You are on page 1of 125

MINISTERE DE L'ENSEIGNEMENT SUPERIEUR ET DE LA RECHERCHE

SCIENTIFIQUE
UNIVERSITE FERHAT ABBAS - SETIF-
UFAS (ALGERIE)

MEMOIRE

Présenté à la faculté des sciences de l’ingénieur


Département d’Electrotechnique

Pour l’obtention du Diplôme de

Magister En Electrotechnique

Option : Machines Electriques et leurs commande

Par

KHATIR Abdelfatah

Thème

Etude comparative des modèles des


machines asynchrones utilisés en
diagnostic des défauts

Soutenu publiquement le 11 / 04 / 2009 devant le jury composé de :

Dr. Hachemi Mabrouk M.C. Université de Sétif Président


Dr. Hemsas Kamel Eddine M.C. Université de Sétif Rapporteur
Dr. Radjeai Hammoud M.C. Université de Sétif Examinateur
Dr. Sait Belkacem M.C. Université de Sétif Examinateur
Dr. Khemliche Mabrouk M.C. Université de Sétif Examinateur

Sétif 2009
Remerciements

Louange au Dieu le tout puissant qui m'a accordé la foi, le courage et la patience pour mener
ce travail.

Je tiens à remercier infiniment le Dr. HEMSAS Kamel Eddine pour sa patience et ses
conseils précieux qui m’ont été très utiles. Permettez-moi Monsieur de vous exprimer me
reconnaissances et mes remerciements les plus sincères.

Je remercie également les membres du jury qui m'ont honoré en acceptant de juger et
d’enrichir ce modeste travail.

Mes remerciements sont destinés aussi à toute ma famille, et tous mes amis pour leur aide et
leur soutien.

Khatir Abdelfatah
Je dédie ce travail
A mes chers parents,
A toute ma famille,
A tous mes amis,
A tous ceux qui veulent savoir.
NOTATIONS
Notations

fs : Fréquence d’alimentation de la machine.


p: Nombre de pairs de pôles.
R: Rayon de la machine.
l: Longueur de la machine.
e: Epaisseur d'entrefer.
Nr : Nombre de barres rotoriques.
Ns : Nombre des spires par phase statorique.
rs : Résistance d'une phase statorique.
Lsf : Inductance de fuite statorique.
Rb : Résistance d'une barre rotorique.
Re : Résistance d'un anneau de court circuit.
Lb : Inductance de fuite d'une barre rotorique.
Le : Inductance de fuite d'anneau de court circuit.
J: Moment d'inertie.
K0 : Coefficient de frottement.
Ce : Couple électromagnétique.
Cr : Couple résistant.
g: Glissement.
µ0 : Perméabilité magnétique du vide.
ibk : Courant dans la barre k.
irk : Courant dans la maille k.
ie: Courant dans l'anneau de court circuit.
iek: Courant dans une portion d'anneau.
ia, ib, ic : Courants statoriques.
va, vb, vc : Tensions statoriques.
ids, iqs : Composantes biphasées du courant statorique.
a: Angle électrique entre deux barres rotoriques.
vm : Valeur maximale de la tension d'alimentation.
ws : Pulsation de source d’alimentation.
wr : Vitesse de rotation du rotor.
: Position de repère de park.
r: Position du rotor.
rk : Flux principale créé par une maille rotorique.
sa : Flux magnétique total créé par ia et traversant l'enroulement de la phase
"a".
ds qs: Composantes biphasés du flux statorique.
[R], [L] : Matrices globales des résistances et des inductances avant la
transformation du Park.
[Rtr], [Ltr] : Matrices globales des résistances et des inductances après la
transformation du Park.
Is : courant statorique.
Ce : couple électromagnétique.
Wr : vitesse de rotation.

Iss : courant statorique du modèle neuronal.


Ces : couple électromagnétique du modèle neuronal.
Wrs : vitesse de rotation du modèle neuronal.
Sommaire

Introduction générale
Chapitre 1 : Surveillance de la MAS à cage : Etat de l’art
1.1 - Introduction ................................................................................................................. 10
1.1.1- Définitions de quelques termes liés au diagnostic ................................................. 10
1.1.2 Analyse de la procédure du diagnostic ................................................................... 12
1.2 - Défaillances de la machine asynchrone ........................................................................ 12
1.2.1 - Défauts statoriques .............................................................................................. 14
1.2.2 - Défauts rotoriques ............................................................................................... 16
a - Ruptures de barres ............................................................................................... 16
b - Ruptures d’anneaux ............................................................................................. 16
c - Excentricité statique, dynamique et mixte ............................................................ 17
d - Roulement à billes ............................................................................................... 18
1.2.3 - Défauts extérieurs (d’environnement) .................................................................. 18
1.3 - Méthodes de surveillance de la machine asynchrone .................................................... 19
1.3.1 - Redondance physique ou matérielle .................................................................... 19
1.3.2 - Redondance analytique ou Méthodes basées sur un modèle ................................. 19
a - La génération de résidus ...................................................................................... 20
b - La détection ........................................................................................................ 21
c - La localisation ..................................................................................................... 21
1.3.3 - Méthodes basées sur l’analyse spectrale .............................................................. 22
a - Analyses vibratoires de la machine ...................................................................... 23
b - Analyse des flux ................................................................................................. 23
c - Analyse du couple électromagnétique .................................................................. 23
d - Analyse des courants statoriques ......................................................................... 24
1.3.4 - Méthodes basées sur l’intelligence artificielle (IA) .............................................. 24
a - Réseaux de neurones artificiels ............................................................................ 25
b - Reconnaissances des formes (RDF) ..................................................................... 25
c - Logique floue ...................................................................................................... 26
1.4 - Conclusions ................................................................................................................. 27
Chapitre 2 : Modèle multi-enroulement de la MAS à cage
2.1 - Introduction ................................................................................................................. 29
2.1.1 - Le stator .............................................................................................................. 30
2.1.2 - Le rotor ............................................................................................................... 31
2.1.3 - Les organes mécaniques ...................................................................................... 31
2.2 - Modèle multi-enroulement de la machine asynchrone triphasé à cage .......................... 32
2.2.1 - Hypothèses simplificatrices ................................................................................. 32
2.2.2 - Inductances de la machine ................................................................................... 33
2.2.3 - Mise en équations de la machine ......................................................................... 34
a - Equations des tensions statotoriques .................................................................... 34
b - Equations de tensions au rotor ............................................................................. 35
c - Equation globale des tensions .............................................................................. 36
2.2.4 - Expression du couple électromagnétique ............................................................. 41
2.3 - Prise en compte du défaut dans le modèle .................................................................... 42
2.4 - Conclusion ................................................................................................................... 43
Chapitre 3 : Résultats des simulations
3.1 - Introduction ................................................................................................................. 45
3.2 - Résultats de simulation d’un fonctionnement sain ........................................................ 45
3.3 - Résultats de simulation d’un fonctionnement avec un défaut ........................................ 48
3.3.1 - Cassure de barres rotoriques ................................................................................ 48
a - Effet du défaut sur la durée du régime transitoire ................................................. 53
3.3.2 - Cassure de portions d’anneaux de court-circuit .................................................... 55
3.4 - Conclusions ................................................................................................................. 57
Chapitre 4 : Méthode de diagnostic
4.1 - Introduction ................................................................................................................. 59
4.2 - Analyse spectrale du courant statorique........................................................................ 59
4.2.1 - Cassures de barres ............................................................................................... 61
a - Effet du nombre de barres cassées sur les harmoniques ........................................ 61
4.2.2 - Cassures des portions d’anneaux de court-circuit ................................................. 62
4.3 - Diagnostic par Réseaux de neurones ............................................................................ 64
4.3.1 - Principe de diagnostic par les réseaux de neurones .............................................. 65
4.3.2 – Réseau de Neurone Artificielle RNA .................................................................. 65
a - Réseaux statiques ................................................................................................ 65
b - Réseaux dynamiques ........................................................................................... 66
c - Propriétés des RNA ............................................................................................. 67
4.3.3 – Apprentissage dans les RNA............................................................................... 68
4.3.4 – Choix du modèle neuronal .................................................................................. 68
4.3.5 – Simulation du modèle neuronal........................................................................... 70
4.3.6 – Génération de résidus des défauts rotoriques ....................................................... 73
4.3.7 – Localisation des défaillances............................................................................... 76
4.4 - Diagnostic par la logique floue ..................................................................................... 79
4.4.1 - Fonctions d'appartenances ................................................................................... 80
4.4.2 – Système d'inférence ............................................................................................ 82
4.4.1 - Résultats de simulation ........................................................................................ 82
4.5 - Comparaison ................................................................................................................ 86
4.6 - Conclusions ................................................................................................................. 88
Conclusion générale

Bibliographie

Annexe A : Paramètres du moteur utilisé


Annexe B : Sur vole sur Réseaux de Neurone
Annexe C : Sur vole sur logique floue
INTRODUCTION GENERALE
Introduction générale

Introduction générale

Les objectifs des différentes structures industrielles sont toujours liés à l'augmentation
de la qualité, la productivité et la rentabilité, la surveillance spéciale du processus pendant les
cycles de fonctionnement devient insuffisants.

Le diagnostic et la détection de défauts mobilisent à ce jour beaucoup de chercheurs


dans les différents domaines industriels, spécialement les entraînements électriques qui
utilisent de plus en plus les moteurs asynchrones à cause de leur robustesse, leur puissance
mécanique et de leur coût. Mais sont utilisation limité dans l’entraînement des systèmes à
vitesse constante par rapport aux systèmes à vitesse variable à couse de la difficulté de sa
commande.

Aujourd’hui, avec la progression de l’électronique de puissance, le moteur asynchrone


peut-être asservi bien en couple qu’en vitesse. Ce contrôle lui ouvre de larges domaines
d’utilisation (l’aéronautique, le nucléaire, la chimie, les transports ferroviaires, etc....).

Malgré sa fiabilité et sa robustesse, la machine asynchrone subit, au cours de sa


fonctionnement, un certains nombres de contraintes de différentes natures (électriques,
mécaniques et environnement). Ces dernières induits des défaillances qui peuvent conduisent
à des arrêts non programmés, à des pertes de production, à des réparations coûteuses et
peuvent entraîner de graves conséquences sur la sécurité des personnes, des matériels et
d’environnement.

Il est donc impératif de mettre en œuvre des systèmes de surveillance adéquats ayant
pour but de détecter de façon précoce les défauts.

Bien que déjà présents dans d’autres domaines, et parmi les différentes techniques de
diagnostic, l'analyse spectrale, les réseaux de neurones et la logique floue constituent des
nouvelles techniques dans le domaine de diagnostic.

Nous avons voulu savoir quel pourrait être l’apport de ces techniques appliquées à la
surveillance d’un système fortement non linéaire, qu’est la machine asynchrone à cage.

Il est évidemment impossible de cerner toutes les possibilités et les combinaisons où


peuvent intervenir ces techniques. Nous examinerons plus précisément le problème de
détection, ainsi que la localisation de quelques défauts.

Le présent travail s’inscrit dans le cadre de la surveillance des machines asynchrones


triphasées à cage. Nous sommes intéressées, particulièrement aux défauts qui peuvent
apparaître au niveau du rotor.

7
Introduction générale

Le mémoire comporte quatre chapitres. Dans le premier chapitre, nous rappelons les
principaux défauts qui peuvent apparaître dans la machine asynchrone à cage, et leurs
origines. Puis, nous présenterons les différentes techniques de surveillance des machines
asynchrones.

Le deuxième chapitre consacré à la présentation du modèle de simulation. Nous utilisent


un modèle multi-enroulement de la machine asynchrone triphasée à cage pour analyser le
comportement de la machine en absence et en présence de défaillances.

Dans le troisième chapitre, nous présenterons les résultats de simulation du moteur


asynchrone, dans les différentes conditions de fonctionnement, (avec et sans défaut). Nous
monterons les effets des cassures de barres et de portions d’anneaux de court-circuit sur les
différentes grandeurs électriques et électromécaniques de la machine.

Dans le quatrième chapitre, nous présenterons l'analyse spectrale du courant statorique


à l'aide de la transformée de Fourier rapide (FFT).

Nous présenterons par la suite l'utilisation du modèle neuronal dans le diagnostic et


réaliser une stratégie capable de détecter et localiser les défauts.

Et en fin nous présentons un exemple de diagnostique par l'utilisation du la logique


floue.

Nous terminerons par une conclusion générale sur l’ensemble de cette étude et nous
proposons des perspectives de travail, et enfin, retrouvons en bibliographie les différents
ouvrages utilisés dans ce mémoire.

Les annexes contiennent les paramètres de la machine asynchrone étudiée, des


explications concernant les fonctions Matlab des programmes développés.

8
CHAPITRE 1

SURVEILLANCE DE LA MAS A CAGE : ETAT DE L’ART


Chapitre 1 Surveillance de la MAS à cage : Etat de l’art

1.1 - Introduction

Bien que la machine asynchrone soit réputée par ses qualités de robustesses et de
faible coût de construction, il arrive néanmoins que celle-ci présente une panne électrique ou
mécanique, la responsabilité de garantir la disponibilité des systèmes repose sur la
maintenance et pour accomplir ces fonctions, la maintenance nécessite de connaître l'état de
fonctionnement des systèmes, la surveillance donne une réponse aux besoins de ces
d'informations.

Actuellement, il existe plusieurs outils de surveillance et de diagnostic des


entraînements électriques utilisant des méthodes mécaniques vibratoires ou acoustiques.
D'autre part, des approches qui consistent en l'utilisation des variations de l'alimentation
électrique du système d'entraînement sont en développement [Bou01]. Ces approches
permettent de s'affranchir des problèmes d'accessibilité et de dissocier les différents types de
défauts qui apparaissent.

Le but de ce premier chapitre est, de présenter, un état de l’art des différentes


techniques de surveillance des machines asynchrones triphasées à cage. Nous présentons dans
un premier temps quelques définitions liés au diagnostique puis les différents défauts qui
peuvent apparaître dans la machine asynchrone et provoquer des pannes. Ensuit, nous
décrivons les méthodes les plus couramment rencontrées pour le diagnostic des défaillances
de la machine asynchrone.

1.1.1 Définitions de quelques termes liés au diagnostic

Diagnostic : Le terme diagnostic en grec "diagnosis" (par connaissance), désigne


l'identification d'une maladie par ses symptômes. Dans cette courte définition on retrouve les
trois mots clés :
- Maladie : il ne peut y avoir diagnostic que par rapport à une défaillance fonctionnelle
(nous dirons anomalie). Dans notre cas les défauts des machines tournantes, encore faut-il
pour parler de maladie que la présence de ce défaut constitue une entrave pour le bon
fonctionnement de la machine.
- Symptôme : pour effectuer un diagnostic, il faut disposer d'informations significatives
qui permettant de reconnaître le défaut si on veut être efficace. Il faut que l'information soit
adoptée au besoin d'où la nécessité en général, de traiter celle- ci.
- Identification: c'est la démarche par laquelle on effectue le tri des informations qui sont
en notre disposition pour sélectionner un ou plusieurs défauts possibles [Zem03].

