐶 (où 𝑝 : nombre
de lignes de 𝐶).
⎡ ⎤
𝜈 𝑇
⎢ 𝜈𝑇 ⎥
⎢
⎥
⑤ 𝑟𝑎𝑛𝑔 𝑉 ′ 𝑝 − 𝑛 ; 𝑉 ′ ⎢ .. ⎥, 𝑉 ′ 𝐶 ⇐⇒ 𝜈𝑖𝑇 𝐶 , ∀𝑖 ,
, . . . , 𝑝 − 𝑛
IG⎣ . ⎦
𝑇
𝜈𝑝−𝑛
Exemple 4.1 : Dans le temps discret

Considérons, à un instant 𝑘, l’équation de mesure suivant :
⎡ ⎤ ⎡ ⎤
𝑦 𝑘
⎡ ⎤
EN
⎢ 𝑦
𝑘 ⎥ ⎢
⎥ 𝑥 𝑘
⎢ ⎥ ⎢ ⎥
⎢ 𝑦 𝑘 ⎥ ⎢ ⎥ ⎣ 𝑥
𝑘 ⎦ (4.7)
⎢ ⎥ ⎢ ⎥
⎣ 𝑦 𝑘 ⎦ ⎣ ⎦ 𝑥 𝑘
𝑦 𝑘

On dispose de 5 mesures de 𝑦 (𝑝 ) couplées de 3 grandeurs physiques inconnues de 𝑥 (𝑛 )

⇒ 𝑝 > 𝑛, donc il y a des redondances entre les capteurs.
On a aussi : 𝑟𝑎𝑛𝑔 𝐶 𝑛 ⇒ la matrice 𝐶 est de rang plein colonne.
M
Donc, les deux conditions sont vérifiées.
A partir de la matrice d’observation, on peut construire deux matrices 𝐶𝑛 et 𝐶𝑝−𝑛 telles que :
⎡ ⎤

[︂ ]︂
⎣ ⎦
𝐶𝑛
et 𝐶𝑝−𝑛 (4.8)

On a alors :
⎛ ⎞
𝑦
[︂ ]︂ (︂ )︂ ⎜𝑦
⎟
[︀ ]︀ −
− 𝑦𝑛 ⎜ ⎟
𝐶𝑝−𝑛 𝐶𝑛− −𝐼𝑝−𝑛 et ⎜𝑦 ⎟ (4.9)
−
− 𝑦𝑝−𝑛 ⎜ ⎟
⎝𝑦 ⎠
𝑦

D’où la génération de deux équations de redondance statiques liant les composantes 𝑦𝑖 du vecteur de me-
sure :
−𝑦 𝑘
𝑦 𝑘 − 𝑦 𝑘
(4.10)
−
𝑦 𝑘 𝑦 𝑘 − 𝑦 𝑘
En l’absence de défaut, ces deux relations sont identiquement nulles, il y a cohérence des mesures.
Lorsqu’un défaut capteur apparaît, ces relations ne sont généralement plus vérifiées. Dans les équations
précédentes, si on élimine 𝑦 𝑘, on obtient :
−𝑦 𝑘
𝑦 𝑘
Nous remarquons que l’élimination de 𝑦 𝑘 entraîne l’élimination de 𝑦 𝑘. Il est donc impossible de dif-
D
férencier les défauts intervenant sur ces deux mesures (problème d’isolation).
Par ailleurs, un défaut sur 𝑦
𝑘 ne sera pas détectable car cette mesure n’intervient dans aucune des équa-
tions de redondance (4.10).
Notons que la nécessité d’avoir un nombre de mesures supérieures à la dimension de l’état limite
HE
l’intérêt pratique de la redondance statique. Avec la redondance dynamique cette contrainte disparaît, car
l’on prend en compte l’évolution des mesures et des entrées au cours du temps, on parle alors aussi de
redondance dynamique ou temporelle.
4.1.2 Redondance dynamique

La redondance dynamique est une généralisation de la redondance statique dans le cas ou l’on utilise un
modèle dynamique du système étudié. L’objectif est de rechercher des relations entre les mesures fournies
IG
par les différents capteurs et les entrées du système à différents instants. En d’autres termes, ce sont des
équations du modèle direct entrée-sortie réarrangées, sujettes à des transformations dynamiques linéaires.
Les résidus issus de cette transformation mènent au diagnostic.
Considérons à cet effet un système supposé correctement représenté par le modèle d’état discret sui-
vant : ⎧
⎪
⎨𝑥 𝑘 𝐴𝑥 𝑘 𝐵𝑢 𝑘 𝐹 𝑑 𝑘
EN
𝑦 𝑘 𝐶𝑥 𝑘 𝐹
𝑑 𝑘 (4.11)
⎪
⎩ 𝑛 𝑚 𝑝 𝑛𝑑
𝑥 𝑘 ∈ R , 𝑢 𝑘 ∈ R , 𝑦 𝑘 ∈ R , 𝑑 𝑘 ∈ R
où 𝑢 𝑘 le vecteur d’entrée des actionneurs et 𝑦 𝑘 le vecteur des sorties délivrées par les capteurs sont
connus (𝑢 𝑘 et 𝑦 𝑘 deux données disponibles), 𝑥 𝑘 représente le vecteur d’état inconnu, 𝑑 𝑘 le vecteur
de défauts additifs. On suppose aussi que la paire 𝐶, 𝐴 est observable.
Une représentation discrète est utilisée, mais l’ensemble des résultats de ce paragraphe se transcrit sans
difficulté au cas continu.
M
On souhaite construire un générateur de résidus capable de détecter et de localiser un défaut de capteur

ou d’actionneur à travers le vecteur parité.
La succession des états, depuis un état initial 𝑥 𝑘 jusqu’à un état final quelconque 𝑥 𝑘 ℎ peut
s’exprimer uniquement en fonction de l’état à l’instant 𝑘 et des entrées aux instants 𝑘 à 𝑘 ℎ − . En effet,
on a successivement :
𝑥 𝑘 𝐴𝑥 𝑘 𝐵𝑢 𝑘 𝐹 𝑑 𝑘
𝑥 𝑘
𝐴𝑥 𝑘 𝐵𝑢 𝑘 𝐹 𝑑 𝑘 𝐴
𝑥 𝑘 𝐴𝐵𝑢 𝑘 𝐵𝑢 𝑘 𝐹 𝑑 𝑘 𝐹 𝑑 𝑘
𝑥 𝑘 𝐴𝑥 𝑘
𝐵𝑢 𝑘
𝐹 𝑑 𝑘
𝐴 𝑥 𝑘 𝐴
𝐵𝑢 𝑘 𝐴𝐵𝑢 𝑘 𝐵𝑢 𝑘