10
Chapitre 1 Surveillance de la MAS à cage : Etat de l’art

Donc de la définition le diagnostic est l'identification de la cause probable de la défaillance à


l'aide d'un raisonnement logique fondé sur un ensemble d'informations provenant d'une
inspection d'un contrôle où d’un test.
Maintenance: toutes les activités destinées à maintenir ou à rétablir un bien dans un état ou
dans des conditions données de sûreté de fonctionnement, pour accomplir une fonction
requise.
Fiabilité : La fiabilité est l'aptitude d'un dispositif à accomplir une fonction requise dans des
conditions d'utilisation et pour une période de temps déterminée [Fel98].
La fiabilité est destinée non seulement au concepteur et réalisateur mais aussi au
responsable de la maintenance pour :
- Le choix judicieux de nouveaux équipements.
- La définition de la politique de maintenance à appliquer.
- En cas de besoin ; l'amélioration de leur disponibilité.
Disponibilité : Aptitude d'une entité à être en état d'accomplir une fonction requise dans des
conditions données, à un instant donné ou pendant un intervalle de temps donné, en supposant
que la fourniture des moyens extérieurs nécessaires soit assurée " [Zao05].

Défaillance : Evénement engendrant une modification du fonctionnement du procédé. L’état


du système ne correspond plus à un fonctionnement normal, le système n’est plus apte à
assurer totalement sa fonction.

Sécurité : Ce terme regroupe les caractéristiques concernant l’utilisation du procédé et ses


dangers potentiels pour l’utilisateur ou pour le matériel.
Sûreté : Sûreté regroupe les notions de disponibilité, fiabilité, maintenabilité et sécurité du
système ; elle caractérise la confiance que l’on peut apporter au fonctionnement.

Modèle : Représentation formalisée d'un phénomène (reproduction d'un objet).


Résidu : Signal indicateur de défauts. Il reflète la cohérence des données mesurées vis-à-vis
du modèle comportemental du système.

11
Chapitre 1 Surveillance de la MAS à cage : Etat de l’art

1.1.2 Analyse de la procédure du diagnostic

Lorsqu’un défaut apparaît dans un équipement industriel, le système de diagnostic lié à


ce dernier doit d’abord détecter l’anomalie du fonctionnement puis y identifier la (ou les)
cause (s) de défaillance à l’aide d’un raisonnement logique pour qu’il puisse être isolé. En
effet, l’organisation générale de la procédure de diagnostic s’articule autour des étapes
suivantes [Zao05] :
A partir des moyens de mesure ou d’observation appropriés, nous effectuons l’extraction
des informations nécessaires à la mise en forme des caractéristiques associées aux
fonctionnements normaux et anormaux.
l’élaboration des signatures associées à des symptômes de défaillance en vue de la
détection d’un dysfonctionnement.
la détection d’un dysfonctionnement par comparaison avec des signatures associées à des
états de fonctionnements normaux.
la mise en œuvre d’une méthode de diagnostic de défaillance à partir de l’utilisation des
connaissances sur les relations de causalité (catalogue cause - effets).
une phase d’interprétation des données de diagnostic.
la prise de décision en fonction des conséquences et de l’importance des défauts.

1.2 Défaillances de la machine asynchrone

De multiples défaillances peuvent apparaître dans la machine asynchrone. Elles


peuvent être prévisibles ou intempestives, mécaniques ou électriques. Leurs causes sont très
variées. Dans le but d’une présentation synthétique, ces défauts peuvent se classer en deux
familles principales, les figures (1.2) et (1.3) regroupent ces causes [Bar05].

Fig. 1.2 - Causes internes de défauts de la machine asynchrone triphasée à cage.

12
Chapitre 1 Surveillance de la MAS à cage : Etat de l’art

Fig. 1.3 - Causes externes de défauts de la machine asynchrone triphasée à cage.

Une étude statistique, effectuée en 1988 par une compagnie allemande de systèmes
industriels sur les pannes des machines asynchrones de faible et moyenne puissance (50KW à
200KW) a donné les résultats suivants (Fig. 1.4) :

Fig. 1.4 - Répartition des pannes des machines de faible et moyenne puissance.

Les défauts statoriques sont les plus rencontrés dans ces types de machines.

Une autre étude statistique faite sur des machines de grande puissance (100KW à
1MW) a donné les résultats suivants (Fig. 1.5) :

13
Chapitre 1 Surveillance de la MAS à cage : Etat de l’art

Fig. 1.5 - Répartition des pannes des machines de fortes puissances.

Les contraintes mécaniques sont plus grandes pour ces types de machines ce qui
explique le taux élevé des pannes dues aux roulements. Celles-ci exigent une maintenance
mécanique accrue [Bou01].

Ces études montrent que certains défauts sont plus fréquents que d’autres, parmi ces
défauts :

1.2.1 - Défauts statoriques

L’apparition d’un défaut au niveau du stator de la machine asynchrone peut avoir des
origines diverses. Nous pouvons citer, par exemple, les défauts d’isolement dans un
enroulement. Les différentes causes pour ce type de défaut sont :

Dégradation de l’isolant à la fabrication.

Tension de l’enroulement supérieure à la limite du matériau d’isolation.

Courant élevé dans l’enroulement dû à un court-circuit, une surcharge. Ceci entraîne


une élévation de la température dégradant prématurément le matériau d’isolation.

Vibrations mécaniques.

Vieillissement naturel des isolants. Tous les matériaux isolants ont une durée de vie
limitée. Même dans une utilisation ‘normale’, l’isolant finit naturellement par se
dégrader.

Fonctionnement dans un environnement sévère.

14
Chapitre 1 Surveillance de la MAS à cage : Etat de l’art

Ouverture dans une phase de l'alimentation Courts-circuits entre - phase

Déséquilibre de l'alimentation Endommagement dû à la surcharge

Masse dans l'encoche Dégradation causée par une surtension

Fig. 1.6 - Différents défauts statoriques de la machine asynchrone.

15
Chapitre 1 Surveillance de la MAS à cage : Etat de l’art

On peut avoir des défauts court-circuits inter spires qui apparaissent à l’intérieur des
encoches statoriques. Ce type de défaut peut être causé par une dégradation des isolants des
spires du bobinage statorique. Il entraîne une augmentation des courants statoriques dans la
phase affectée, une légère variation de l’amplitude sur les autres phases.

Nous pouvons citer aussi les court-circuits apparaissant entre une phase et le neutre,
entre une phase et la carcasse métallique de la machine ou encore entre deux phases
statoriques.

Ces défauts ont le plus souvent une origine mécanique. En effet, des vibrations
excessives peuvent mener à un desserrement des boulons de la plaque à bornes de la machine
créant ainsi le court-circuit. Une cosse mal serrée à la jonction du câble d’alimentation et des
bornes de la machine peut être à l’origine d’une ouverture de phase. Le défaut le plus
couramment rencontré reste encore la fusion d’un fusible de protection.

Ces défauts peuvent être détectés par une analyse harmonique des courants absorbés
par la machine [Did04] [Ond06].

1.2.2 - Défauts rotoriques

Les défauts rotoriques se situent au niveau de la cage ou au niveau de l’entrefer.


Au niveau de la cage les défauts se résument à la rupture de barres de la cage ou à la rupture
d’anneaux de court-circuit. Au niveau de l’entrefer les défauts se manifestent par une
excentricité statique, dynamique ou mixte.

a - Ruptures de barres

Cassure ou la rupture de barre est l’une des défauts les plus fréquents au rotor. Elle
peut se situer au niveau de son encoche soit à l’extrémité qui la relie à l’anneau rotorique. La
détérioration des barres réduit la valeur moyenne du couple électromagnétique et augmente
l’amplitude des oscillations, qui elles-mêmes provoquent des oscillations de la vitesse de
rotation. La grande amplitude de ces oscillations accélère la détérioration de la machine. Ainsi
le couple diminue sensiblement avec le nombre de barres cassées induisant un effet cumulatif
de la défaillance. L’effet d’une cassure de barre croit rapidement avec le nombre de barres
cassées [Ond06].

b - Ruptures d’anneaux

La rupture de portion d’anneau est un défaut qui apparaît aussi fréquemment que la
cassure de barres. Ces ruptures sont dues soit à des bulles de coulées ou aux dilatations

16
Chapitre 1 Surveillance de la MAS à cage : Etat de l’art

différentielles entre les barres et les anneaux. Comme il est difficile de le détecter, ce défaut
est généralement groupé, voir confondu, avec la rupture de barres dans les études statistiques.
Ces portions d’anneaux de court-circuit véhiculent des courants plus importants que ceux des
barres rotoriques. De ce fait, un mauvais dimensionnement des anneaux, une détérioration des
conditions de fonctionnement (température, humidité,....) ou une surcharge de couple et donc
de courants, peuvent entraîner leur cassure.

La rupture d’une portion d’anneau déséquilibre la répartition des courants dans les barres
rotoriques et de ce fait, engendre un effet de modulation d’amplitude sur les courants
statoriques [Ond06].

c - Excentricité statique, dynamique et mixte

La machine électrique peut être soumise à un décentrement du rotor, se traduisant par


des oscillations de couple (décalage entre le centre de rotation de l’arbre et le centre du rotor).
Ce phénomène est appelé excentricité (statique et dynamique) son origine peut être
liée à un positionnement incorrect des paliers lors de l’assemblage, à un défaut de roulement
(usure), à un défaut de charge ou à un défaut de fabrication [Cas03].

Trois cas d’excentricités sont généralement distingués :

l’excentricité statique : le rotor est déplacé du centre de l’alésage mais


tourne toujours autour de son axe.

l’excentricité dynamique : le rotor est positionné au centre de l’alésage


mais ne tourne plus autour de son axe.

l’excentricité mixte : associant les deux cas, statique et dynamique.

On peut représenter l’excentricité statique et dynamique de la manière suivante :

Excentricité statique Excentricité dynamique

Fig. 1.7 - Représentation de l’excentricité statique et dynamique.

17
Chapitre 1 Surveillance de la MAS à cage : Etat de l’art

Ce défaut modifie le comportement magnétique et mécanique de la machine. En effet,


l’augmentation de l’excentricité dans l’entrefer induit une augmentation des forces
électromotrices, ce qui agit directement sur le noyau statorique ainsi que l’enroulement
correspondant, ce qui engendre une dégradation de son isolation.

D’autre part, cette augmentation peut avoir comme conséquences des frottements entre
le stator et le rotor en raison des forces d’attraction magnétique qui déséquilibrent le système.
Ceci donne naissance à des niveaux de vibration considérables dans les enroulements.

d - Roulement à billes

A l’interface entre le rotor et le stator, le roulement à billes présente aussi un


vieillissement relativement rapide.

Cassure dans la cage Trous et corrosion


dans les gorges

Vieillissement des billes

Fig. 1.8 – Différentes défaillances des roulements à billes

Classiquement ce type de défaut est diagnostiqué à partir du spectre d’une mesure


acoustique ou vibratoire [Raz03], on distingue:

Trous dans les gorges du roulement intérieurs et extérieures,

Ondulation de la surface du roulement,

Attaque des billes,

Corrosion due à l’eau,

défaut de graissage, problème dû à la température,

Décollement, effritement de surface, provoquée par une surcharge.

1.2.3 - Défauts extérieurs (d’environnement) :

Ces effets sont principalement dus à un problème de nature [Raz02]:

Electriques : régime transitoire et déséquilibré d'alimentation,

18
Chapitre 1 Surveillance de la MAS à cage : Etat de l’art

Thermiques : la température ambiante élevée, points chauds, surcharge…

Mécaniques : agression, choc en service, jeux,

Dynamiques : arbre de transmission de rotor et le bobinage pour le stator.

Chimiques : corrosion, humidité …

1.3 - Méthodes de surveillance de la machine asynchrone

La surveillance est un moyen de garantir le bon fonctionnement des systèmes la


continuité de service et la protection du matériel et des personnels. Le diagnostic fait partie de
la surveillance. Il a pour objectif de détecter d'une manière précoce un défaut avant qu'il ne
conduise à une défaillance totale dans l'installation industrielle. Les deux principales tâche de
diagnostic sont : la détection et la localisation des défauts. La détection consiste à signaler
l'existence du défaut, tandis que la localisation a pour objet de trouver le type de défaut
[Ham06].

Dans cette partie nous allons décrire les méthodes les plus couramment rencontrées
pour le diagnostic des défaillances de la machine asynchrone.

1.3.1 - Redondance physique ou matérielle

La redondance physique consiste à utiliser plusieurs capteurs, actionneurs, processeurs


et logiciels pour mesurer et/ou contrôler une variable particulière. Un principe de vote est
appliqué sur les valeurs redondantes pour décider si une faute est présente ou non. Cette
approche entraîne un coût important en instrumentation mais s'avère extrêmement fiable et
simple à implanter. Elle est mise en oeuvre essentiellement sur des systèmes à hauts risques
tels que les centrales nucléaires ou les avions.

Le diagnostic utilisant la redondance physique se limite à la surveillance des éléments


redondants (capteurs, actionneurs,...) présents sur une installation. A l'aide de cette seule
technique, il ne sera pas possible de détecter des pannes survenant sur des éléments non
redondants.

1.3.2 - Redondance analytique ou Méthodes basées sur un modèle

Un complément à la redondance physique est d'exploiter les contraintes liant les


différentes variables du système. Ces contraintes peuvent souvent s'exprimer sous la forme de
relations analytiques liant les variables connues (relations d'entrée/sortie ou de sortie/sortie).
Ces relations sont appelées des relations de redondance analytique. Le principe de la

19
Chapitre 1 Surveillance de la MAS à cage : Etat de l’art

surveillance consiste à vérifier si ces relations sont égales à zéro (dans un sens statistique
précisé plus loin) en utilisant les mesures prélevées en ligne sur le système. Le concept de
redondance analytique repose sur l'utilisation d'un modèle mathématique du système à
surveiller. Pour cette raison, les méthodes utilisant la redondance analytique pour la
surveillance sont appelées méthodes à base de modèle.

Le principe de la surveillance utilisant un modèle peut être séparé en deux étapes


principales la génération de résidus et la localisation des défauts.

Les méthodes à base de modèles analytiques exploitent des données numériques issues
d’un modèle du système étudié Ces données sont ensuite comparées aux mesures effectuées
sur le système, un écart révélant une anomalie .Ces méthodes reposent donc sur le principe de
redondance analytique : des équations analytiques décrivant le fonctionnement nominal du
système sont utilisées pour établir puis vérifier des relations liant les grandeurs mesurées entre
elles [Bac02].

Pour mettre au point une telle procédure de diagnostic, la première étape consiste a
mettre au point un modèle du système. Une fois le modèle validé, la procédure de diagnostic
en elle même comporte trois phases:

La génération de résidus, grandeurs sensibles aux défauts;

La détection de défauts éventuellement présents, par l’analyse des résidus;

La localisation et l’identification du type de défaillance.

Les méthodes de surveillance à base de modèles utilisent la redondance d'information


présente sur un système.

Deux types de redondance peuvent être distingués: la redondance matérielle et la


redondance analytique.

a - Génération de résidus

Un résidu doit refléter la cohérence des signaux mesurés avec un modèle.

Une image de cette cohérence est donnée par les caractéristiques statistiques (pour les
méthodes basées sur un modèle du système) ou spectrales (pour les méthodes basées sur un
modèle de signal).

Pour qu'un signal généré à partir la détection des pannes.

20
Chapitre 1 Surveillance de la MAS à cage : Etat de l’art

Généralement, lorsqu'un modèle d'un système est utilisé, seulement deux


caractéristiques statistiques sont prises en compte pour le résidu: sa moyenne et/ou son écart
type (ou sa variance). En pratique, il est souvent possible de générer des résidus ayant une
moyenne nulle en fonctionnement normal et différente de zéro en fonctionnement défaillant.

b - La détection

La procédure de détection vise à déterminer l'apparition et l'instant d'occurrence d'une


faute. Une panne sera détectable si au moins un résidu permet de la détecter.

Les résidus sont obtenus en comparant des modèles s'exprimant sous la forme d'état et
un système réel. Lorsque le modèle permet de représenter exactement le système (aucune
erreur de modélisation, connaissance de la nature des signaux inconnus agissant sur le
système, ...) alors les résidus générés seront strictement égaux à zéro en fonctionnement
normal et différent de zéro en présence de pannes (on prend en considération les fausse
alarmes). La procédure de détection se résumera alors à déclencher une alarme lorsqu'au
moins un résidu différera de zéro.

En pratique, les modèles que nous utilisons sont obtenus à partir d'hypothèses
simplificatrices et sont donc imparfaits. Les résidus (qui reflètent l'écart entre le modèle et le
système) ne sont plus parfaitement égaux à zéro.

Le processus de détection le plus simple consiste à comparer une caractéristique


statistique des résidus (moyenne ou écart type) à un seuil. Une alarme est déclenchée à chaque
franchissement de ce seuil.

c - La localisation

Durant la dernière décennie, un effort notable a porté sur l’amélioration des


performances des systèmes de surveillance par l’utilisation des méthodes de l’automatique
moderne et de l’informatique industrielle.

Aujourd’hui, les outils de la sûreté de fonctionnement, la surveillance et le diagnostic


appliqués aux dispositifs tels que les machines électriques permettent d’envisager la mise en
oeuvre de techniques de suivi en ligne du fonctionnement par la détection précoce des
dysfonctionnements et ensuite la localisation de défauts.

Lorsqu'une panne est détectée, une procédure de localisation est utilisée pour
permettre de déterminer l'origine de celle-ci. A la différence de la détection où un seul résidu
est nécessaire, la procédure de localisation nécessite un ensemble (ou vecteur) de résidus.

21
Chapitre 1 Surveillance de la MAS à cage : Etat de l’art

1.3.3 - Méthodes basées sur l’analyse spectrale

L'analyse spectrale est utilisée depuis de nombreuses années pour détecter des
défaillances dans les machines électriques, essentiellement les ruptures de barres et/ou de
portions d’anneaux au rotor des machines asynchrones, la dégradation des roulements, les
excentricités et les courts-circuits dans les bobinages. Ces cas se prêtent bien à cette approche
dans la mesure où de nombreux phénomènes se traduisent par l'apparition de fréquences
directement liées à la vitesse de rotation ou à des multiples de la fréquence d'alimentation.

La surveillance par analyse spectrale de la machine asynchrone consiste à effectuer


une simple transformée de Fourier des grandeurs affectées par le défaut, et à visualiser les
fréquences parasites constituant la signature d'un défaut dans la machine (Fig.1.6) Les
grandeurs choisies sont soit les grandeurs électriques (plus particulièrement les courants de
ligne), soit les grandeurs mécaniques (vibration, couple électromagnétique) [Nez06] :

Fig. 1.6 - Principe de la surveillance par analyse spectrale

a - Analyses vibratoires de la machine

Fig. 1.7 - Mesures vibratoires sur la machine asynchrone

22
Chapitre 1 Surveillance de la MAS à cage : Etat de l’art

L’analyse vibratoire de la machine asynchrone peut être menée grâce à des


accéléromètres placés sur les paliers dans les directions verticales, axiales et radiales.

Les vibrations de la machine fournissent des informations sur pratiquement tous les
défauts fréquemment rencontrés, notamment ceux mécaniques [Cas03].

Cependant, ces analyses vibratoires comportent certains inconvénients [Ond06] :

Problème d’accessibilité,

Difficultés rencontrées dans les connexions mécaniques des accéléromètres


pour effectuer les mesures nécessaires au voisinage direct du défaut.

De plus, le coût de ces capteurs reste relativement élevé par rapport aux autres
capteurs tels que les capteurs de vitesse ou de courant.

Pour s’affranchir de ces problèmes, les recherches focalisent leurs efforts pour détecter
et localiser les défauts par l’analyse d’autres signaux.

b - Analyse des flux

La conversion électromécanique de l'énergie est localisée dans l'entrefer. Cette conversion


est donc affectée par tout déséquilibre magnétique, mécanique, électrique ou
électromagnétique au rotor ou au stator. Le flux d'entrefer et par-là même l'induction
magnétique dans cet entrefer, le flux embrassé dans les enroulements statoriques ou encore le
flux de fuite dans l'axe du rotor sont des paramètres qui, à cause de leur sensibilité à tout
déséquilibre de la machine, méritent d'être analysés [Cas03].

Ces grandeurs sont difficilement mesurables mais des études ont été menées pour
extraire des signatures spécifiques à certains défauts.

Le flux axial est toujours présent dans les machines électriques à cause des
dissymétries inhérentes à leur fabrication. L'étude des variations de flux peut donc être une
solution pour détecter et localiser un défaut à travers de l'utilisation de bobines exploratrices
placées à l'extérieur de la machine, perpendiculairement à l'axe du rotor

c - Analyse du couple électromagnétique

Le couple électromagnétique développé dans les machines électriques, provient de


l'interaction entre le champ statorique et celui rotorique. Par conséquent, tout défaut, soit au
niveau du stator ou au rotor, affecte directement le couple électromagnétique.

23
Chapitre 1 Surveillance de la MAS à cage : Etat de l’art

L'analyse spectrale du signal du couple (mesuré ou estimé), donne des informations


sur l'état du moteur [Ham06].

d - Analyse des courants statoriques

Les signaux évoqués précédemment permettent de détecter un grand nombre de


défauts sur la machine. Cependant, ces signaux nécessitent la mise en place d’un grand
nombre de capteurs (flux, couple mètre, accéléromètres,…) souvent onéreux, sensibles et
délicats à placer dans des environnements contraignants [Nez06].

Pour ces inconvénients et pour extraire de manière précise les informations relatives
aux défauts les recherches ont été particulièrement dirigées vers le spectre des courants
statoriques pour deux raisons : Les courants sont faciles à mesurer, ils fournissent des
informations sur de nombreux défauts. [Cas03]

Les défauts de la machine asynchrone se traduisent dans le spectre du courant


statorique soit par [Ham06] :

L'apparition des raies spectrales dont les fréquences sont directement liées
à la fréquence de rotation de la machine, aux fréquences des champs
tournants et aux paramètres physiques de la machine (nombre d'encoche
rotorique et nombre de paires de pôles).

La modification de l'amplitude des raies spectrales, présentés dans le


spectre du courant.

Cette approche de surveillance des entraînements électriques a été largement utilisée


depuis ces dernières années elle est connue sous le nom de MCSA (Motor Current Signature
Analysis). L’avantage, comparé aux signaux précédents, est que les capteurs de courants sont
désormais présents dans tous les systèmes de commande des entraînements électriques et
offrent donc, un accès aisé à la mesure sans une implémentation (de capteur) supplémentaire.

1.3.4 - Méthodes basées sur l’intelligence artificielle (IA)

En dépit des diverses techniques mentionnées précédemment, ces dernières années, la


surveillance et la détection de défaut des machines électriques se sont éloignées des
techniques traditionnelles pour s’orienter vers des techniques dites d’intelligence artificielle
(IA).

L’intelligence artificielle (IA) est une branche de l’informatique qui traite la


reproduction par la machine de certains aspects de l’intelligence humaine tels qu’apprendre à

24
Chapitre 1 Surveillance de la MAS à cage : Etat de l’art

partir d’une expérience passée à reconnaître des formes complexes et à effectuer des
déductions [Ond06].

L’intérêt de recourir à l’intelligence artificielle (IA) pour résoudre le problème de


diagnostic des défaillances, est dû principalement aux avantages suivants [Deb07]:

la non disponibilité de modèle explicite pour le cas de défaillances est un problème


que les techniques de l’intelligence artificielle (IA) peuvent résoudre car basées sur
la non nécessité de modélisation.

L’insertion de connaissance d’expert, données sous forme linguistique soit pour la


détection, ou la localisation de défauts ce qui permet de rendre le système de
contrôle commande apte à effectuer l’insertion automatique des symptômes et la
mémorisation de chaque nouvel acte (possibilité de son auto instruction).

La simplicité dans la mise en œuvre, une fois préparées les règles d’expert.

La robustesse face aux perturbations.

Parmi ces méthodes, nous pouvons citer :

a - Réseaux de neurones artificiels

Pour identifier des défauts dans un système, le diagnostic réalisé par réseaux de
neurones doit disposer d’un nombre suffisant d’exemples de bon fonctionnement et de défauts
pour pouvoir les apprendre. Pendant la phase d’apprentissage, les exemples sont présentés au
réseau en entrée avec les diagnostics correspondants à la sortie. Le réseau s’auto-organise,
apprenant à relier les exemples montrés aux diagnostics. Après l’apprentissage, le réseau ne
reconnaît pas seulement les exemples appris mais également des paradigmes leur ressemblant,
ce qui correspond à une certaine robustesse par rapport aux déformations de signaux par le
bruit. L’inconvénient majeur est d’arriver à déterminer une méthodologie pour maîtriser les
problèmes inhérents, qui sont principalement le choix de la structure, de la taille du réseau et
des algorithmes d’apprentissage pour un problème précis.

Par contre, la principale raison de leur intérêt en diagnostic industriel est leur faculté
d’apprentissage et la mémorisation d’un grand volume d’information [Ond06].

b - Reconnaissances des formes (RDF)

La Reconnaissance des Formes est un des nombreux aspects de l'intelligence


artificielle ou plus exactement de l'intelligence calculatoire.

25
Chapitre 1 Surveillance de la MAS à cage : Etat de l’art

L’objectif du diagnostic par la reconnaissance des formes est d’associer une observation
du système (données fournies par des capteurs, par exemple), à un mode de fonctionnement,
correspondant à une classe. Pour cela, on procède comme suit :

Choisir les paramètres représentant les observations, ce qui permet de


définir l’espace de représentation.

Réaliser une base d’apprentissage.

Définir les différents modes de fonctionnement, ou classes.

Construire une règle de décision permettant d’associer une nouvelle forme


à un mode de fonctionnement.

Ces différentes étapes sont illustrées sur la figure suivante [Bac02].

Fig. 1.8 - Différentes étapes du diagnostic par RDF

En plus du diagnostic par réseaux de neurones artificiels et la reconnaissance des


formes, il existe d’autres méthodes telles que la logique floue.

c - Logique floue

Nous venons de voir que la logique floue sert à représenter des connaissances
incertaines et imprécises. La commande floue sert à prendre une décision même si l'on ne peut
pas estimer les entrées/sorties qu'à partir de prédicats vagues ou lorsque ses entrées/sorties
sont entachées d'erreurs que l'on peut évaluer que grossièrement.

On conçoit l'intérêt de faire entrer l'approche floue dans la régulation ou


l'asservissement des processus industriels, pour lesquels les informations disponibles sont

26
Chapitre 1 Surveillance de la MAS à cage : Etat de l’art

souvent imprécises, incertaines et parfois qualitatives, dans des boucles de régulation parfois
incomplètes.

La notion d'ensemble floue permet de définir une appartenance graduelle d'un élément
à une classe, c'est-à-dire appartenir plus ou moins fortement à cette classe. L'appartenance
d'un objet à une classe est ainsi définie par un degré d'appartenance entre 0 et 1.

Il existe plusieurs types de fonction d'appartenance, on peut choisir plusieurs formes,


mais les plus usuelles sont triangulaires, trapézoïdales ou gaussiennes.

Le contrôleur flou est basé sur un ensemble de règles du type Si …. Alors …. (Comme
en logique classique) établies en général de manière empirique.

Il existe trois étapes essentielles dans la mise en ouvre d'un contrôleur flou (Fig.1.9)

Entées Sorties

Fuzzification Inférences Défuzzification

Valeurs Domaine Valeurs


numériques flou numériques

Fig. 1.9 - Etapes essentielles d'un contrôleur flou

1.4 - Conclusions

Dans ce premier chapitre nous avons rappelé brièvement les différents défauts de la
machine asynchrone triphasée à cage ainsi que leurs origines.

Après la présentation des différents défauts qui peuvent apparaître dans la machine
asynchrone nous avons présenté les différentes méthodes de diagnostic des défauts appliquer
à la machine asynchrone. Comme nous avons mentionné précédemment, notre travail est
consacré à l'étude et à la détection des cassures de barres et de portions d'anneau de court-
circuit dans la cage rotorique d'un moteur asynchrone. Pour cela, il faut disposer d'un bon
modèle mathématique, décrivant le comportement de la machine dans l'état sain et avec
défaut. Ceci fait l'objet du chapitre suivant.

27
CHAPITRE 2

MODELE MULTI-ENROULEMENT DE LA MAS A CAGE


Chapitre 2 Modèle multi-enroulement de la MAS à cage

2.1 - Introduction

La modélisation et la simulation de la machine asynchrone pour objectif de


commande et du dimensionnement de l’entraînement électrique ont été l’objet de nombreux
travaux. On dit qu’on peut modéliser un processus physique, si on est capable de prédire quel
est son comportement (sortie) lorsqu’on le soumet à une sollicitation (entrée) connue.