𝐹 𝑑 𝑘
𝐹 𝑑 𝑘 𝐹 𝑑 𝑘
..
.
[︃ ]︃
∑︁
ℎ
𝑥 𝑘 ℎ 𝐴ℎ 𝑥 𝑘 𝐴ℎ−𝑖 𝐵𝑢 𝑘 𝑖 − 𝐹 𝑑 𝑘 𝑖 −
𝑖

sur un horizon d’observation 𝑘, 𝑘 ℎ , les sorties aux différents instants 𝑘 à 𝑘 ℎ peuvent être regroupées
sous la forme condensée donnée par la fonction génératrice suivante :
𝒴 𝑘, ℎ − 𝒢 ℎ𝒰 𝑘, ℎ ℋ ℎ𝑥 𝑘 ℱ ℎ𝒟 𝑘, ℎ (4.12)
où les vecteurs 𝒲 𝑘, ℎ avec 𝒲 ∈ {𝒴, 𝒰, 𝒟} et la matrice d’observabilité généralisée ℋ, sont définis par :
⎛ ⎞ ⎛ ⎞
𝑤 𝑘 𝐶
⎜ 𝑤 𝑘 ⎟ ⎜ 𝐶𝐴 ⎟
⎜ ⎟ ⎜ ⎟
⎜ 𝑤 𝑘
⎟ ⎜𝐶𝐴
⎟
𝒲 𝑘, ℎ ⎜ ⎟, ℋ ℎ ⎜ ⎟
⎜ .. ⎟ ⎜ .. ⎟
⎝ ⎠ ⎝ . ⎠
D
.
𝑤 𝑘 ℎ 𝐶𝐴ℎ
⎛ ⎞ ⎛ ⎞
··· 𝐹
···
⎜ 𝐶𝐵 ··· ⎟ ⎜ 𝐶𝐹 𝐹
··· ⎟
⎜ ⎟ ⎜ ⎟
HE
⎜ 𝐶𝐴𝐵 𝐶𝐵 ··· ⎟ ⎜ ... ⎟
𝒢 ℎ ⎜ ⎟ , ℱ ℎ ⎜ 𝐶𝐴𝐹 𝐶𝐹 ⎟
⎜ .. .. .. ⎟ ⎜ . .. .. .. ⎟
⎝ . . . ⎠ ⎝ .. . . 𝐹
.⎠
𝐶𝐴ℎ− 𝐵 𝐶𝐴ℎ−
𝐵 · · · 𝐶𝐵 𝐶𝐴ℎ− 𝐹 𝐶𝐴ℎ−
𝐹 · · · 𝐶𝐹 𝐹
Avec la relation (4.12), on est alors ramené au cas de la redondance statique.

La génération des équations de redondance liant 𝒴 et 𝒰 consiste à éliminer les états 𝑥 𝑘 dans l’équa-
tion (4.12). Ceci revient, en multipliant les deux membres de cette relation par une matrice de parité 𝛺
orthogonale à la matrice ℋ. Cependant, l’existence de 𝛺 dépend du rang de la matrice ℋ :
IG
𝛺ℋ ℎ (4.13)
On obtient ainsi le vecteur de parité généralisé donné sous :
forme externe : en fonction des données connues 𝑦 et 𝑢

EN
(︁ )︁
𝒫 𝑘, ℎ 𝛺 𝒴 𝑘, ℎ − 𝒢 ℎ𝒰 𝑘, ℎ (4.14a)
forme interne : en fonction des défauts

(︁ )︁
𝒫 𝑘, ℎ 𝛺 ℱ ℎ𝒟 𝑘, ℎ (4.14b)
La figure 4.1 illustre les calculs précédents sous forme de schéma bloc. Ainsi, les entrées et sorties 𝒰 et 𝒴
M
sont obtenues en projetant les signaux correspondants sur une fenêtre d’observation.
u(k) ( y(k)
x(k + 1) = Ax(k) + B(k)u(k)
y(k) = Cx(k)
Fenêtre d’observation Fenêtre d’observation
U - + Y
ΩG Ω
F IGURE 4.1 – Principe de la génération de résidus par espace de parité.

Remarque 4.3
∙ Ce vecteur parité généralisé caractérise toutes les relations existant entre les entrées et les sorties du
système ;
∙ Ce vecteur parité a une valeur moyenne nulle en l’absence de défauts ;
∙ Lorsqu’un défaut (capteur ou actionneur) apparaît, ce vecteur parité devient non nul et s’oriente
vers une direction privilégiée en fonction du défaut ;
∙ Il est souvent plus judicieux de rechercher des équations de redondance en prenant les sorties une
par une (relations d’auto-redondance), puis les relations de redondance entre différentes sorties
(relations d’inter-redondance) ;
∙ Cette structure peut être utilisée pour faciliter l’isolation des défauts affectant les capteurs ou les
actionneurs
D
En l’absence de défaut, le vecteur de parité est nul (au bruit de mesure près), et différent de zéro si non. On
peut donc l’utiliser comme résidus dans le but de détecter et de localiser, par exemple, un défaut capteur ou
actionneur. Toutefois, les relations ainsi obtenues à partir de (4.14a) et (4.14b) ne sont pas toutes nécessai-
HE
rement indépendantes, surtout si la fenêtre d’observation est importante. Les techniques d’auto-redondance
et d’inter-redondance permettent alors de contourner cette difficulté.
La recherche des équations de redondance peut être affinée en recherchant tout d’abord les relations
de redondance pour chaque sortie prise isolément (auto-redondance), puis les relations de redondance entre
différentes sorties (inter-redondance). Cette hiérarchisation peut être mise à profit dans l’étape d’isolation
des défauts affectant capteurs et actionneurs.
4.1.2.1 Relations d’auto-redondance

IG
La notion d’auto-redondance est importante car elle est liée à la génération de relations exprimant au
cours du temps la sortie d’un seul capteur.
Toutefois, les relations d’auto-redondance sont obtenues en écrivant la relation (4.12) pour chacun
des capteurs. On ne conserve alors, pour un capteur donnée, que les relations indépendantes permettant
d’exprimer une partie de l’état. Pour faire apparaître que les mesures aux divers instants, issues du capteur
considéré et les entrées ; il suffit d’extraire la j-ème composante du vecteur d’observations en sélectionnant
EN
dans 𝐶 la ligne 𝐶𝑗 . L’équation (4.12) se réduit alors sous la forme condensée suivante :
𝒴𝑗 𝑘, ℎ − 𝒢𝑗 ℎ𝒰 𝑘, ℎ ℋ𝑗 ℎ𝑥 𝑘 ℱ𝑗 ℎ𝒟 𝑘, ℎ (4.15)

où ℋ𝑗 , 𝒢𝑗 et ℱ𝑗 se déduisent des définitions de ℋ, 𝒢 et ℱ en remplaçant 𝐶 et 𝐹
par leur j-ème ligne.
Par exemple, pour le capteur numéro 𝑗 la relation (4.15) s’écrit :
M
⎛ ⎞ ⎛ ⎞⎛ ⎞
𝑦𝑗 𝑘 ··· 𝑢 𝑘
⎜ 𝑦𝑗 𝑘 ⎟ ⎜ 𝐶𝑗 𝐵 ··· ⎟ ⎜ ⎟
⎜ ⎟ ⎜ ⎟ ⎜ 𝑢 𝑘 ⎟
⎜ 𝑦𝑗 𝑘
⎟ ⎜ 𝐶𝑗 𝐴𝐵 𝐶𝑗 𝐵 ··· ⎟ ⎜ ⎟
⎜ ⎟−⎜ ⎟ ⎜ 𝑢 𝑘
⎟
⎜ .. ⎟ ⎜ .. .. . . ⎟⎜ .. ⎟
⎝ . ⎠ ⎝ . . . ⎠ ⎝ . ⎠
ℎ− ℎ−
𝑦𝑗 𝑘 ℎ 𝐶𝑗 𝐴 𝐵 𝐶𝑗 𝐴 𝐵 · · · 𝐶𝑗 𝐵 𝑢 𝑘 ℎ
⎛ ⎞ ⎛ ⎞⎛ ⎞
𝐶𝑗 𝐹
𝑗 ··· 𝑑 𝑘
⎜ 𝐶𝑗 𝐴 ⎟ ⎜ 𝐶𝑗 𝐹 𝐹 · · · ⎟ ⎜ ⎟
⎜ ⎟ ⎜
𝑗
⎟ ⎜ 𝑑 𝑘 ⎟
⎜ 𝐶𝑗 𝐴
⎟ ⎜ .. ⎟⎜ ⎟
⎜ ⎟ 𝑥 𝑘 ⎜ 𝐶𝑗 𝐴𝐹 𝐶𝑗 𝐹 . ⎟ ⎜ 𝑑 𝑘
⎟
⎜ .. ⎟ ⎜ . . . .. ⎠ ⎝⎟ ⎜ .. ⎟
⎝ . ⎠ ⎝ .. .. . . 𝐹
𝑗 . . ⎠
ℎ
𝐶𝑗 𝐴 𝐶𝑗 𝐴ℎ− 𝐹 𝐶𝑗 𝐴ℎ−
𝐹 · · · 𝐶𝑗 𝐹 𝐹
𝑗 𝑑 𝑘 ℎ
où 𝐶𝑗 représente le vecteur ligne numéro 𝑗 de la matrice 𝐶 et 𝐹

𝑗 représente le vecteur ligne numéro
𝑗 de la matrice 𝐹
.

Dans ce cas, si 𝛺𝑗 est une matrice orthogonale à ℋ𝑗 ℎ, l’unique relation de parité relative au j-ème
capteur est définie par : (︁ )︁
𝒫𝑗 𝑘 𝛺𝑗 𝒴𝑗 𝑘, ℎ − 𝒢𝑗 ℎ𝒰 𝑘, ℎ (4.16)
Précisons maintenant la valeur de la largeur de la fenêtre d’observation et cherchons en particulier sa valeur
minimale. L’application du théorème de Cayley-Hamilton implique l’existence d’une valeur minimale ℎ𝑗
telle que :
⎧ (︁ )︁
⎪
⎪ si ℎ < ℎ 𝑗 𝑟𝑎𝑛𝑔 ℋ𝑗 ℎ ℎ
⎨ (︁ )︁
⎪ et si ℎ ≥ ℎ𝑗 𝑟𝑎𝑛𝑔 ℋ𝑗 ℎ ℎ𝑗
⎪
⎩
D
ℎ𝑗 : représente le rang maximum de la matrice ℋ𝑗 ℎ, c.-à-d le nombre de lignes indépendantes de ℋ𝑗 ℎ
Comme la ligne ℎ𝑗 de la matrice d’observabilté réduite ℋ𝑗 ℎ𝑗 est une combinaison linéaire des
autres ℎ𝑗 lignes, alors il existe un vecteur ligne 𝛺𝑗 tel que :
HE
⎛ ⎞
𝐶𝑗
⎜ 𝐶𝑗 𝐴 ⎟
⎜ ⎟
⎜
⎟
𝛺𝑗 ℋ𝑗 ℎ𝑗 ⇒ 𝛺 𝑗 ⎜ 𝐶𝑗 𝐴 ⎟ (4.17)
⎜ .. ⎟
⎝ . ⎠
𝐶𝑗 𝐴ℎ𝑗
On obtient alors l’équation de redondance relative au j-ème capteur ou équation d’auto-redondance :

IG (︁ )︁
𝒫𝑗 𝑘 𝛺𝑗 𝒴𝑗 𝑘, ℎ𝑗 − 𝒢𝑗 ℎ𝑗 𝒰 𝑘, ℎ𝑗 (4.18)
avec ⎛ ⎞
···
⎜ 𝐶𝑗 𝐵 ··· ⎟
⎜ ⎟
⎜ 𝐶𝑗 𝐴𝐵 𝐶𝑗 𝐵 ··· ⎟
𝒢𝑗 ℎ𝑗
EN
⎜ ⎟
⎜ .. .. ... ⎟
⎝ . . ⎠
𝐶𝑗 𝐴ℎ𝑗 − 𝐵 𝐶𝑗 𝐴ℎ𝑗 −
𝐵 · · · 𝐶𝑗 𝐵
Cette équation, qui ne fait intervenir qu’une seule sortie du système, explicite la redondance temporelle
entre les entrées et la j-ème sortie et fournit ainsi un moyen de test du bon fonctionnement du j-ème capteur
si on fait l’hypothèse du bon fonctionnement des actionneurs. Cependant, en présence de défauts simultanés
des capteurs et d’actionneur, l’occurrence des défauts pourra être détectée, mais la localisation précise des
composants défaillants sera en général impossible à réaliser uniquement à partir de l’équation (4.16).
M
4.1.2.2 Relations d’inter-redondance
Les relations inter-redondance permettent de relier les mesures provenant de plusieurs capteurs. On les
obtient en considérant les ℎ𝑗 (𝑗 ,
, . . . , 𝑝) relations indépendantes.
Pour chaque matrice d’observation ℋ𝑗 construite à partir d’une seule sortie et de toutes les entrées,
retenons uniquement les ℎ𝑗 premières lignes indépendantes (ℎ𝑗 a été défini par le théorème de Cayley-
Hamilton). A partir de (4.15), on obtient donc, pour le j-ème capteur avec 𝑗 ,
, . . . , 𝑝 :
𝒴𝑗 𝑘, ℎ𝑗 − − 𝒢𝑗 ℎ𝑗 − 𝒰 𝑘, ℎ𝑗 − ℋ𝑗 ℎ𝑗 − 𝑥 𝑘 ℱ𝑗 ℎ𝑗 − 𝒟 𝑘, ℎ𝑗 − (4.19)
Pour obtenir une formulation unique regroupant toutes les sorties, on peut introduire des vecteurs com-
muns 𝒰 𝑘, ℎ et 𝒟 𝑘, ℎ (où ℎ = max ℎ , ℎ
, . . . , ℎ𝑝 pour toutes les entrées 𝒰 𝑘, ℎ𝑗 − et 𝒟 𝑘, ℎ𝑗 − ;

dans certains cas, cela ne peut être possible qu’en complétant les matrices 𝒢𝑖 avec des colonnes de "zéros".
Avec des définitions évidentes, le système peut s’écrire de façon condensée :
𝒴 𝑘, ℎ , . . . , ℎ𝑝 − 𝒢 ℎ , . . . , ℎ𝑝 𝒰 𝑘, ℎ ℋ ℎ , . . . , ℎ𝑝 𝑥 𝑘 ℱ ℎ , . . . , ℎ𝑝 𝒟 𝑘, ℎ (4.20)
avec ⎛ ⎞ ⎛ ⎞
𝒴 𝑘, ℎ − 𝒢 𝑘, ℎ −
⎜ 𝒴
𝑘, ℎ
− ⎟ ⎜𝒢
𝑘, ℎ
− ⎟
⎜ ⎟ ⎜ ⎟
𝒴 𝑘, ℎ , . . . , ℎ𝑝 ⎜ .. ⎟ 𝒢 𝑘, ℎ , . . . , ℎ𝑝 ⎜ .. ⎟
⎝ . ⎠ ⎝ . ⎠
𝒴𝑚 𝑘, ℎ𝑝 − 𝒢𝑝 𝑘, ℎ𝑝 −
Comme dans le cas précédent, définissons une matrice orthogonale à ℋ 𝑘, ℎ , . . . , ℎ𝑝 de telle sorte :
D
𝛺ℋ 𝑘, ℎ , . . . , ℎ𝑝
(︁
Les relations d’inter-redondance s’écrivent alors : )︁
𝒫 𝑘 𝛺 𝒴 𝑘, ℎ , . . . , ℎ𝑝 − 𝒢 ℎ , . . . , ℎ𝑝 𝒰 𝑘, ℎ (4.21)
[︀ ]︀
HE
Exemple 4.2 Considérons pour l’horizon d’observation 𝑘, 𝑘
l’exemple suivant :
[︂ ]︂ [︂ ]︂ [︂ ]︂
. .