Le problème de modélisation se pose lorsque l’ingénieur doit prendre une décision au


sujet d’un phénomène dont il ne connaît le comportement qu’à partir des données
expérimentales. Dans certains cas, la connaissance fondamentale des phénomènes en question
nous permet de proposer un modèle mathématique bien précis (modèle de connaissance).

Pour des raisons de commodité pratique, le modèle sera mathématique afin d’être
simulé sur calculateur numérique. On cherche donc une relation mathématique qui lie les
variables d’entrée et celles de sortie. Cette relation mathématique prend une certaine forme
qui définit la structure du modèle. Elle fait intervenir des paramètres dont, en général, on
ignore a priori les valeurs numériques.

Les progrès de l'informatique et du génie des logiciels permettent de réaliser des


modélisations performantes et d'envisager l'optimisation des machines électriques.

Ainsi la modélisation permet de guider les développements par une quantification des
phénomènes.

En outre, elle est d'un appoint précieux en permettant d'une part, de restituer une
image de ce que l'on peut observer expérimentalement, et d'autre part de prévoir des
comportements de la machine plus varie que ceux de l'observation expérimentale.

Pour obtenir le modèle d'un système ; trois tâches doivent être accomplies :

Choisir le modèle ;

Déterminer ses paramètres;

Vérifier sa validité.

La modélisation décrite dans ce chapitre, a pour objet de simuler la rupture de barres


ou de portions d'anneaux de court-circuit pour une machine asynchrone à cage. Pour ce faire
nous avons choit un modèle basé sur un circuit maillé représentant la cage rotorique car il
s’adapte bien au problème posé puisqu’il décrit chaque élément de la cage par un circuit
électrique équivalent.

29
Chapitre 2 Modèle multi-enroulement de la MAS à cage

La machine asynchrone est constituée des principaux éléments suivants :

1. Le stator : (partie fixe) constitué de disques en tôles magnétiques portant les


enroulements chargés de magnétiser l’entrefer.

2. Le rotor : (partie tournante) constitué de disques en tôles magnétiques empilés


sur l’arbre de la machine portant un enroulement injecté (cage en aluminium).

3. Les organes mécaniques : permettant la rotation du rotor et le maintien des


différents sous-ensembles.

2.1.1 - Le stator

Il est constitué d’un enroulement bobiné réparti dans les encoches du circuit
magnétique. Ce circuit magnétique est constitué d’un empilage de tôles dans lesquelles sont
découpées des encoches parallèles à l’axe de la machine (figure 2.1).

Circuit
Magnétique

Les encoches

Têtes de
bobines

Fig. 2.1 - Stator de la machine asynchrone triphasée à cage.

Le bobinage statorique peut se décomposer en deux parties : les conducteurs


d’encoches et les têtes de bobines.

Les conducteurs d’encoches permettent de créer dans l’entrefer le champ magnétique à


l’origine de la conversion électromagnétique. Les têtes de bobines permettent, quant à elles, la
fermeture des courants en organisant la circulation judicieuse des courants d’un conducteur
d’encoche à l’autre.

L’objectif est d’obtenir à la surface de l’entrefer une distribution de courant la plus


sinusoïdale possible, afin de limiter les ondulations du couple électromagnétique.

30
Chapitre 2 Modèle multi-enroulement de la MAS à cage

2.1.2 - Le rotor

Dans le rotor à cage, les anneaux de court-circuit permettent la circulation des courants
d’un conducteur d’encoche (barre rotorique) à l’autre. Ces barres conductrices sont
régulièrement réparties, et constituent le circuit du rotor (figure 2.2). Cette cage est insérée à
l’intérieur d’un circuit magnétique constitué de disques en tôles empilés sur l’arbre de la
machine analogue à celui du moteur à rotor bobiné.

Les barres
rotoriques

L'anneau de
court-circuit
Le rotor à cage
La cage d’écureuil en aluminium

Fig. 2.2 - Rotor de la machine asynchrone triphasée à cage.

Dans le cas de rotors à cage d’écureuil, les conducteurs sont réalisés par coulage d’un
alliage d’aluminium, ou par des barres massives de cuivre préformées et frettés dans les tôles
du rotor. Il n’y a généralement pas, ou très peu, d’isolation entre les barres rotoriques et les
tôles magnétiques, mais leur résistance est suffisamment faible pour que les courants de fuite
dans les tôles soient négligeables, sauf lorsqu’il y a une rupture de barre [Ond06].

Le moteur à cage d’écureuil est beaucoup plus simple à construire que le moteur à
rotor bobiné et, de ce fait, son prix de revient est inférieur. De plus, il dispose d’une plus
grande robustesse. Il constitue la plus grande partie du parc de moteurs asynchrones
actuellement en service.

2.1.3 - Les organes mécaniques

La carcasse sert de support, elle joue le rôle d’enveloppe et assure la protection contre
l’environnement extérieur. L’arbre est un organe de transmission. Il comprend une partie
centrale qui sert de support au corps du rotor et un bout d’arbre sur lequel est fixé un demi
accouplement. Il est généralement constitué en acier moulé ou forgé. Son dimensionnement
est fonction des efforts de flexion (force centrifuge qui s’exerce sur lui, attraction magnétique
radiale, etc…), des efforts radiaux et tangentiels dus aux forces centrifuges, des efforts de
torsion (couple électromagnétique transmis en régime permanent, transitoire). Il est supporté
par un ou plusieurs paliers. Ces paliers soutiennent le rotor et assurent la libre rotation. Le
second palier est libre pour assurer les dilatations thermiques de l’arbre. Une isolation

31
Chapitre 2 Modèle multi-enroulement de la MAS à cage

électrique de l’un des paliers assure l’élimination des courants dans l’arbre dû aux
dissymétries des réluctances du circuit magnétique. Ils sont généralement à roulements pour
les machines de petite et moyenne puissance [Ond06].

Afin d’assurer la variation de vitesse des moteurs électriques mais aussi la conversion
de l’énergie, de nombreuses machines se voient associer un convertisseur. Ainsi, de nos jours,
on trouve dans un grand nombre de procédés industriels, des associations entre des
convertisseurs statiques et des machines électriques (pompage, levage,…).

Cela permet de fournir aux moteurs des tensions et des courants de fréquence variable
servant à commander la machine en couple ou en vitesse.

2.2 - Modèle multi-enroulement de la machine asynchrone triphasé à cage

L'objectif est avant tout de posséder un modèle de la machine asynchrone qui met en
évidence l'influence des défauts étudiés sur les grandeurs mesurables de la machine (courants,
vitesse, couple, …), afin d'étudier les phénomènes mis en jeu.

Pour se faire, on va modéliser le rotor de la machine par des mailles reliées entre elles
électriquement et couplées magnétiquement, afin de disposer d'un modèle mathématique où
les paramètres mesurables apparaissent explicitement et ne nécessitent pas d'outils de calcul
complexes.

On introduit dans notre étude le modèle de la machine asynchrone où on considère le


stator avec des constitutions symétriques pour permettre d'avoir une force magnétomotrice
sinusoïdale dans l'entrefer et le rotor à une structure de mailles.

2.2.1 - Hypothèses simplificatrices

Pour mettre en évidence l’influence des défauts électriques sur les grandeurs
temporelles de la machine asynchrone, il est indispensable de poser certaines hypothèses qui
ont pour but de faciliter la mise en équations des circuits électriques de la machine. Mais, il
faut imposer un minimum d’hypothèses si nous voulons que le vecteur de sortie soit le plus
exploitable possible.

Dans l’approche proposée, nous avons supposé que [Did04] :

Circuit magnétique linéaire (la perméabilité du fer très grande devant 1).

Effet de peau est négligeable.

Barres rotoriques sont isolées les unes des autres

32
Chapitre 2 Modèle multi-enroulement de la MAS à cage

Pertes fer, les effets capacitifs et les effets thermiques sont négligeables.

Pas d'effet d'excentricité.

Avec ces hypothèses et on suppose un stator sain les différents paramètres du modèle
sont comme suit [Ham06].

2.2.2 - Inductances de la machine

Le tableau (2.1), résume les expressions des déférentes inductances de la machine


asynchrone à cage qu'on va l'utiliser .

INDUCTANCES EXPRESSIONS

4 N s2 Rl
0
L'inductance principale d'une phase statorique. Lsp Lms
e p2

Lsp
L'inductance mutuelle entre phases statoriques. Ms
2

L'inductance totale d'une phase statorique. Lsa Lbs Lcs Ls Lsp Lsf

Nr 1 2
L'inductance principale d'une maille rotorique Lrp 0 Rl
N2 e

L'inductance mutuelle entre mailles rotoriques non 20


Mrr 2
Rl
adjacentes. N er

L'inductance mutuelle entre mailles rotoriques


Mrk (k 1) Mrk ( k 1) Mrr Lb
adjacentes.

M rksa Lsr cos r t ka avec :


L'inductance mutuelle entre une maille rotorique et une
phase statorique "a". 4 O N s Rl a
Lsr 2
sin
ep 2

Tableau 2.1 - Inductances de la machine asynchrone à cage.

33
Chapitre 2 Modèle multi-enroulement de la MAS à cage

2.2.3 - Mise en équations de la machine

Nous recherchons l'ensemble des équations différentielles indépendantes définissants


le modèle de la machine. Le but de la mise en équations est d'effectuer une simulation
numérique.

a - Equations des tensions statotoriques

L’équation de tension statorique se met sous la forme suivante :

d
Vabc Rs iabc abc (2.1)
dt

D'où : abc Ls iabc M sr irk (2.2)

Avec :
T
Vabc Va Vb Vc , vecteur de tensions statoriques.

T
iabc ia ib ic , vecteur de courants statoriques.

T
irk ir 0 iR1 ... irk ... ir ( N r 1) , vecteur de courants dans les mailles rotoriques.

T
abc a b c , vecteur de flux statoriques.

[Rs] : matrice des résistances statoriques.

rs O 0
Rs 0 rs 0 (2.3)
0 0 rs

[Ls] : matrice des inductances statoriques.

Las Ms Ms
Ls Ms Las Ms (2.4)
Ms Ms Las

[Msr] : matrice des inductances mutuelles entre phases statoriques et mailles rotoriques.

34
Chapitre 2 Modèle multi-enroulement de la MAS à cage

... Lsr cos( r ka) ...


2
M sr ... Lsr cos( r ka ) ... (2.5)
3
4
... Lsr cos( r ka ) ...
3

Où : k = 0, 1, 2, …, Nr-1

b - Equations de tensions au rotor

La figure (2.3) représente le schéma équivalent de la cage rotorique.

Fig. 2.3 - Schéma équivalent de la cage rotorique.

L'équation de tension pour une maille ' k ' de la cage rotorique est donnée par :

Re Re d
Rbk ir ( k 1) 2 Rbk irk Rbk ir ( k 1) ie rk 0 (2.6)
Nr Nr dt

Avec :

35
Chapitre 2 Modèle multi-enroulement de la MAS à cage

Nr 1
Le Le
rk Lrp 2l b 2 irk M rr irg Lb ir k 1
ir k 1 ie
Nr j 0 Nr
(2.7)
2 4
Lsr cos r ka cos r ka cos r ka iabc
3 3

Il faut compléter le système d'équations des circuits du rotor par celle de l'anneau de
court-circuit, on a alors :
Nr 1 Nr 1
Re Le d d
irk irk Re Le Le ie 0 (2.8)
Nr k 0 Nr k 0 dt dt

Les équations (2.6) (2.8) constituent la mise en équation de la partie rotor.

c - Equation globale des tensions

L'équation globale des tensions est donnée par :

d I d L
V R I L I (2.9)
dt dt

Avec :
T
V Va Vb Vc 0 0 .... 0 0 , vecteur global des tensions (Nr+4), il

contient les trois tensions statoriques et les Nr tensions des mailles rotoriques ainsi que la
tension de l'anneau de court-circuit.
T
I ia ib ic ir 0 ir1 ... irk .... ir ( k 1) ie , vecteur global des courants

(Nr+4), il contient les trois courants statoriques et les Nr courants des mailles rotoriques, ainsi
que le courant de l'anneau de court-circuit.

Rs 0
R ... ... , matrice globale des résistances.
O Rr

Avec :

[Rr] : matrice des résistances rotoriques.

36
Chapitre 2 Modèle multi-enroulement de la MAS à cage

Re Re
Rb0 Rr(Nr 1) 2 0 Rr(Nr 1)
Nr Nr

Re
Rr(k 1) Rbk Rr(k 1) 2 Rrk
Nr
Rr (2.10)
Re Re
Rr(Nr 1) RR(Nr 2) Rr(Nr 1) 2
Nr Nr

Re Re
Re
Nr Nr

Ls M sr
L , matrice globale des inductances.
M sr Lr

Le Re
Lrp 2Lrb 2 Mrr Lb Mrr Rr(Nr 1)
Nr Nr
Le
Mrr Lb Lrp 2Lrb 2 Mrr Lb Mrr
Nr

Lr (2.11)
Le Re
Rr (Nr 1) Mrr Rr (Nr 1) Lrp 2Lrb 2
Nr Nr

Re Re
Re
Nr Nr

d M sr
0
dt
d L
..... ..... , dérivée de la matrice globale des inductances.
dt
d M sr
0
dt

On remarque que la matrice [Msr] dépend du temps, ce qui nécessite l'inversion de la


matrice inductance [Lr], de dimension Nr+4, à chaque pas de calcul. Pour rendre cette
matrice constante, on applique la transformation de Park sur les équations de tensions
statoriques. On prend le référentiel lié au rotor.

La matrice de Park modifiée est définie par :

37
Chapitre 2 Modèle multi-enroulement de la MAS à cage

1
cos( ) sin( )
2
2 1 2 2
P( ) cos( ) sin( ) (2.12)
3 2 3 3
1 4 4
cos( ) sin( )
2 3 3

La matrice globale de Park de dimension (Nr+4) X (Nr+4) est définie par :

P 0
T ..... ..... (2.13)
T
O 1

[1] : est la matrice identité de dimension (Nr+4) X (Nr+4).