𝐴 𝐵 𝐶
.
Dans cette exemple, le système dispose de deux sorties (deux capteurs) 𝑝
donc 𝑗 ,
et une entrée
(un actionneur) 𝑚 . [︀ ]︀
∙ Pour la première sortie 𝐶 , avec la largeur de la fenêtre d’observation ℎ
, on a :
⎡ ⎤
IG
ℋ𝑗 ℎ ℋ
⎣ . .
⎦
. .

le rang ℎ de la matrice d’observabilité ℋ
est égal à
. La troisième ligne de la matrice ℋ
peut
s’exprimer par une combinaison linéaire des deux précédentes ; cette dépendance peut donc être explicitée
en déterminant à partir de l’équation (4.13). Puis en appliquant les équations (4.14a) et (4.14b), on obtient
EN
l’équation de parité et par conséquent la relation d’auto-redondance de cette sortie :
𝑝 𝑘 . − .
𝑞 𝑞
𝑦 𝑘 − .
𝑢 𝑘
où 𝑞 représente l’opérateur avance 3 .
[︀ ]︀
∙ Pour la deuxième sortie 𝐶
, on obtient la relation d’auto-redondance de cette sortie comme
suit :
𝑝
𝑘 −
𝑞𝑦
𝑘 −
𝑢 𝑘
M
A chaque instant, et en l’absence de défaut, le vecteur parité est défini par :
(︂ )︂ (︂ )︂ (︂ )︂ (︂ )︂
𝑝 𝑘 𝑟 𝑘 . 𝑦 𝑘 − 𝑦 𝑘 𝑦 𝑘
− 𝑢 𝑘
𝒫 𝑘
𝑝
𝑘 𝑟
𝑘 𝑦
𝑘 − . 𝑦
𝑘 − 𝑢 𝑘
L’analyse de ce vecteur permet de construire la table des signatures des défauts. Soit 𝑓𝑦 , 𝑓𝑦
et 𝑓𝑢 les
défauts agissant respectivement sur le capteur 𝑦 , le capteur 𝑦
et le seul actionneur d’entrée 𝑢.
On a donc :
Qui signifie, par exemple, que 𝑝 𝑘 𝑟 𝑘 est sensible aux défauts 𝑓𝑦 et 𝑓𝑢 et insensible au défaut
𝑓𝑦
. Notons que ce vecteur de parité permet de localiser facilement les défauts de capteur et d’actionneur,
leurs signatures 4 étant différente. D’après le tableau 4.1, les signatures associées à chaque défaut sont :
3. L’opérateur avance q est l’application qui, au signal discret w(kh), fait correspondre le signal discret :
qw(kh) = w(kh + h) ; ℎ période d’échantillonnage.
4. D’une manière générale, la signature d’un défaut correspond à l’une des colonnes de la table des signatures

𝑓 𝑦 𝑓𝑦
𝑓𝑢
𝑟 1 0 1
𝑟
0 1 1
TABLE 4.1 – Table des signatures des défauts.
(︂ )︂ (︂ )︂
𝑟 𝑘
— la signature 𝑟 𝑘 est associé au défaut 𝑓𝑦 .
(︂
)︂ (︂)︂
𝑟 𝑘
𝑟 𝑘
— la signature 𝑟 𝑘 est associé au défaut 𝑓𝑦
.
(︂𝑟
𝑘)︂ (︂ )︂
D
𝑟 𝑘
— la signature 𝑟 𝑘 est associé au défaut 𝑓𝑢 .
𝑟
𝑘
En cas des signatures identiques, cela signifie que le vecteur de parité ne permet pas de localiser un défaut,
et au lieu de traitement "Tout Ou Rien" du vecteur de parité ; on peut s’intéresser à son orientation dans
HE
l’espace de parité. En effet, en présence de défaut, le vecteur de parité s’oriente, en régime permanent,
suivant des directions particulières ou privilégiées. Dans le cas de l’exemple traité et en présence de défauts
capteurs ou d’actionneurs, le vecteur parité prend donc, en régime permanent, des directions privilégiées
(tableau 4.2 ). Il est important de noter que les trois directions de référence, correspondant aux trois
situations de défaut, sont distinctes ; cela garantit ainsi la localisation théorique des trois défauts.
Défaut aucun
(︂ )︂ (︂ 𝑓𝑦 )︂ (︂𝑓𝑦
)︂ (︂ 𝑓𝑢 )︂
IG
Direction du vecteur de parité

.

.
−
−
TABLE 4.2 – Direction du vecteur de parité en fonction des défauts.
Déterminons maintenant les équations d’inter-redondance pour 𝑗 ,

.
EN
𝒴𝑗 𝑘, ℎ𝑗 − ℋ𝑗 ℎ𝑗 − 𝑥 𝑘 𝒢𝑗 ℎ𝑗 − 𝒰 𝑘, ℎ𝑗 − (4.22)
Pour le premier capteur, i.e,𝑗 : 𝒴𝑗 𝑘, ℎ𝑗 − =𝒴 𝑘, ℎ − avec ℎ

, on a donc :
(︂ )︂ (︂ )︂ (︂ )︂ (︂ )︂
𝐶 𝑦 𝑘 𝑢 𝑘
𝒴 𝑘, 𝑥 𝑘 𝒰 𝑘, avec 𝒴 𝑘, et 𝒰 𝑘,
𝐶 𝐴 𝐶 𝐵 𝑦 𝑘 𝑢 𝑘
M
Après simplification on obtient :

(︂ )︂ (︂ )︂ (︂ )︂
𝐶 𝑦 𝑘
𝒴 𝑘, 𝑥 𝑘 𝑢 𝑘 avec 𝒴 𝑘,
𝐶 𝐴 𝐶 𝐵 𝑦 𝑘
Pour le deuxième capteur, i.e, 𝑗

: 𝒴𝑗 𝑘, ℎ𝑗 − =𝒴
𝑘, ℎ
− avec ℎ
, on a donc :
𝒴
𝑘, 𝐶
𝑥 𝑘 avec 𝒴
𝑘, 𝑦
𝑘
En combinant ces équations, on obtient :
⎛ ⎞ ⎛ ⎞
(︂ )︂ (︂ )︂ 𝐶
𝒴 𝑘, ℎ − 𝒴 𝑘, ⎝𝐶 𝐴⎠ 𝑥 𝑘 ⎝𝐶 𝐵 ⎠ 𝑢 𝑘
𝒴 𝑘, ℎ , ℎ
𝒴 𝑘,
,
𝒴
𝑘, ℎ
− 𝒴
𝑘,
𝐶


soit numériquement
⎛ ⎞ ⎛ ⎞ ⎛ ⎞
(︂ )︂ 𝑦 𝑘
𝒴 𝑘, ⎝𝑦 𝑘 ⎠ ⎝. .
⎠ 𝑥 𝑘 ⎝⎠ 𝑢 𝑘
𝒴 𝑘,
,
𝒴
𝑘,
𝑦
𝑘
(︀ )︀
L’élimination du vecteur d’état inconnu 𝑥 𝑘 est obtenu avec 𝛺 . − ce qui génère la
relation d’inter-redondance suivante :
𝑝 𝑘 . 𝑦 𝑘 − 𝑦 𝑘 𝑦
𝑘
D
Finalement l’ensemble des équations de redondance, et en l’absence de défaut, s’écrit :
⎛ ⎞ ⎛ ⎞ ⎛ ⎞
𝑝 𝑘 𝑦 𝑘
− 𝑦 𝑘 . 𝑦 𝑘 − 𝑢 𝑘
𝒫 𝑘 ⎝ 𝑝
𝑘 ⎠ ⎝ 𝑦
𝑘 − . 𝑦
𝑘 − 𝑢 𝑘 ⎠ ⎝ ⎠
𝑝 𝑘 − 𝑦 𝑘 . 𝑦 𝑘 𝑦
𝑘
HE
L’analyse de ce vecteur de parité permet de construire la table des signatures des défauts. Soit 𝑓𝑦 , 𝑓𝑦
et 𝑓𝑢
les défauts agissant respectivement sur le capteur 𝑦 , le capteur 𝑦
et le seul actionneur d’entrée 𝑢.
On a donc :
𝑓 𝑦 𝑓 𝑦
𝑓𝑢
𝑟 1 0 1
𝑟
0 1 1
IG 𝑟 1 1 0
TABLE 4.3 – Table des signatures des défauts.
Notons que ce vecteur de parité permet aussi de localiser facilement les défauts de capteur et de l’action-
neur, leurs signatures étant différente également. D’après le tableau 4.3, les signatures associées à chaque
EN
défaut sont :
⎛ ⎞ ⎛ ⎞
𝑟 𝑘
— la signature 𝑟 𝑘 ⎝𝑟
𝑘⎠ ⎝⎠ est associé au défaut 𝑓𝑦 .
⎛𝑟 𝑘⎞ ⎛ ⎞
𝑟 𝑘
𝑘⎠ ⎝ ⎠ est associé au défaut 𝑓𝑦
.
⎛𝑟 𝑘⎞ ⎛ ⎞
𝑟 𝑘
M
𝑘⎠ ⎝ ⎠ est associé au défaut 𝑓𝑢 .
𝑟 𝑘
L’analyse du vecteur parité associé à ces équations montre qu’il s’oriente dans des directions privilé-
giées selon les défauts à analyser (tableau 4.4)
Défaut aucun
⎛ ⎞ ⎛ 𝑓 𝑦 ⎞ ⎛ 𝑓 𝑦
⎞ ⎛ 𝑓𝑢 ⎞
. −
Direction du vecteur de parité ⎝⎠ ⎝ ⎠ ⎝. ⎠ ⎝− ⎠
− .
TABLE 4.4 – Direction du vecteur de parité en fonction des défauts.