Sachant que :
T
V T Vtr , avec : Vtr Vos Vds Vqs 0 0..... 0 0

T
I T Itr , avec : I tr ios ids iqs ir 0 ir1 ..... irk ..... ir ( Nr 1) ie

3
Vds Vm cos( s r )t
2
Avec : (2.14)
3
Vqs Vm sin( s r )t
2

L'équation (2.9) devient :

1 d T I tr d L
T Vtr R T Itr L T I tr (2.15)
dt dt

1 1 dT 1 dL 1 d Itr
Vtr T RT T L T T Itr T LT (2.16)
dt dt dt
A D
¨B C

Les termes A, B et C sont donnés par :

1
P Rs P 0
1
A T R T ............................. .... (2.17)
O 0

38
Chapitre 2 Modèle multi-enroulement de la MAS à cage

1 d P
P Ls 0
dt
1 d T
B T L ............................. .... (2.18)
dt
T d P
M sr 0
dt

1 d M sr
0 P
dt
1 d T
C T T ............................. ........................... (2.19)
dt
d P T
M sr 0
dt

1 1
P Ls P P M sr
1
D T L T ............................. ........................... (2.20)
T
M sr P Lr

La mise en équation du modèle de la machine, conduit à un système complet de


dimension (Nr+4) :

V0 s i0 s i0 s
Vds ids ids
Vqs iqs iqs

0 ir 0 ir 0
0 d ir1 ir1
Ltr Rtr
dt (2.21)
0 ik ik

0 ir ( Nr 1) ir ( Nr 1)

0 ie ie

[Ltr] et [Rtr] sont les matrices globales des inductances et des résistances obtenues
après la transformation de Park.

La matrice [Ltr] est donnée par :

39
Chapitre 2 Modèle multi-enroulement de la MAS à cage

Ls 2Ms 0 0 0 0 0 0
3 3 3
0 Ls Ms 0 Lsr Lsr cos(a) Lsr cos((Nr 1)a) 0
2 2 2
3 3
0 0 Ls Ms 0 Lsr sin(a) Lsr sin((Nr 1)a) 0
2 2
............ .......... ............ ........ .................. ............. .......... .......................... ...
3 Le Le
0 Lsr 0 Lrp 2Lb 2 Mrr Lb Mrr Mrr Lb
2 Nr Nr
3 3 Le
0 Lsr cos(a) Lsr sin(a) Mrr Lb Lrp 2Lb 2 Mrr Lb Mrr
2 2 Nr

3 3 Le Le
0 Lsr cos((Nr 1)a) Lsr sin((Nr 1)a) Mrr Lb Mrr Mrr Lb Lrp 2Lb 2
2 2 Nr Nr
............ ................... ...................... ............. ...................... .............. .............. ...........................
Le Le
0 0 0 Le
Nr Nr

La matrice [Rtr] est donnée par :

rs 0 0 0 0 0 0
3 3
0 rs r (Ls Ms 0 r Lsr sin(a) r Lsr sin((Nr 1)a) 0
2 2
3 3 3
0 r (Ls Ms) rs r Lsr r Lsr cos(a) r Lsr cos((Nr 1)a) 0
2 2 2
............ .......... ............ ........ .................. ............. .......... .......................... ...
Re Re
0 0 0 Rb0 RB(Nr 1) 2 Rb0 0 Rb(Nr 1)
Nr Nr

Re
0 Rb(k 1) Rbk RB(k 1) 2 Rbk
Nr

Re Re
0 O 0 Rb(Nr 1) 0 Rb(Nr 2) Rb(Nr 1) RB(Nr 2) 2
Nr Nr
.......... ............... .............. ............. ...................... .............. .............. ...........................
Re Re
0 0 0 Re
Nr Nr

A ces équations, on ajoute les équations électromécaniques afin d'avoir la vitesse


électrique de rotation et la position r du rotor.

d 1
m (Ce Cr k0 m ) (2.22)
dt J

d
r r (2.23)
dt

L’expression de (Ce) sera présentée dans la section suivante.

40
Chapitre 2 Modèle multi-enroulement de la MAS à cage

2.2.4 - Expression du couple électromagnétique

Il faut d'abord, trouver les expressions des composantes biphasées ds , qs et du flux


statorique. On a :

1 1
0 dqs P 0 Ls M sr P 0 I 0 dqs
T (2.24)
kr 0 1 M sr Lr 0 1 I kr

1 1
0 dqs
P Ls P P M sr I 0 dqs
(2.25)
kr M sr
T
P Lr I kr

Après le calcul on obtient :

0s ( Ls 2Ms )i0 s
Nr 1
3
ds ( Ls Ms )ids Lsr irk cos(ka ) (2.26)
2 k 0
Nr 1
3
ds ( Ls Ms )iqs Lsr irk sin(ka )
2 k 0

Or, pour un moteur alimenté par une source triphasée, la puissance instantanée s'écrit :
T
Ps (t ) Vacb I abc

T
P V0 dqs P I 0 dqs (2.27)

T
VOdqs I 0 dqs

Les équations de tensions dans un repère lié au rotor sont données par :

d ds
Vds rsids r qs
dt
¨ (2.28)
d qs
Vqs rsiqs r ds
dt

En remplaçant les tensions Vds et Vqs dans l'expression (2.27), on obtient :

d d qs
Psa (t ) rs (ids2 iqs2 ) ids ds
iqs r ( ds qs i i )
qs ds (2.29)
dt dt

41
Chapitre 2 Modèle multi-enroulement de la MAS à cage

Le troisième terme, représente la puissance électromagnétique transmise au rotor à


travers l'entrefer par l'intermédiaire du champ tournant. Donc le couple électromagnétique
est : Ce P( ds qsi i )
qs ds (2.30)

En remplaçant ds et qs par leurs expressions, on obtient :

Nr 1 Nr 1
3
Ce PL sr i qs i rk cos(ka ) i ds i rk sin(ka ) (2.31)
2 k 0 k 0

2.3 - Prise en compte du défaut dans le modèle

Le type de défaut que nous étudions est la rupture d’une ou plusieurs barres rotoriques
ou de portions d’anneaux de court-circuit. Le circuit électrique rotorique donné à la figure
(2.3) doit être reconsidéré pour permettre la prise en compte du défaut rotorique dans le
modèle de la machine.

La figure (4.2) représente un schéma de deux mailles adjacentes en état sain et à la


présence de la rupture d’une barre.

R e Le
,
N r Nr

Ib(k-1) Ibk

Ir(k-1) Irk Ir(k+1) (a)

Rb(k-1),Lb(k-1) Rbk,Lbk
R e Le Iek
,
N r Nr

R e Le R e Le
, ,
Nr Nr Nr Nr
I b(k-1) I b(k+1)

Ir(k-1) Ir(k+2) (b)


Rb(k-1),Lb(k-1) Rb(k+1),Lb(k+1)

R e Le R e Le Ie(k+1)
, ,
Nr Nr Nr Nr

Fig. 2.4 - Schéma équivalent de la cage rotorique pour:

(a).Etat sain (b). Avec une barre rompue.

42
Chapitre 2 Modèle multi-enroulement de la MAS à cage

La simulation de ce type de défaillance peut être en utilisant deux méthodes


différentes, le but étant d’annuler le courant qui traverse la barre incriminée.

La première méthode de modélisation consiste à reconstituer totalement le circuit


électrique rotorique. Dans ce type d’approche, la barre rotorique défaillante est enlevée du
circuit électrique, ce qui oblige à recalculer les matrices des résistances [Rr] et des inductances
[Lr] de la machine asynchrone.

En effet, la suppression d’une barre de la cage nous donne des matrices [Rr] et [Lr] de
rang inférieur à celle développée pour la machine saine.

La seconde approche envisageable consiste à augmenter artificiellement la valeur de la


résistance de la barre ou de la portion d’anneau incriminée d’un facteur suffisant pour que le
courant qui la traverse soit le plus proche possible de zéro en régime permanent.

En comparaison avec la première méthode, la structure du circuit électrique rotorique


n’est pas modifiée car nous considérons, dans ce type de modélisation, qu’une rupture de
barre n’altère pas les inductances propres et mutuelles de la cage rotorique.

Par conséquent, le programme de simulation s’adaptera à cette nouvelle contrainte et


nous donnera l’évolution temporelle des différents signaux pour un fonctionnement de la
machine avec ce type de défaut.

De plus, la simulation d’une barre partiellement cassée (barre fissurée de moitié par
exemple) ne peut pas être envisagée si nous utilisons la première méthode de modélisation
alors qu’elle est tout à fait faisable avec la seconde [Did04].

2.4 - Conclusions

Nous avons utilisé un modèle multi-enroulement qui tient compte de la structure du


rotor. Le choix d’un tel modèle est imposé par l’objectif de pouvoir simuler une rupture de
barre ou de portion d’anneaux de court-circuit au rotor. Pour cela, nous avons représenté
toutes les équations des barres et les portions d’anneaux du rotor.

Dans le chapitre suivant, des résultats de simulation de ce modèle pour différentes


essais (sain et défaillant) seront étudiées.

43
CHAPITRE 3

RESULTATS DES SIMULATIONS


Chapitre 3 Résultats des simulations.

3.1 - Introduction

Après avoir défini le modèle multi enroulement de la machine asynchrone triphasée à


cage, un programme écrit en MATLAB, permet de mettre en évidence le comportement du
moteur asynchrone dans les différentes conditions de fonctionnement.

Les paramètres et les données de la machine sont de la référence [Ham06]

La résolution des équations différentielles obtenues est réalisée par la méthode de


Runge Kutta d’ordre 4.

Dans ce chapitre on va présenter et étudier l’évolution des différentes grandeurs


électriques et électromécaniques de la machine asynchrone pour différentes conditions de
fonctionnement, que ce soit sain ou défaillant.

3.2 - Résultats de simulation d’un fonctionnement sain

Nous pouvons étudier l’évolution des grandeurs temporelles tels que les courants, le
couple et la vitesse rotorique lorsque la cage rotorique ne présente aucune défaillance.

La figure (3.1) montre, l’évolution des courants de la machine, la vitesse de rotation et


le couple électromagnétique, lors d’un démarrage en charge couple résistant de 1.5 Nm.

La figure (3.2) montre, l’évolution des courants de la machine, la vitesse de rotation et


le couple électromagnétique, lors d’un démarrage à vide sous une tension nominale avec une
alimentation sinusoïdale équilibrée.

A l'instant t = 1 [s], nous procédons à un échelon de couple résistant nominal de 1.5


Nm.

La figure (3.2.a) représente l’allure du courant de phase statorique et un zoom


[0.97-1.19] s, décrivant une partie du régime permanent après l’application du couple.

Les figures (3.2.b) et (3.2.c) représentent l’allure de la vitesse de rotation et le couple


électromagnétique respectivement.

On voie que la vitesse diminue et atteint sa valeur nominale et le couple


électromagnétique vient équilibrer le couple résistant.

45
Chapitre 3 Résultats des simulations.

a. Courant de phase statorique

b. Vitesse de rotation

c. Couple électromagnétique

Fig. 3.1 - Evolution des grandeurs électriques et électromécaniques pour un moteur à l'état sain
chargé par un couple résistant nominal de 1.5 Nm.

46
Chapitre 3 Résultats des simulations.

La mise en charge

a. Courant de phase statorique

La mise en charge

b. Vitesse de rotation

La mise en charge

c. Couple électromagnétique

Fig. 3.2 - Evolution des grandeurs électromécaniques pour un moteur à l'état sain chargé par un
couple résistant nominal de 1.5 Nm à l'instant t = 1 [s].

47
Chapitre 3 Résultats des simulations.

3.3 - Résultats de simulation d’un fonctionnement avec un défaut

3.3.1 - Cassure de barres rotoriques

La cassure de barre est un des défauts les plus fréquents au rotor.

La méthode qu’on a adoptée pour la simulation des défauts rotoriques consiste à


remplacer la valeur initiale de la résistance des barres cassées par une valeur finie.

Nous avons vu précédemment que la simulation de ce type de défaillance peut être


faite en utilisant deux méthodes différentes.

Dans un souci de simplicité nous avons utilisé la deuxième méthode.

A l’instant t = 2 [s], nous simulons la rupture de la première barre en augmentant sa


résistance de 100 fois (cette valeur a été choisie de sorte que le courant qui traverse la barre
défaillante soit le plus proche possible de zéro).

Le courant dans cette barre diminue fortement (Fig.3.3.b, entraînant une surintensité
importante dans les barres adjacentes (Fig.3.3.d).

Une ondulation de l’amplitude du courant de phase statorique et une augmentation de


l’amplitude des oscillations du couple et de la vitesse de rotation apparaît avec la cassure de la
barre rotorique (Fig.3.3.a et (Fig.3.4.a et b).

48
Chapitre 3 Résultats des simulations.

Cassure de la barre 1

a. Courant de phase statorique

Cassure de la barre 1

b. Courant dans la barre 1,2,3

c. Courants efficaces dans les barres à l'état d. Courants efficaces dans les barres avec
sain une barre cassée

Fig. 3.3 - Evolution des grandeurs électriques pour un moteur avec une barre cassée

49
Chapitre 3 Résultats des simulations.

Cassure de la barre 1

a. Vitesse de rotation

Cassure de la barre 1

b. Couple électromagnétique

Fig. 3.4 - Evolution des grandeurs mécanique et électromécanique pour un moteur avec une
barre cassée
Pour mettre en évidence l’effet de position et de nombre de barres cassées, nous
simulons la rupture de trois barres successives la première à l’instant t = 1 [s] le deuxième
barre à l’instant t = 2 [s], et ensuite d’une troisième barre a l’instant t = 3 [s].

Nous présentons sur les figures suivantes l’évolution temporelle des grandeurs de la
machine lorsque nous passons d’un fonctionnement sain à un fonctionnement défaillant
(cassure de trois barres adjacentes et de trois barres non adjacentes).

50
Chapitre 3 Résultats des simulations.

Cassure de la barre 1 Cassure de la barre 1


Cassure de la barre 2 Cassure de la barre 9
Cassure de la barre 3
Cassure de la barre 18

a. Courants statorique avec cassure des barres a. Courants statorique avec cassure des barres
(1, 2, 3) successivement. (1, 9, 18) successivement.

Cassure de la barre 1 Cassure de la barre 1


Cassure de la barre 2 Cassure de la barre 18

Cassure de la barre 3
Cassure de la barre 9

c. Courants des barres (1, 2, 3) d. Courants des barres (1, 9, 18)

e. Courants efficaces dans les barres avec 3 f. Courants efficaces dans les barres avec 3 barres
barres cassées adjacentes. cassées non adjacentes.

Fig. 3.5 - Evolution des grandeurs électriques pour un moteur avec trois barres cassées

51
Chapitre 3 Résultats des simulations.

Cassure de la barre 1 Cassure de la barre 1


Cassure de la barre 2

Cassure de la barre 18

Cassure de la barre 3
Cassure de la barre 9

a. Vitesse de rotation.

Cassure de la barre 1 Cassure de la barre 1


Cassure de la barre 2
Cassure de la barre 18

Cassure de la barre 9
Cassure de la barre 3

b. Couple électromagnétique.

Fig. 3.6 - Evolution des grandeurs mécanique et électromécanique pour un moteur avec 3 barres
cassées.