4.2 Utilisation du calcul symbolique Page 47/ 56
Si les actionneurs sont en fonctionnement normal, la première équation est seulement sensible aux dé-
fauts du premier capteur alors que la seconde est affectée par les défauts du second capteur. Ainsi, ces deux
équations fournissent un moyen d’identifier les défauts des capteurs. La troisième équation est seulement
affectée par les défauts de capteurs, même si l’actionneur est défectueux ; il est ainsi possible d’isoler les
défauts capteurs et d’actionneurs puisque leurs signatures sont différentes.
Remarque 4.4 On peut noter, sur l’exemple considéré, que les équations d’inter-redondance peuvent aussi
s’obtenir par combinaison linéaire des équations d’auto-redondance en ayant soin d’éliminer les entrées 𝑢.
4.2 Utilisation du calcul symbolique
D
La génération d’équations de redondance peut être réalisée par une technique plus directe à partir des
équations d’état du système. Il suffit d’éliminer les états inconnus de façon à obtenir des équations ne
dépendant que des grandeurs connues, les entrées 𝑢 𝑘 et les sorties 𝑦 𝑘. A partir des équations d’état, on
HE
peut écrire, en l’absence de défauts :
{︃ {︃ {︃
𝑥 𝑘 𝐴𝑥 𝑘 𝐵𝑢 𝑘 𝑞𝑥 𝑘 𝐴𝑥 𝑘 𝐵𝑢 𝑘 𝑥 𝑘 𝑞𝐼 − 𝐴− 𝐵𝑢 𝑘
⇒ ⇒ (4.23)
𝑦 𝑘 𝐶𝑥 𝑘 𝑦 𝑘 𝐶𝑥 𝑘 𝑦 𝑘 𝐶𝑥 𝑘
L’élimination de 𝑥 𝑘 donne les redondances suivantes :
𝑝 𝑘 𝑦 𝑘 − 𝐶 𝑞𝐼 − 𝐴− 𝐵𝑢 𝑘 (4.24)
IG
Cette formulation présente l’intérêt de fournir directement les relations de redondance pour chaque sortie,
ce qui permet l’isolation des défauts de chaque capteur.
Le problème peut également être formulé en s’inspirant du cas statique. Après réarrangement des équa-
tions d’état, on peut séparer les variables inconnues 𝑥 𝑘, des variables connues 𝑢 𝑘 et 𝑦 𝑘 :
(︂ )︂ (︂ )︂ (︂ )︂
𝐶 𝐼 𝑢 𝑘
𝑥 𝑘
EN
(4.25)
𝑞𝐼 − 𝐴 𝐵 𝑦 𝑘
⏟ ⏞
𝐻 𝑞
La technique de projection, largement utilisée dans le cas des systèmes statiques, permet d’éliminer l’état 𝑥.
On cherche deux vecteurs 𝛼 et 𝛽, polynômes en la variable 𝑞, tels que :
(︁ )︁ )︁ (︂ 𝐶 )︂
(︁
𝛼 𝑞 − 𝛽 𝑞 .𝐻 𝑞 𝛼 𝑞 − 𝛽 𝑞 (4.26)
𝑞𝐼 − 𝐴
(︁ )︁
M
En multipliant à gauche l’équation (4.25) par le vecteur 𝛼 𝑞 − 𝛽 𝑞 , il vient :
𝛼 𝑞𝑦 𝑘 − 𝛽 𝑞𝐵𝑢 𝑘
Exercice corrigé
On considère le système dynamique décrit, en temps discret, par le triplet de matrices 𝐴, 𝐵 et 𝐶 avec :
⎡ ⎤ ⎡ ⎤

/ /
[︂ ]︂
⎣ ⎦ ⎣ ⎦
𝐴 /
, 𝐵 , 𝐶

/ /
Le vecteur de défauts 𝑓 𝑘 est initialement considéré nul 𝑓 𝑘 , ∀𝑘
Question : Etablir les relations d’auto-redondance relatives aux deux mesures ainsi que les relations d’inter-
redondance en utilisant les méthodes de calcul symbolique.

Solution
Si l’on utilise les techniques de calcul symbolique, l’établissement de l’équation d’auto- redondance
relative à la première mesure nécessite la détermination d’un vecteur ligne 𝛺 𝑞 orthogonale à la matrice
polynomiale :
⎛ ⎞

⎜
⎟
(︂ ⎜ 𝑞− )︂ ⎟
𝐶 ⎜ ⎟
𝐻 𝑞 ⎜ ⎟
𝑞𝐼 − 𝐴 ⎜ 𝑞 − ⎟
⎜
⎟
⎝ ⎠
D
𝑞−

Pour cet exemple, la détermination d’un tel vecteur est aisé ; on a par exemple :
(︁ )︁
𝛺 𝑞
𝑞 − 𝑞 −
−
𝑞 − −
𝑞 −

HE
Pour des situations plus complexes, l’emploi d’un logiciel de calcul formel permet d’effectuer aisément
cette détermination. En accord avec (4.25), l’équation d’auto-redondance s’écrit :
(︂ )︂ (︂ )︂
𝐼 𝑢 𝑘
𝑝 𝑘 𝛺 𝑞
𝐵 𝑦 𝑘
⎛ ⎞

⎜ ⎟⎛ ⎞
𝑝 𝑘
(︁
IG

𝑞 − 𝑞 −
−
𝑞 − −
𝑞 −

)︁ ⎜
⎜
⎜
⎟
⎟⎝
𝑢 𝑘
⎟ 𝑢
𝑘⎠
⎜ ⎟
⎝ ⎠ 𝑦 𝑘

𝑝 𝑘
𝑞 − 𝑞 −
𝑦 𝑘 − 𝑞 − 𝑢 𝑘 −
𝑞 − 𝑢
𝑘

EN
L’équation d’auto-redondance relative à la seconde mesure s’obtient de manière analogue ; un vecteur ligne
𝛺 𝑞 orthogonal à : ⎛ ⎞

⎜
⎟
(︂ )︂ ⎜ 𝑞 − ⎟
𝐶
⎜ ⎟
𝐻
𝑞 ⎜ ⎟
𝑞𝐼 − 𝐴 ⎜ 𝑞 − ⎟
⎜
⎟
⎝ ⎠
𝑞−

M
s’écrit : (︁ )︁
𝛺
𝑞
𝑞 − 𝑞 − −
𝑞 − −
𝑞 −
On en déduit l’équation d’auto-redondance pour la deuxième sortie comme suit :
𝑝
𝑘
𝑞 − 𝑞 − 𝑦
𝑘 −
𝑞 − 𝑢 𝑘 −
𝑞 − 𝑢
𝑘
Pour établir les équations d’inter-redondance, on cherche ensuite la matrice polynomiale orthogonale à :
⎛ ⎞

⎜ ⎟
⎜ ⎟
(︂ )︂ ⎜
⎟
𝐶 ⎜ 𝑞− ⎟
𝐻 𝑞 ⎜ ⎟
𝑞𝐼 − 𝐴 ⎜ ⎟
⎜ 𝑞− ⎟
⎜
⎟
⎝ ⎠
𝑞−


4.2 Utilisation du calcul symbolique Page 49/ 56
On peut, cette fois, exprimer le vecteur orthogonal sous une forme paramétrique :
[︂ (︁ )︁ (︁ )︁
𝛺 𝑞 𝑞 −

𝑞 − 𝑎 − 𝑞 − 𝑏 𝑞 −
𝑞 − 𝑏 −
𝑞 − 𝑎 − 𝑞 − 𝑏
]︂
− 𝑞 −
𝑎 − 𝑞 −
𝑏
Les équations de redondance se formulent alors selon :

⎛ ⎞

⎜ ⎛ ⎞
⎜ ⎟
⎟ 𝑢 𝑘
D
⎜ ⎟⎜
⎜ ⎟ 𝑢
𝑘⎟
𝑃 𝑘 𝛺 𝑞 ⎜
⎟⎜⎝
⎟
⎜ ⎟ 𝑦 𝑘 ⎠
⎜ ⎟
⎝ ⎠ 𝑦
𝑘

HE
c’est-à-dire en fonction des deux paramètres :
(︁ )︁
𝑃 𝑘 𝑞 −

𝑞 − 𝑎 − 𝑞 − 𝑏 𝑦 𝑘 𝑞 −
𝑞 − 𝑏𝑦
𝑘
(︁ )︁ (︁ )︁
𝑞 − 𝑏 − 𝑞 − 𝑎 𝑢 𝑘 −

𝑞 − 𝑎 𝑏 𝑢
𝑘

Pour différents jeux de paramètres 𝑎 et 𝑏, on retrouve l’ensemble des équations de redondance. Par
IG
exemple, l’équation d’auto-redondance de la première mesure s’obtient avec 𝑎 / et 𝑏 , tandis
que l’équation d’inter-redondance correspond à 𝑎 − et 𝑏 − (en divisant l’équation obtenue par le
polynôme 𝑞 −
commun à tous les coefficients).
EN
M

M
EN
IG
HE
D
Annexe A
D
Synthèse de l’observateur à entrées inconnues
HE
Soit un système linéaire décrit par les équations suivantes :
{︃
𝑥 𝑡 𝐴𝑥 𝑡 𝐵𝑢 𝑡 𝐸𝑑 𝑡
𝑠 ≡ (A.1)
𝑦 𝑡 𝐶𝑥 𝑡
Nous donnons la structure de l’observateur UIO d’ordre plein comme suit :

{︃
𝑧 𝑡 𝐹 𝑧 𝑡 𝑇 𝐵𝑢 𝑡 𝐾𝑦 𝑡
IG 𝑜𝑏𝑠 ≡
𝑥 𝑡 𝑧 𝑡 𝐻𝑦 𝑡
(A.2)
où 𝑥 ∈ R𝑛 est l’estimation du vecteur d’état et 𝑧 ∈ R𝑛 un vecteur d’état de l’observateur, 𝐹, 𝑇, 𝐾, 𝐻 sont

des matrices de dimensions compatibles avec celles des signaux 𝑧, 𝑢 et 𝑦. Ces matrices sont déterminées afin
de pouvoir réaliser un découplage des entrées inconnues et autres exigences de conception. L’observateur
UIO décrit par l’équation (A.2) est illustré par la figure suivante :
EN
Perturbation
Entrée u(t) Sortie y(t)

Système
M
TB K H
1 z(t) x̂(t) ŷ(t)

p C
UIO
F
F IGURE A.1 – Structure de l’observateur UIO.

Page 52/ 56
Unknown Input Observer design procedure

1. Check the rank condition for 𝐸 and 𝐶𝐸 :
if 𝑟𝑎𝑛𝑘 𝐶𝐸 ̸ 𝑟𝑎𝑛𝑘 𝐸 a UIO does not exisit, go to 10
2. Compute 𝐻, 𝑇 and 𝐴 :
[︁ ]︁−
𝑇
𝐻 𝐸 𝐶𝐸 𝐶𝐸 𝐶𝐸𝑇 , 𝑇 𝐼 − 𝐻𝐶, 𝐴 𝑇𝐴
3. Check the observability : if 𝐶, 𝐴 observable, a UIO exists and 𝐾 can be computed using pole
placement, go to 9.
4. Construct a transformation(︁ matrix 𝑃 for the observable canonical decomposition
)︁ : To select inde-
D
pendent 𝑛 𝑟𝑎𝑛𝑘 𝑊 𝑊 is the observability matrix of 𝐶, 𝐴 row vector 𝑝𝑇 , · · · , 𝑝𝑇𝑛 from
𝑊 , together other 𝑛 − 𝑛 row vector 𝑝𝑇𝑛 , · · · , 𝑝𝑇𝑛 to construct an non-singular matrix as :
𝑇
𝑃 𝑝 , · · · , 𝑝𝑛 𝑝𝑛 , · · · , 𝑝𝑛
HE
5. Perform an observable canonical decomposition on 𝐶, 𝐴 :
[︂ ]︂
− 𝐴
𝑃 𝐴 𝑃 , 𝐶𝑃 − 𝐶 *
𝐴
𝐴
6. Check the detectability of 𝐶, 𝐴 : if any one of the eigenvalues of 𝐴
is unstable, a UIO does not

exist and go to 10.
7. Select 𝑛 desirable eigenvalues and design them to 𝐴 − 𝐾𝑝 𝐶 * using pole placement.
IG [︀ ]︀𝑇
8. Compute 𝐾 𝑃 − 𝐾𝑝 𝑃 − 𝐾𝑝 𝑇 𝐾𝑝
𝑇 , where 𝐾𝑝
can be any 𝑛−𝑛 ×𝑚 matrix not-null.
9. Compute 𝐹 and 𝐾
{︃
𝐹 𝐴 − 𝐾 𝐶
(A.3)
𝐾 𝐾 𝐾
𝐾 𝐹 𝐻
EN
10. Stop.
M

Annexe B
Calcul Matriciel
D
HE
B.1 Three Lemmas
Lemma 1 : Matrix Inversion :
(︀ )︀− (︀ )︀−
𝐴 𝐵𝐶𝐷 𝐴− − 𝐴− 𝐵 𝐶 − 𝐷𝐴− 𝐵 𝐷𝐴−
Proof :
(︀ )︀(︀ )︀−
IG
𝐴 𝐵𝐶𝐷 𝐴 𝐵𝐶𝐷 𝐼
(︀ )︀−
𝐴 𝐴 𝐵𝐶𝐷− 𝐼 − 𝐵𝐶𝐷 𝐴 𝐵𝐶𝐷
(︀ )︀− (︀ )︀−
𝐴 𝐵𝐶𝐷 𝐴− − 𝐴− 𝐵𝐶𝐷 𝐴 𝐵𝐶𝐷
(︀ )︀−
𝐴− − 𝐴− 𝐵𝐶𝐷 𝐼 𝐴− 𝐵𝐶𝐷 𝐴−
(︀ )︀−
𝐴− − 𝐴− 𝐵 𝐷− 𝐶 − 𝐴− 𝐵 𝐴−
(︀ )︀−
𝐴− − 𝐴− 𝐵 𝐶 − 𝐷𝐴− 𝐵 𝐷𝐴−
EN
Lemma 2 : Short Form of Lemma 1 :