L’analyse des figures (3.5) et (3.6) montre que l'influence du défaut sur les
performances du moteur ne dépend pas seulement du nombre de barres cassées, mais aussi
de leurs positions qui joue un rôle important :

Barres adjacentes cassées: on remarque que l'amplitude des oscillations du couple et de la


vitesse ainsi que la modulation du courant statorique, augmente sensiblement avec le
nombre de barres cassées.

Barres espacées électriquement de p /3(rad) : on n'observe pas une grande influence sur
les performances du moteur.

52
Chapitre 3 Résultats des simulations.

Le mauvais cas, est lorsque les barres cassées sont adjacentes et c'est le cas le plus
fréquent en pratique, car en générale l'évolution logique de la dégradation d'une cage
rotorique à partir d'une première rupture de barre est une surintensité dans les barres
adjacentes [Ham06].

a - Effet du défaut sur la durée du régime transitoire

Ce phénomène peut être évalué et concrétisé avec la visualisation de l’allure de la


vitesse (Fig.3.7). Cette figure montre l'influence du nombre des barres cassées sur la durée du
régime transitoire de la vitesse au démarrage.

On remarque nettement que la durée pour atteindre la vitesse nominale augmente avec
le nombre des barres cassées.

Donc la machine sera soumise sous régime transitoire plus long, ce qui a pour
conséquence une dégradation de isolant et pertes supplémentaires et crier des oscillations
dans les caractéristiques mécaniques de la machine plus la déformation de cette dernière,
comme le montre la figure (Fig.3.8).

__ La vitesse du moteur sain


__ La vitesse avec une barre cassée
__ La vitesse avec 3 barres cassées

Fig. 3.7 - La vitesse pendant un démarrage en charge

53
Chapitre 3 Résultats des simulations.

__ Rotor sain
__ Rotor avec une barre cassée
__ Rotor avec 3 barres cassées

(a)

__ Rotor sain
__ Rotor avec une portion d'anneau cassée
__ Rotor avec 2 portions d'anneaux cassées

(b)

Fig. 3.8 - Caractéristique mécanique du moteur (Couple - Vitesse)

54
Chapitre 3 Résultats des simulations.

3.3.2 - Cassure de portions d’anneaux de court-circuit

La cassure d’une portion d’anneau de court-circuit est un défaut qui apparaît aussi
fréquemment que la cassure de barres. L’effet de la cassure d’une portion d’anneau de court-
circuit sur les différentes grandeurs de la machine est représenté sur les figures suivantes.

Cassure 1er portion d'anneau


Cassure une portion d'anneau
Cassure 2éme portion d'anneau

a. Courant de phase statorique

Cassure une portion d'anneau Cassure 1er portion d'anneau


Cassure une portion d'anneau

Cassure 2éme portion d'anneau

b. Courant dans la barre 1,2,3

c. Courants efficaces dans les barres avec la cassure d. Courants efficaces dans les barres avec la cassure
une portion d'anneau de deux portions d'anneaux

Fig. 3.9 - Evolution des grandeurs électriques pour un moteur avec la cassure d'une et deux portions d'anneaux

55
Chapitre 3 Résultats des simulations.

Cassure 1er portion d'anneau


Cassure une portion d'anneau
Cassure 2éme portion d'anneau

a. Vitesse de rotation

Cassure une portion d'anneau Cassure 1er portion d'anneau


Cassure une portion d'anneau

Cassure 1er portion d'anneau


Cassure 2éme portion

b. Couple électromagnétique
Fig. 3.10- Evolution des grandeurs électromécaniques pour un moteur avec la cassure d'une et deux
portions d'anneaux

Nous remarquons que le courant statorique dans ce cas présente des ondulations plus
importantes que dans le cas d’une barre cassée (Fig.3.9.a), et de même la vitesse et le couple
(Fig.3.10). On constate donc que ce type de défaut est plus sévère que la cassure d’une barre.

Pour mettre en évidence l’effet de nombre et de position des portions d’anneau


cassées, nous avons effectué une simulation pour la cassure de deux portions d’anneau
adjacentes et pour la cassure de deux portions d’anneau non adjacentes.

La (Fig.3.9.b) représente l’évolution du courant dans la barre qui se trouve entre deux
portions adjacentes cassées. On remarque que lors de la rupture de la deuxième portion cette
barre ne conduit plus de courant.

Lors de l'apparition de forts courants (démarrages, fort couple,…), les courants dans la
cage augmentent considérablement. Que ce soit dans un moteur sain ou dans un moteur avec
barres cassées, la répartition des courants dans les deux anneaux est identique.

56
Chapitre 3 Résultats des simulations.

Il est donc possible que deux portions d'anneaux, se trouvant en regard de part et
d'autre d'une barre se rompent.

CONCLUSIONS
Dans ce chapitre, on a présenté les résultats de simulation d'un moteur asynchrone
triphasé à cage, pour différents régimes de fonctionnement sain et défaillants.
On a trouvé que la rupture d'une barre provoque des oscillations dans le couple et dans
la vitesse, ainsi qu'une modulation de l'enveloppe du courant statorique, l'amplitude de ces
oscillations augmente avec le nombre et l’emplacement des barres casées et leurs influences
sont traités en détail.
On a remarqué que la durée du régime transitoire augmente avec le défaut de barres, et
constaté aussi que les effets de cassures de barres peuvent être inobservables lorsque la
machine fonctionne à vide ou en faible charge.
On peut voir que les allures des courants statoriques, la vitesse et le couple
électromagnétique ne fournissent pas d’informations fines sur l’état du moteur. Par
conséquent, il est plus judicieux de traiter le signal afin d’en ressortir des données plus
représentatives. Ceci fait l'objet du chapitre suivant.

57
CHAPITRE 4

METHODES DE DIAGNOSTIC
Chapitre 4 Méthodes de diagnostic

4.1 - Introduction

La détection automatique des défaillances devient de plus en plus indispensables à


cause de la faiblesse de l’opérateur humain (par sa nature) ; qui est une conséquence de la
faiblesse de l’oubli, et parfois par la pression de l’environnement (bruits, chaleur, … etc.)

Lorsqu’une machine passe vers un nouveau mode de fonctionnement, la détection


précoce de l’évolution vers ce mode non désiré permet d’anticiper le diagnostic et d’éviter les
risques.

A cet effet, on s’intéresse obligatoirement au diagnostic automatique ; qui permet de


détecter de façon précoce les anomalies qui représentent un des moyens sûrs pour contribuer
à améliorer la productivité des différents secteurs

Nous présenterons dans ce chapitre, l'analyse spectrale du courant statorique en


utilisant la transformé de Fourier rapide (FFT), les réseaux de neurones et la logique floue
pour la surveillance d'une machine asynchrone à cage.

Nous montrerons comment ces méthodes permettent de déterminer la nature des


défauts de barres ou de portions d'anneaux de court circuit.

4.2 - Analyse spectrale du courant statorique

Il est un peu difficile d'analyser directement les résultats précédents pour détecter un
défaut, et tout particulièrement quand il s'agit d’une barre cassée ou portion d'anneau.

Seules des méthodes plus utiles comme l'analyse spectrale des signaux offrent un issu
pour le diagnostic de ce type de défaut.

L’analyse des courants statoriques dans le domaine fréquentiel reste la méthode la plus
couramment utilisée car le spectre résultant contient une source de renseignement sur la
majorité des défauts qui pouvant apparaître au sein d’une machine asynchrone.

L’objectif de cette partie consiste à choisir le meilleur signal pour le traiter entre les
signaux de couple, vitesse et le courant statorique :

Les figures (4.1) et (4.2) représentent respectivement l'analyse spectrale des signaux
de couple, vitesse et le courant statorique en régime permanent dans l'état sain et avec une
barre cassée par la fenêtre de Hamming.

59
Chapitre 4 Méthodes de diagnostic

Fenêtre de couple Fenêtre de vitesse Fenêtre du courant statorique

Fig. 4.1 - l'analyse spectrale des signaux de couple, vitesse et le courant statorique en
régime permanent dans l'état sain

Déformation
Déformation

Fenêtre de couple Fenêtre de vitesse Fenêtre du courant statorique

Fig. 4.2 - l'analyse spectrale des signaux de couple, vitesse et le courant statorique en
régime permanent avec une barre cassée

La visualisation des raies dans le courant statorique permet d’expliquer le défaut en


évidence et d’obtenir plus d’information sur le défaut Figure 2.4. Nous présentons sur la
figure (4.3), le spectre du courant statorique d'un moteur sain en charge nominale (g =
3.34%). C'est évident qu'on n'observe aucune raie latérale.

Fig. 4.3 - Spectre du courant statorique d’un moteur sain en charge

60
Chapitre 4 Méthodes de diagnostic

4.2.1 - cassures des barres

(1-2g)fs (1+2g)fs

Fig. 4.4 - Spectre du courant statorique d’un Moteur en charge avec une barre cassée.

D'après les travaux de [Raz02] et [Ham06] chaque type de défaut laisse une signature
sur le spectre du courant statorique qui se traduit par l'apparition des raies latérales autour des
fréquences [(1±2kg) fs].

La figure (4.4) représente le spectre du courant statorique d'un moteur avec une barre
cassée. On voit clairement l'apparition des raies latérales aux fréquences [46.6Hz et 53.4Hz]
et avec des amplitudes de [-30dB et -35dB].

a- Effet du nombre de barres cassées sur les harmoniques (1±2kg) fs

(1-2g)fs (1+2g)fs

(1-4g)fs
(1+4g)fs

Fig. 4.5 - Spectre du courant statorique d’un Moteur en charge avec trois barres adjacentes
cassées.

La figure (4.5) représente le spectre du courant statorique d’un moteur avec trois
barres adjacentes cassées.

61
Chapitre 4 Méthodes de diagnostic

On observe une augmentation de [8 dB] sur la raie (1-2g) fs, et une augmentation de
[6 dB] sur la raie (1+2g) fs. On remarque aussi, l'apparition des raies aux fréquences [43
Hz et 57 Hz] qui correspondent à (1±4g) fs.

On conclu que les amplitudes des raies (1±2kg) fs, ou k est un entier positif, augmente
avec le nombre des barres adjacentes cassées.

Dans le cas ou les avec trois barres cassées symétriquement, les raies (1±2g) fs ont
des amplitudes très faibles (Fig.4.6).

(1-2g)fs

Fig. 4.6 - Spectre du courant statorique d’un Moteur en charge avec trois barres cassées
symétriquement.

4.2.2 - Cassures des portions d’anneau de court-circuit

(1-2g)fs
(1+2g)fs

(1-4g)fs
(1+4g)fs

Fig. 4.7 - Spectre du courant statorique d’un Moteur en charge avec une portion d’anneau
cassée.

62
Chapitre 4 Méthodes de diagnostic

(1-2g)fs
(1+2g)fs

(1-4g)fs
(1+4g)fs

Fig. 4.8 - Spectre du courant statorique d’un Moteur en charge avec deux portions d’anneau
adjacentes cassées.

L’observation des figures (4.7), (4.8) montre que les cassures des portions d'anneaux
de court-circuit, font apparaître des composantes aux fréquences (1±2kg)fs.

Donc, ce type de défaut se manifeste de la même façon que les défauts de barres
rotoriques. Ce type de défaut est plus sévère que celui dû aux cassures de barres.

Le tableau (4.1), résume l’effet du nombre de barres et de portions d’anneaux cassées,


et leurs mutuelles positions sur les amplitudes des composantes (1±2kg) fs.

L’état du moteur (1-2g) fs (1+2g) fs (1-4g) fs (1+4g) fs (1-6g) fs (1+6g) fs

Etat sain / / / / / /

1 barre cassée -36 -39 / / / /

3barres
-27.34 -32.65 -43.80 -40.80 -51.78 /
adjacentes cassées

3barres espacées
-39.98 -44.42 / / / /
cassées

1 portion
-21 -25.75 -33.75 -4680 -49.14 -54.74
d’anneau cassée
2 portions
d’anneaux -20.54 -27.72 -36.81 -46.82 -49.75 -56.19
adjacentes cassées
Tableau 4.1 – Amplitude des composantes (1±2kg)fs, pour différents défauts

63
Chapitre 4 Méthodes de diagnostic

4.3 – Diagnostic par Réseaux de neurones

Les méthodes de diagnostic à base de modèle sont généralement employées à partir


d'une modélisation physique de la machine. Elles comparent l'évolution du modèle avec celle
du processus physique.

Considérons la machine asynchrone comme un processus expérimental dont il est


question de rechercher, le modèle comportemental correspondant, à chaque instant ou période
d'échantillonnage. La figure 4.9 traduit cette procédure.

Sp(t)
Processus
Expérimental
Entrée e(t) + (t)

_
Sm(t)
Modèle
Nominal
Identification

Fig. 4.9 – Principe du diagnostic à base de modèle

On part d'un modèle du processus à surveiller sain. Si la sortie du modèle Sm(t)


correspond à la sortie du processus Sp(t), alors le modèle fournit une estimation des grandeurs
caractéristiques du fonctionnement sans défaut.

La détection de défaillance est réalisée par le suivi de l'erreur de sortie (t) (méthode
des résidus) ou par la mise en évidence d'un écart entre le modèle (qui s'éloigne alors de la
physique du phénomène) et le processus réel.

Dans le second cas, l'erreur de sortie peut être minimisée en modifiant les paramètres
structurées du modèle.

De cette manière les paramètres inhérents au système sont identifiés et suivis même en
cas de défaillance. Le modèle adapté donne alors une signature du mode de fonctionnement.

64
Chapitre 4 Méthodes de diagnostic

4.3.1 - Principe de diagnostique par les réseaux de neurones

Les réseaux de neurones sont des êtres mathématiques, capables de générer des
modèles comportementaux à partir des données entrées-sorties des systèmes dynamiques.

Dernièrement, les réseaux de neurones ont connu une utilisation large en ce qui
concerne la modélisation, la commande et la surveillance des systèmes industriels.

En diagnostic la phase de modélisation est très importante. En effet, le diagnostic est


un aspect qui utilise le modèle représentatif du processus afin d’extraire le mode de
fonctionnement dans lequel doit se trouver le processus.

L’utilisation des modèles neuronaux pour les mesures, l’observation et le diagnostic


vient de mettre fin à beaucoup de problèmes rencontrés lors de la modélisation classique
[Lay07].

4.3.2 - Réseau de Neurone Artificiel RNA

Un réseau de neurone est un ensemble de neurones reliés entre eux avec une topologie
spécifique d’interconnexions et une loi appropriée d’apprentissage pour adapter les poids de
connexions.

D’une manière générale, la structure des connexions entre les neurones d’un réseau
peut aller d’une connectivité totale où tous les neurones sont reliés les uns aux autres, à une
connectivité locale où les neurones ne sont connectés qu’à leurs proches voisins.

Une autre structure de connexions est celle des réseaux multicouches, constitués d’une
couche d’entrée, d’une couche de sortie et d’une ou de plusieurs couches internes, appelées
aussi couches cachées. Dans cette structure, les neurones qui appartiennent à une même
couche ne sont pas connectés entre eux. Chacune des couches reçoit des signaux de la couche
précédente et transmet le résultat de ses traitements à la couche suivante. Selon le type de
connexions, on distingue deux catégories de réseau de neurone : les réseaux statiques et les
réseaux dynamiques.

a - Réseaux statiques

Dans les réseaux statiques, dits aussi réseaux non récurrents, lorsqu’une entrée est
présentée au réseau, la réponse de ce dernier est calculée instantanément, après la traversée de
ses couches de l’entrée vers la sortie, dans un sens unique. La sortie de n’importe quel
neurone, d’un réseau statique, ne peut pas être appliquée directement sur son entrée ni

65
Chapitre 4 Méthodes de diagnostic

indirectement à travers d’autres neurones. Le modèle le plus utilisé des réseaux statiques est
celui des réseaux multicouches, appelés aussi réseaux MLP.

La figure 4.10 présente un exemple des réseaux MLP statiques. Il est constitué d’une
couche d’entrée, d’une couche de sortie et de plusieurs couches cachées. Par conception,
chaque neurone de la couche l est connecté à tous les neurones de la couche l+1 [Hem05].

Fig. 4.10 – Réseau multicouche (MLP)

b - Réseaux dynamiques

Dans un réseau dynamique, appelé aussi réseau récurrent, chaque neurone peut
recevoir des informations de tous les autres neurones et leur envoi lui-même des signaux.
Nous trouvons, dans la littérature des réseaux de neurones, plusieurs types de réseaux
dynamiques.

Citons, à titre d’exemples les réseaux de Hopfield, les cartes de Kohonen, les réseaux
avec retour d’état et les réseaux avec retour de sortie. La figure 4.11 présente la structure d’un
réseau dynamique avec retour de sortie [Hem05].

66
Chapitre 4 Méthodes de diagnostic

Fig. 4.11 – Réseau dynamique avec retour de sortie

c - Propriétés des RNA

D’une manière générale, un réseau de neurones est doté des propriétés suivantes:

Le parallélisme : Cette notion se situe à la base de l’architecture des réseaux de


neurones considérés comme ensembles d'entités élémentaires qui travaillent simultanément.

La capacité d’adaptation : Celle-ci se manifeste tout d’abord dans les réseaux de


neurones par la capacité d’apprentissage qui permet au réseau de tenir en compte de nouvelles
contraintes ou de nouvelles données du monde extérieur. De plus, elle se caractérise dans
certains réseaux par leur capacité d’auto-organisation qui assure leur stabilité en tant que
systèmes dynamiques.

La mémoire distribuée : Dans les réseaux de neurones, la mémoire d'un fait


correspond à une carte d’activation des neurones. Cette carte est en quelque sorte un codage
du fait mémorisé.

La résistance aux pannes : À cause de l’abondance des entrées et la structure du


réseau, les données bruitées ou les pannes locales dans certain nombre de ses éléments
n'affectent pas ses fonctionnalités. Cette propriété résulte, essentiellement, du fonctionnement
collectif et simultané des neurones qui les composent.

La généralisation : La capacité de généralisation d’un réseau de neurones est son


aptitude de donner une réponse satisfaisante à une entrée qui ne fait pas partie de ses
antécédents exemples d'apprentissage [Hem05].

67
Chapitre 4 Méthodes de diagnostic

4.3.3 - Apprentissage dans les RNA

L'apprentissage est une phase très importante pour le déploiement d'un réseau de
neurone durant laquelle le comportement du réseau est modifié jusqu'à l'obtention du
comportement désiré.

Généralement, les variables modifiées pendant l'apprentissage sont les poids des
connexions. L’apprentissage adopté n’est, donc, que la modification des poids du réseau pour
accorder sa réponse aux échantillons et à l'expérience.

L’algorithme de rétropropagation du gradient qui est le plus connu pour réaliser


l'adaptation des réseaux multicouches. Grâce à sa découverte, le renouveau d'intérêt pour les
RNA apparut au début des années 80.

Il s'agit d'une méthode d'apprentissage supervisé, fondée sur la modification des poids
du réseau dans le sens contraire à celui du gradient de l'erreur par rapport à ces poids.
L’objectif de la méthode de la rétropropagation est d’adapter les poids synaptiques de façon à
minimiser la valeur moyenne de l’erreur sur l’ensemble d’entraînements [Hem05].

La procédure du diagnostic de la machine est basée sur les étapes fondamentales


suivantes:

1. La première étape consiste à déterminer le choix du modèle neuronal.

2. La deuxième étape consiste à générer les résidus.

3. La troisième étape celle de la prise de décision vis-à-vis des défauts localisés.

Avant de mettre en oeuvre ces étapes, nous allons développer le modèle neuronal
utilisé pour l'identification de la machine.

Le choix du modèle neuronal à apprentissage pour l'identification du modèle


comportemental comportement dynamique de la machine dépend strictement de la complexité
du modèle d'état traduisant le fonctionnement sain ou défaillant de la machine.

4.3.4 – Choix du modèle neuronal

La détermination du modèle neuronal pour l'identification est une phase indispensable


qui peut s'avérer plus ou mois lourd pour effectuer le diagnostique des processus industriels.

Cette difficulté est la puissance de l'outil logiciel utilisé pour la modélisation d'une part
et à la complexité d'autre part.

68
Chapitre 4 Méthodes de diagnostic

L'algorithme qui nous permet de sélectionner le modèle neuronal robuste, en


identification, est recherché selon les étapes suivantes :

Connaissance approfondie sur le système à identifier.

Le chois des entres et du sorties du modèle neuronal.

Détermination du comportement interne du modèle neuronal (le nombre de couche


cachées et le nombre des neurones dans chaque couche cachée).

Choix des fonctions d'activation.

Choix de la précision et du nombre d'itération.

Dans notre RNA nous avons utilisé les variables {le courant statorique (Is), le couple
électromagnétique (Ce) et la vitesse de rotation (Wr)} qui sont utilisées car elles sont les plus
représentative des défauts (leurs allures varient considérablement en cas d'application d'un
défaut).

D'autre part, leurs mesures sont accessibles par des capteurs qui fournissent leurs
grandeurs physiques.

Le modèle neuronal de la machine asynchrone est donné par la figure 4.12 suivante :

Couche d’entrée Couches cachées Couche de sortie

Is Iss

Ce Ces

Wr Wrs

Fig. 4.12 – Modèle neuronal de la machine asynchrone.

69
Chapitre 4 Méthodes de diagnostic

4.3.5 – Simulation du modèle neuronal

Le programme ‘Reseau de Neuron.m’, se charge d’effectuer les tâches suivantes :

D’abord, il fait le chargement de deux fichiers de données (.mat), l’un pour les valeurs
d’entrées et l’autre pour les valeurs de sorties (désirées).

Après avoir charger les entrées et les sorties, on créent un réseau de neurones à trois
couches (couche d’entrée, couche de sortie et deux couches cachées), en utilisant la fonction
Matlab ‘newff’ .

Ainsi, on a choisi la fonction d’apprentissage ‘trainlm’, parmi plusieurs fonctions, car


elle est la meilleure, du point de vue convergence, rapidité et précision. Ensuite, on initialise
les fonctions d’activations de chaque couche, ainsi que les options d’apprentissage ;
mentionnons qu’on a choisi ses initialisations par tâtonnement.

Une fois que le réseau de neurone est construit et que leur apprentissage a atteint des
performances satisfaisantes, en utilisant la fonction de Matlab ‘train’, et simulé les résultats
on fait appel à la fonction ‘sim’ de Matlab, on passe à l'étape de comparaison entre les
résultats de simulation et la sortie du réseau de neurone, ceci nous permet d’observer les
erreurs correspondantes. (Des aspects supplémentaires sur cette technique dans l'annexe B).

Pour que les tests du réseau de neurone sur l’exemple qui appartenait à la base
d'apprentissage du réseau de neurone donne de meilleurs résultats, on doit chercher les
meilleurs paramètres pour le RNA, afin d'avoir obtenu des résultats plus proches que ceux
du modèle mathématique (réels).

Pour cela on va faire des choix arbitraires sur les neurones, et sur le nombre de
couches cachées.

Cela peut être expliqué par les résultats obtenus dans la phase d'apprentissage de deux
réseaux de neurone (RNA1 et RNA2), le premier a une seule couche cachée dont le nombre
des neurones est six et le deuxième a deux couches cachées six dans la première couche
cachée et huit dans la deuxième comme montre les figures 4.13 et 4.14 respectivement.

D’après les résultats obtenus (figures 4.13 et 4.14), on remarque que pour la même
valeur d'erreur quadratique moyenne (10-9) les deux réseaux étudiés sont très différents par
rapport au temps d'apprentissage ; ce qui veut dire que la meilleure architecture qui atteint la
performance désiré à la phase d’apprentissage dans un court temps est la deuxième.

On va prendre les résultats du deuxième réseau de neurone RNA2 comme le


comportement d'une machine à l'état sain dans le reste du travail, figure (4.15).
70
Chapitre 4 Méthodes de diagnostic

Performance is 9.96303e-010, Goal is 1e-009

0
10

-2
10
Training-Blue Goal-Black

-4
10

-6
10

-8
10

-10
10
0 10 20 30 40 50
56 Epochs

Fig. 4.13 – Phase d'apprentissage de RNA1

Performance is 8.64954e-010, Goal is 1e-009

0
10

-2
10
Training-Blue Goal-Black

-4
10

-6
10

-8
10

-10
10
0 5 10 15 20 25 30 35 40
43 Epochs

Fig. 4.14 – Phase d'apprentissage de RNA2

71
Chapitre 4 Méthodes de diagnostic

a. Courant de phase statorique d. L'erreur du courant

b. Couple électromagnétique
e. L'erreur du couple

c. Vitesse de rotation f. L'erreur de la vitesse

Fig. 4.15 – Résultats obtenus par le modèle neuronal RNA2

72
Chapitre 4 Méthodes de diagnostic

D’après les résultats de simulation de figure (4.15) a, b et c qui représentent le courant


statorique, le couple électromagnétique et la vitesse de rotation respectivement, on peut
constater que les estimations obtenues par le RNA2 sont légèrement différentes de celles
obtenues par le modèle mathématique avec une erreur quadratique moyenne de 10 -9, comme
montre les figures (4.15) d, e et f qui représentent l'erreur du courant statorique, couple
électromagnétique et la vitesse de rotation respectivement.

4.3.6 – Génération de résidus des défauts rotoriques

Dans ce cas et en se basant sur le modèle défaillant de la machine asynchrone, en effet


ce modèle dont lequel nous pouvons représenter l’état différentiel de la machine quand un
défaut perturbe le régime de fonctionnement normal de la machine.

Pour cela, on distingue deux modèles différents traduisant le comportement


différentiel, l’un est celui qui modélise les défauts rotoriques et l'autre c'est le modèle
neuronal qui représente l'état sain du système.

On va crée tous les défauts dans la deuxième seconde de simulation différemment.

Les résidus générés dans le cas où la machine est défaillante, au niveau du rotor, sont
donnés par les figures (4.16), (4.17), (4.18) et (4.19) qui représentent les résidus générés dans
le cas d'une barre cassée, trois barres cassées, cassure d'une portion d'anneau et cassure de
deux portions d'anneau respectivement.

r1, r2 et r3 sont les résidus générés pour le courant statorique, le couple


électromagnétique et la vitesse de rotation respectivement.

On voit que les allures des résidus commencent d'une valeur proche de zéro, puis
augmentent brusquement à l'instant 2 s avec des fluctuations permanentes.

73
Chapitre 4 Méthodes de diagnostic

Résidu de courant statorique r1 Résidu de courant statorique r1

Résidu de couple électromagnétique r2 Résidu de couple électromagnétique r2

Résidu de la vitesse de rotation r3 Résidu de la vitesse de rotation r3

Fig. 4.16 - Résidus générés dans le cas d'une Fig. 4.17 - Résidus générés dans le cas de trois
barre cassée barres cassées

74
Chapitre 4 Méthodes de diagnostic

Résidu de courant statorique r1 Résidu de courant statorique r1

Résidu de couple électromagnétique r2 Résidu de couple électromagnétique r2

Résidu de la vitesse de rotation r3 Résidu de la vitesse de rotation r3

Fig. 4.18 - Résidus générés dans le cas de Fig. 4.19 - Résidus générés dans le cas de cassure
cassure d'une portion d'anneau de deux portions d'anneau

75
Chapitre 4 Méthodes de diagnostic

4.3.7 – Localisation des défaillances

Pour la localisation des défauts on se limite à analyser les résidus le tableau 4.2 qui
résume l'influence des défauts sur chaque résidu

L’état du moteur r1 r2 r3

Etat sain < 0.009 < 0.006 < 0.2

1 barre cassée < 0.060 < 0.027 < 4.0

3barres adjacentes
< 0.206 < 0.105 < 17.4
cassées

1 portion d’anneau
< 0. 300 < 0.188 < 28.8
cassée

2 portions d’anneaux
< 0.330 < 0.212 < 34.5
adjacents cassés

Tableau 4.2 – Amplitude des résidus pour les différents défauts.

On observe que pour un fonctionnement normal { r1< 0.009 , r2< 0.006 et r3< 0.2 }, et
pour un défaut d'une barre cassée { r1< 0.060 , r2< 0.027 et r3< 4.0 }et comme ça quand le
dégât de défaut augmente les amplitudes des résidus augmentent aussi.

Donc on peut mettre des marges limitent chaque type de défaut étudié.

On peut aussi utiliser la valeur efficace (RMS Root Mean Square) pour chaque résidu
comme signal détecteur de défaut comme le montre les figures (4.20), (4.21), (4.22) et (4.23)
qui représentent les RMS des résidus générés dans le cas d'une barre cassée, trois barres
cassées, cassure d'une portion d'anneau et cassure de deux portions d'anneau respectivement.
Les indices (a) (b) et (c) pour les grandeurs courant statorique, le couple électromagnétique et
la vitesse de rotation respectivement.

1 t T
RMS I (t ) 2 dt (4.1)
T t

I (t) est le courant d'entrée et T est la période du fondamentale.