(︀ )︀− (︀ )︀−
𝑋 − 𝐵𝐷 𝑋 − 𝑋𝐵 𝐼 𝐷𝑋𝐵 𝐷𝑋
Proof : substitute 𝐴 𝑋 − and 𝐶 𝐼 into Lemma 1.
Lemma 3 : (︀ )︀− (︀ )︀−

M
𝐼 −𝐴 𝐼 𝐴 𝐼 𝐴
Proof : (︀ )︀− (︀ )︀(︀ )︀− (︀ )︀−

𝐼 −𝐴 𝐼 𝐴 𝐼 𝐴 𝐼 𝐴 −𝐴 𝐼 𝐴
(︀ )︀(︀ )︀−
𝐼 𝐴−𝐴 𝐼 𝐴
(︀ )︀−
𝐼 𝐴

Page 54/ 56
[︀ ]︀
𝑒 𝑠 𝐼 − 𝐶 𝑠𝐼 − 𝐴 𝐿𝐶− 𝐿 𝑏 𝑠
En utilisant le lemme de l’inversion matricielle :
(︀ )︀− (︀ )︀−
𝑃 𝑈𝑉 𝑃 − − 𝑃 − 𝑈 𝐼 𝑉 𝑃 − 𝑈 𝑉 𝑃 −
Pour cela, on pose :

𝑃 𝑠𝐼 − 𝐴
(︀ )︀−
𝑠𝐼 − 𝐴 𝐿𝐶− 𝑃 𝐿𝐶
(︀ )︀− (︀ )︀−
𝑃 𝐿𝐶 𝑃 − − 𝑃 − 𝐿 𝐼 𝐶𝑃 − 𝐿 𝐶𝑃 −
D
(︀ )︀− (︀ )︀−
C × 𝑃 𝐿𝐶 C𝑃 − − C𝑃 − 𝐿 𝐼 𝐶𝑃 − 𝐿 𝐶𝑃 −
(︀ )︀− (︀ )︀−
𝐶 𝑃 𝐿𝐶 ×L 𝐶𝑃 − L − 𝐶𝑃 − 𝐿 𝐼 𝐶𝑃 − 𝐿 𝐶𝑃 − L
(︀ )︀− (︀ )︀−
𝐶 𝑃 𝐿𝐶 𝐿 𝐶𝑃 − 𝐿 × I − 𝐶𝑃 − 𝐿 𝐼 𝐶𝑃 − 𝐿 𝐶𝑃 − 𝐿
D’après la propriété suivante : 𝐴.𝐴− 𝐴− .𝐴
HE
𝐼, on peut mettre donc :
(︀ )︀− (︀ )︀
I 𝐼 𝐶𝑃 − 𝐿 . 𝐼 𝐶𝑃 − 𝐿
Puis, on remplace et on obtient :

(︀ )︀− (︀ )︀−
𝐶 𝑃 𝐿𝐶 𝐿 𝐶𝑃 − 𝐿 × I − 𝐶𝑃 − 𝐿 𝐼 𝐶𝑃 − 𝐿 𝐶𝑃 − 𝐿
I
⏞ ⏟
(︀ )︀ − (︀ )︀ (︀ )︀−
𝐶𝑃 𝐿 × 𝐼 𝐶𝑃 𝐿 . 𝐼 𝐶𝑃 − 𝐿 −𝐶𝑃 − 𝐿 𝐼 𝐶𝑃 − 𝐿 𝐶𝑃 − 𝐿
− −
IG (︀ )︀− (︀ )︀ (︀
𝐶𝑃 − 𝐿 × 𝐼 𝐶𝑃 − 𝐿 . 𝐼 𝐶𝑃 − 𝐿 − 𝐶𝑃 − 𝐿 𝐼 𝐶𝑃 − 𝐿 𝐶𝑃 − 𝐿
)︀−
(︂ )︂
−
(︀ −
)︀− (︀ −
)︀ −
𝐶𝑃 𝐿 𝐼 𝐶𝑃 𝐿 𝐼 𝐶𝑃 𝐿 − 𝐶𝑃 𝐿
(︀ )︀− (︀ )︀
𝐶𝑃 − 𝐿 𝐼 𝐶𝑃 − 𝐿 𝐼 −
𝐶𝑃 𝐿 − 𝐶𝑃 −
𝐿
(︀ )︀− (︀ )︀−
𝐶 𝑃 𝐿𝐶 𝐿 𝐶𝑃 − 𝐿 𝐼 𝐶𝑃 − 𝐿
EN
(︀ )︀− (︀ )︀−
𝐼 − 𝐶 𝑃 𝐿𝐶 𝐿 I − 𝐶𝑃 − 𝐿 𝐼 𝐶𝑃 − 𝐿
I
⏞ ⏟
(︀ )︀ (︀ )︀− (︀ )︀−
𝐼 𝐶𝑃 𝐿 . 𝐼 𝐶𝑃 − 𝐿
−
−𝐶𝑃 − 𝐿 𝐼 𝐶𝑃 − 𝐿
(︀ )︀ (︀ )︀− (︀ )︀−
𝐼 𝐶𝑃 − 𝐿 . 𝐼 𝐶𝑃 − 𝐿 − 𝐶𝑃 − 𝐿 𝐼 𝐶𝑃 − 𝐿
:::::::::::::::: ::::::::::::::::
(︂ )︂
(︀ )︀ (︀ )︀ −
M
𝐼 𝐶𝑃 − 𝐿 − 𝐶𝑃 − 𝐿 𝐼 𝐶𝑃 − 𝐿
::::::::::::::::
(︀ )︀(︀ )︀−
𝐼 𝐶𝑃−
𝐿 − −
𝐶𝑃 𝐿 𝐼 𝐶𝑃 − 𝐿
(︀ )︀− (︀ )︀−
𝐼(︂− 𝐶 𝑃 𝐿𝐶 𝐿 )︂ 𝐼 𝐶𝑃 − 𝐿
(︀ )︀− (︀ )︀−
𝐼 − 𝐶 𝑃 𝐿𝐶 𝐿 𝑏 𝑠 𝐼 𝐶𝑃 − 𝐿 𝑏 𝑠
(︂ )︂ (︂ )︂−
(︀ )︀−
𝐼 − 𝐶 𝑠𝐼 − 𝐴 𝐿𝐶 𝐿 𝑏 𝑠 𝐼 𝐶 𝑠𝐼 − 𝐴− 𝐿 𝑏 𝑠
Donc, [︀ (︀ )︀− ]︀ [︀ ]︀−

𝑒 𝑠 𝐼 − 𝐶 𝑠𝐼 − 𝐴 𝐿𝐶 𝐿 𝑏 𝑠 𝐼 𝐶 𝑠𝐼 − 𝐴− 𝐿 𝑏 𝑠

Bibliographie
D
[1] R. Beard, Failure accommodation in linear systems through self-reoganization. PhD thesis, Massa-
chusetts Institute of Technology. Dept. of Aeronautics and Astronautics, 1971.
HE
[2] M. Blanke, M. Kinnaert, J. Lunze, and M. Staroswiecki, Diagnosis and fault tolerant control.
Springer-Verlag, 2003.
[3] M. Blanke, M. Kinnaert, J. Lunze, and M. Staroswieki, Diagnosis and Fault-Tolerant Control. Control
Systems Series, Springer Verlag, Heidelberg, ISBN 3-540-35652-5, 2nd. ed., 2006.
[4] J. Chen and R. J. Patton, Robust model-based fault diagnosis for dynamic systems. Kluwer. Academic
Publishers, 1999.
[5] E. Chow, A failure detection system design methodology. PhD thesis, Massachusetts Institute of Tech-
IG
nology. Dept. of Electrical Engineering and Computer Science, 1981.
[6] S. Ding, T. Jeinsch, P. Frank, and E. Ding, “A unifed approach to the optimization of fault detection
systems,” International Journal of Adaptive Control and Signal Proceeding, vol. Vol. 14, pp. pp. 725–
745, 2000.
[7] P. M. Frank, S. X. Ding, and B. Köppen-Seliger, “Current developments in the theory of fdi,” in
Proceedings of IFAC Symposium on Fault Detection, Supervision and Safety of Technical Processes
EN
(Safeprocess’2000), vol. Vol. 1, pp. pp. 16–27, 2000.

[8] Z. Gao and P. Antsaklis, “Stability of the pseudo-inverse method for reconfigurable control,” Interna-
tional Journal of Control., vol. Vol. 53(3), pp. pp. 717–729, 1991.
[9] J. Gertler, Fault detection and diagnosis in engineering systems. CRC Press, 1998.
[10] J. Gertler, “Survey of model-based failure detection and isolation in complex plants,” IEEE Control
Systems Magazine, vol. Vol. 8 (6), pp. pp. 3–11, 1998.
M
[11] R. Isermann, “Model-based fault detection and diagnosis status and applications,” Annual Reviews in
Control, vol. Vol. 29, pp. pp. 71–85, 2005.
[12] R. Isermann, “Process fault detection based on modelling and estimation methods : A survey,” Auto-
matica, vol. Vol. 20 (4), pp. pp. 387–404, 1984.
[13] J. Jiang, “Design of reconfigurable control systems using eigenstructure assignments,” Int. J. Control,
vol. Vol. 59, No. 2, pp. 395–410, 1994.
[14] D. Luenberger, “An introduction to observers,” IEEE Transactions On Automatic Control, vol. vol. 16
( 6), pp. pp. 596–602, 1971.
[15] D. Maquin and J. Ragot, Diagnostic des systèmes linéaires. Hermes, 2000.
[16] M. Massoumnia, “A geometric approach to the synthesis of failure detection filters,” IEEE Transac-
tions On Automatic Control, vol. Vol. 31(9), pp. pp. 839 – 846, 1986.
[17] K. Menighed, Commandes coopératives embarquées et tolérantes aux défauts. PhD thesis, Université
Henri Pointcaré, 2010.

Page 56/ 56 Bibliographie
[18] R. Patton and J. Chen, “A review of parity space approaches to fault diagnosis,” In Proceedingds of
IFAC/IMACS Symposium on Fault Detection, Supervision and Safety of Technical Processes (SAFE-
PROCESS ’91), vol. Vol. 1, pp. pp. 239–255, 1991.
[19] R. Patton, P. Frank, and R. Clark, Issues of fault diagnosis for dynamic systems. Springer, 2000.
[20] M. Staroswiecki, “Fault tolearnt control : The pseudo-inverse method revised,” in In Proc. of 16th
IFAC World Congress, Prague, Czech Republic, 2005.
[21] R. Toscano, Commande et diagnostic des systèmes dynamiques Modélisation, analyse, commande par
PID et par retour d’état, diagnostic. Ellipses, 2011.
[22] V. Venkatasubramanian, R. Rengaswamy, and S. Kavuri, “A review of process fault detection and
D
diagnosis- part ii : Qualitative models and search strategies,” Computers and Chemical Engineering,
vol. 27, pp. 313–326, 2003.
[23] Y. Zhang and J. Jiang, “Bibliographical review on reconfigurable fault-tolerant control systems,” An-
nual Reviews in Control, vol. 32, p. 229–252, 2008.
HE
IG
EN
M

Cours MK

Transféré par

Droits d'auteur :

Formats disponibles

Cours MK

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Cours MK

Transféré par

Droits d'auteur :

Formats disponibles

UNIVERSITÉ 20 AOÛT 1955-S KIKDA

Ce cours est préparé par: Dr.M ENIGHED K AMEL

Première version: Février 2018

2 Les méthodes de diagnostic 9

Cours: "Diagnostic des systèmes linéaires" Dr. Menighed Kamel

4 Génération de résidu par espace de parité 37

A Synthèse de l’observateur à entrées inconnues 51

Cours: "Diagnostic des systèmes linéaires" Dr. Menighed Kamel

1.1 Structure hiérarchisée. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1

3.1 Schéma de principe général du diagnostic des défauts à base d’observateur. . . . . . . . . 22

4.1 Principe de la génération de résidus par espace de parité. . . . . . . . . . . . . . . . . . . 41

A.1 Structure de l’observateur UIO. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51

Cours: "Diagnostic des systèmes linéaires" Dr. Menighed Kamel

3.1 Table des signatures : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35

4.1 Table des signatures des défauts. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45

Cours: "Diagnostic des systèmes linéaires" Dr. Menighed Kamel

Cours: "Diagnostic des systèmes linéaires" Dr. Menighed Kamel

1.1 Automatisation intégrée

F IGURE 1.1 – Structure hiérarchisée.

IHM (ou IR ) : Interface Homme Machine ( Interface Relation)

Cours: "Diagnostic des systèmes linéaires" Dr. Menighed Kamel

1.2 Automatisation et diagnostic

1.3 Définitions du Diagnostic

Cours: "Diagnostic des systèmes linéaires" Dr. Menighed Kamel

1.3.1 Contexte médical

Action de déterminer une maladie d’après ses symptômes

1.3.2 Contexte d’automatique

Selon les instances nationales et internationales de normalisation (AFNOR, CEI)

1.4 Objectif de diagnostic

2. Par abus de langage, la Surveillance signifie la Supervision

Cours: "Diagnostic des systèmes linéaires" Dr. Menighed Kamel

1.5 Du principe de cohérence au problème des connaissances

entre l’ensemble des connaissances, reflétant le fonctionnement nominal du système, et le comportement

comportement du système sur le système

F IGURE 1.4 – Principe de cohérence.

Cours: "Diagnostic des systèmes linéaires" Dr. Menighed Kamel

Entrées Sorties Sorties

disponibles sur le système

1.6 Terminologies et définitions

Cours: "Diagnostic des systèmes linéaires" Dr. Menighed Kamel

F IGURE 1.6 – Différents types de défauts agissants sur un système à surveiller.

1.7 Les différentes étapes du diagnostic d’un système

Cours: "Diagnostic des systèmes linéaires" Dr. Menighed Kamel

Système sous surveillance

point de consigne de commande maintenance pour réparation

Cours: "Diagnostic des systèmes linéaires" Dr. Menighed Kamel

Cours: "Diagnostic des systèmes linéaires" Dr. Menighed Kamel

La sélection de la méthode de diagnostic la plus appropriée à un système industriel donné ne peut se

2.2 Classification des méthodes de diagnostic

2.2.1 Les méthodes à base des données

2.2.2 Les méthodes à base de modèle

Cours: "Diagnostic des systèmes linéaires" Dr. Menighed Kamel

Estimation Estimationde e Estimation Espacede Hiiaidu

nmèti - simultanee paiIé causales dabstrachoit

2.4 Les méthodes quantitatives : (connaissance analytique)

Cours: "Diagnostic des systèmes linéaires" Dr. Menighed Kamel

u: Entrées Processus y: Sorties

F IGURE 2.2 – Principe de la méthode quantitative.

F IGURE 2.3 – Principe de la redondance materielle.

𝑟 𝑠 𝐻𝑢 𝑠𝑢 𝑠 𝐻𝑦 𝑠𝐺𝑢 𝑠𝑢 𝑠 𝐺𝑓 𝑠𝑓 𝑠 𝐺𝑑 𝑠𝑑 𝑠 (2.5)

résidu 𝑟𝑖 si |𝑟𝑖 𝑡| ≻ 𝑇 et 𝑟𝑖 si |𝑟𝑖 𝑡| ⪯ 𝑇 .