76
Chapitre 4 Méthodes de diagnostic

(a) (a)

(b) (b)

(c) (c)

Fig. 4.20 - RMS des résidus générés dans le Fig. 4.21 - RMS des résidus générés dans le cas de
cas d'une barre cassée trois barres cassées

77
Chapitre 4 Méthodes de diagnostic

(a) (a)

(b) (b)

(c) (c)

Fig. 4.22 - RMS des résidus générés dans le Fig. 4.23 - RMS des résidus générés dans le cas de
cas de cassure d'une portion d'anneau cassure de deux portions d'anneau

78
Chapitre 4 Méthodes de diagnostic

Par l'analyse des RMS des résidus on peut rassembler les informations dans le tableau
4.3 qui résume l'influence des défauts sur chaque résidu

L’état du moteur a b c

Etat sain 0 0 0

1 barre cassée < 0.026 < 0.015 < 2.6

3barres adjacentes
< 0.1 < 0.07 < 11
cassées

1 portion d’anneau
< 0. 15 < 0.12 < 18
cassée

2 portions d’anneaux
< 0.17 < 0.13 < 21
adjacents cassés

Tableau 4.3 – l’amplitude des RMS des résidus pour les déférents défauts

4.4 – Diagnostic par la logique floue

Dans cette méthode, la logique floue est utilisée pour prendre des décisions sur l’état
de moteur sain ou avec défaut.

Le système flou est basé sur la connaissance expérimentale sur les règles et fonctions
d'appartenances, qui décrivent le comportement de moteur. Le modèle multi enroulement est
utilisé pour générer des données virtuelles qui soutiennent la construction de la composition et
les fonctions donne la possibilité de test en ligne du système proposé.

La mise en page a été mise en œuvre dans MATLAB / Simulink, à la fois des données
provenant d'un moteur (programme de simulation).

Le système surveille l'amplitude des RMS des courants moteur Ia, Ib et Ic .

Un schéma du système peut être vu dans la figure 4.24.

79
Chapitre 4 Méthodes de diagnostic

Source
MAS
triphasée

A/D

Calcule
des
RMS

Le système
d'inférence
flou

Fig. 4.24 – Diagramme de protection par un système flou.

Dans cette disposition, les RMS des courants statoriques sont considérés comme des
variables d'entrées du système flou et l'état du moteur est choisi comme variable de sortie
[Fel98].
4.4.1 – Les fonctions d'appartenances

L'état du moteur peut être connu par l'observation des RMS des courants. Par
conséquent, les données numériques sont représentées comme des informations linguistiques.

Ainsi, les amplitudes des RMS (3 entrées "Ia, Ib, Ic") et l'état du moteur (1 sortie
"SF"), sont classées en utilisant six variables linguistiques, ce qui donne six catégories sont:
très petites (TP), petit (P), moyen (M), moyen grand (MG), grand (G) et très grand (TG).

En autres termes et en utilisant la théorie logique floue, les trois entrées et la sortie du
système sont définis comme:

Entrées:
Ia Ia (iaj ) / iaj Ia (4.2)

Ib Ib (ibj ) / ibj Ib (4.3)

Ic Ic (icj ) / icj Ic (4.4)

Sortie:
SF SF ( sf j ) / sf j SF (4.5)

80
Chapitre 4 Méthodes de diagnostic

Les iaj, ibj, icj et sf sont les éléments de l'univers discret de discours, Ia, Ib, Ic et SF
sont l'univers de discours, Ia , Ib , Ic et SF sont les fonction d'appartenances qui

correspond.

Fig. 4.25 – Fonctions d'appartenances normalisées du Ia, Ib, Ic.

Les variables des fonctions d'appartenances d'entrée et de sortie sont construits par
l'analyse des données générées par le modèle multi enroulement dans les différents cas.

On défini TP, P, M, MG, G et TG qui correspondre aux termes linguistiques très petit,
petit, moyenne, moyenne grand, grand, très grand pour chaque variable dans les différents
fonctions d'appartenances, on utilisant pour les trois variables d'entré les fonctions
triangulaire, trapézoïdal comme montre la figure 4.25, et la fonction trapézoïdal seulement
pour le variable de sortie comme montre la figure 4.26.

Fig. 4.26 – Fonctions d'appartenances normalisées du SF.

81
Chapitre 4 Méthodes de diagnostic

4.4.2 – Le système d'inférence

La conception des règles dans notre cas est basée sur la compréhension de l'expert.

Le processus se compose de deux parties sont l'acquisition des données et la


conception des règles, donc notre système d'inférence interprétera les données comme un
ingénieur sur terrain.

L'acquisition des données commence, avec la traduction du comportement du moteur


si (condition) - alors (règles).

On rappelle que notre système est symétrique, cela revient à dire que les trois courants
ont les mêmes valeurs efficaces (avec une tolérance).

Chacune des fonctions d'appartenances de la sortie occupent un certain niveau dans


l'intervalle [0-1], on utilisant la méthode de Mamdani. (Des aspects supplémentaires sur cette
technique dans l'annexe C).

4.4.3 – Les résultats de simulation


Le modèle de simulation a été réalisé sur SIMULINK comme montre la figure 4.27.

Fig. 4.27 – Modèle de simulation sous simulink.

82
Chapitre 4 Méthodes de diagnostic

Les tests ont été effectués avec le moteur en état sain et avec défauts, et on va faire ces
testes avec une charge de 1.5 Nm et l'injection des différents défauts à la troisième seconde.

0.9

0.8

0.7

0.6

0.5

0.4

0.3

0.2

0.1

0
2 2.5 3 3.5 4 4.5 5 5.5 6
temps[s]

Fig. 4.28 – Sortie du système flou pour un moteur sain

0.9

0.8

0.7

0.6

0.5

0.4

0.3

0.2

0.1

0
2 2.5 3 3.5 4 4.5 5 5.5 6
temps[s]

Fig. 4.29 – Sortie du système flou pour un défaut de cassure une barre

83
Chapitre 4 Méthodes de diagnostic

0.9

0.8

0.7

0.6

0.5

0.4

0.3

0.2

0.1

0
2 2.5 3 3.5 4 4.5 5 5.5 6
temps[s]

Fig. 4.30 – Sortie du système flou pour un défaut de cassure trios barres

0.9

0.8

0.7

0.6

0.5

0.4

0.3

0.2

0.1

0
2 2.5 3 3.5 4 4.5 5 5.5 6
temps[s]

Fig. 4.31 – Sortie du système flou pour un défaut de cassure d'une portion d'anneau

84
Chapitre 4 Méthodes de diagnostic

0.9

0.8

0.7

0.6

0.5

0.4

0.3

0.2

0.1

0
2 2.5 3 3.5 4 4.5 5 5.5 6
temps[s]

Fig. 4.32 – Sortie du système flou pour un défaut de cassure deux portions d'anneau

Pour chaque mode de fonctionnement on a une repense différente du système flou, on


peut rassembler les informations obtenu par notre système dans le tableau 4.4 .

Temps de
L’état du moteur La sortie
repense

Etat sain < 0.1 __

1 barre cassée 0. 2 = 0.25 s

3barres adjacentes
0.6 = 0.40 s
cassées

1 portion d’anneau
0.5 = 0.40 s
cassée

2 portions d’anneaux
> 0.9 = 0.40 s
adjacents cassés

Tableau 4.4 – Amplitude des RMS des résidus les déférents défauts

85
Chapitre 4 Méthodes de diagnostic

4.5 - Comparaisons

Notre travail, loin d’être achever, porte principalement sur le diagnostic de la cassure
d’une ou plusieurs barres ou anneaux dans la cage d’une MAS.

L'analyse des courants statoriques dans le domaine fréquentiel reste la méthode la plus
couramment utilisée car le spectre résultant contient une source de renseignement sur la
majorité des défauts électriques et magnétiques pouvant apparaître au sein d'une machine
asynchrone. Nous savons que le suivi de l'amplitude des composantes caractéristiques de
fréquence fs (1 2 gk dans le spectre du courant permet de se renseigner sur l'état de la cage
rotorique. Cette technique est dénommée dans la littérature "Motor Current Signature
Analysis" (MCSA). Les défauts de la machine asynchrone se traduisent dans le spectre du
courant statorique soit par :
Les raies spectrales qui apparaissent avec des fréquences qui sont directement
liées à la vitesse de rotation de la machine, aux vitesses des champs tournants et aux
paramètres physiques de la machine.
Les raies spectrales ont une modification de leurs amplitudes, dans le spectre du
courant.

Le technicien de la surveillance doit avoir une bonne connaissance des défauts et leurs
signatures à partir du courant statorique.

A l’issue de ce quatrième chapitre, nous donnons le tableau 4.5 récapitulatif, dans lequel
on trouve les différents résultats des défauts rotoriques étudiés par les 03 techniques.

Les méthodes d’intelligences artificielles (Réseau de neurones -RNA- et logique floue -


LF-) sont très efficaces que soi pour la détection ou la localisation. Elles sont de très bons
approximateurs.

Cet avantage est dû principalement à la simplicité d’analysé les résidus générer pour le
système flou ou les réseaux de neurones.

Le point commun entre les trios techniques est l’utilisation du courants statorique
comme une source d’information, on rajoute dans le cas des réseaux de neurones deux
grandeurs (couple électromagnétique et vitesse de rotation) pour un meilleur apprentissage et
plus de précision.

L’inconvénient de cette technique (RNA) est le nombre des capteurs utilisés par
conséquence le cout deviens important dans l’implémentation pratique.

86
Chapitre 4 Méthodes de diagnostic

La technique de la logique floue qui nous donne des bons résultats et elle demande une
base de données riche sur les différents comportements de la machine dans les différents
régimes.

Techniques
utilisées MCSA RNA LF
Etat
du moteur

Aucune raie latérale


Sortie du système flou
Etat sain sur le spectre du r1, r2 et r3 nuls
faible (< 0.1)
courant statorique

Apparition des raies Augmentation très


faible des résidus Sortie du système flou
1 barre cassée latérales aux
remarquable ( 0. 2)
fréquences (1±2g) fs r1< 0.06, r2< 0.027 et r3< 4

3barres espacées Amplitudes très


faibles des raies aux ____ ____
cassées
fréquences (1±2g) fs

- Augmentation sur la Augmentation


3barres raie (1±2g) fs remarquable des Sortie du système flou
adjacentes cassées - Apparition des résidus importante ( 0. 6)
faibles raies aux r1< 0.2, r2< 0.1 et r3< 17
(1±4g) fs

- Augmentation sévère Augmentation


1 portion sur la raie (1±2g) fs Sortie du système flou
importante des résidus
d’anneau cassée - Augmentation des importante ( 0. 5)
r1< 0.3, r2< 0.19 et r3< 29
raies aux (1±4g) fs

- Augmentation sévère
2 portions Augmentation sévère
sur la raie (1±2g) fs Sortie du système flou
d’anneaux des résidus
- Augmentation sévère (> 0. 9)
adjacentes cassées sévère des raies aux r1< 0.33, r2< 0.21 et r3< 35
(1±4g) fs

Tableau 4.5 – Comparaisons & résultats obtenus

87
Chapitre 4 Méthodes de diagnostic

4.6 - Conclusions

Dans ce chapitre nous avons étudié utilisant trois modèles différents de diagnostic,
l'analyse spectrale du courant, les réseaux des neurones et la logique floue.

Pour l'analyse spectrale on utilise la transformer de Fourier rapide (FFT), cette


approche nous a permis d’identifier les signatures fréquentielles causées par la rupture d’une
ou plusieurs barres et portions d’anneaux de la cage rotorique de la machine asynchrone.

Il s’est avéré que la surveillance de l’amplitude des composantes de fréquence


(1±2kg)fs, présente dans le spectre fréquentiel du courant statorique permet de détecter la
présence d’un défaut au niveau de la cage rotorique de la machine asynchrone, comme il est
prouvé dans les travaux de [Raz02] et [Ham06].

D’après les résultats de la simulation nous avons trouvé que ces harmoniques,
augmentent avec le nombre de barres et de portions d’anneaux cassées, et dépendent aussi de
leurs mutuelles positions.

Dans la méthode des réseaux des neurones nous avons un algorithme neuronal
intelligent pour le diagnostique de la machine asynchrone, précisément la détection des
défauts rotoriques par la génération des résidus.

Et nous avons terminé par la méthode de la logique floue qui utilise les RMS des
courants statoriques comme des variables d'entrée du système flou et l'état du moteur est
choisi comme variable de sortie, basant sur le travail de [Fel98].

Les résultats obtenus par ces trois méthodes on été jugés satisfaisants
comparativement à ce qui a été trouvé jusqu'a nos jours par validation avec les travaux de
[Lay07] ,[Fel98].

88
CONCLUSIONS GENERALES ET PERSPECTIVES
Conclusions générales et perspectives

À cause de leur utilisation fréquente dans diverses applications, les machines


asynchrones nécessitent une détection rapide et précoce de leurs défaillances. Le travail
présenté s'inscrit dans le cadre du diagnostic des défauts rotoriques dans les moteurs
asynchrones triphasés à cage d'écureuil.

Au début de ce travail, nous avons rappelé les différents défauts qui peuvent affectés le
bon fonctionnement de la machine asynchrone triphasée à cage, ainsi que ses origines. Puis,
nous avons présenté un état de l’art des différentes techniques de surveillance des machines
asynchrones.

Nous avons ensuit présenté, dans le deuxième chapitre un modèle multi-enroulements


permettant la simulation d’une machine asynchrone triphasée à cage d’écureuil. Les
conséquences d’une rupture de barre (ou d’une portion d’anneaux) de la cage d’écureuil
s’obtiennent très simplement, il suffit seulement d’augmenter la résistance de la barre
incriminée (ou la résistance de la portion d’anneaux considérée).

Dans le troisième chapitre, nous avons construit un programme de simulation à l'aide du


logiciel MATLAB. Ceci, nous a permis de visualiser les différentes grandeurs de la machine
(courant statorique, couple électromagnétique, vitesse de rotation et le courant dans les barres
rotoriques) pour fonctionnement à l’état sain et avec défaut, et différentes changements sur
les régimes permanant et transitoire de la machines et sur sa caractéristique mécanique

Dans le quatrième chapitre nous avons traité quelques techniques utiliser récemment
dans le diagnostique, commencent par la transformée de Fourier rapide (FFT) (Fast Fourier
Transform) est exploitée pour l’étude et l’analyse spectrale du courant statorique et par
conséquent de déterminer les composantes (1±2kg) fs caractérisant les défauts rotoriques.

Et nous avons montré l'influence du nombre de barres et de portions cassées, leur


mutuelle position ainsi que la variation du glissement sur ces composantes. Nous avons
trouvé que l'amplitude des ces harmoniques augmente avec le nombre de barres cassées. Ceci,
donne une indication sur la sévérité du défaut, comme nous avons trouvé aussi, que le défaut
dû aux cassures des portions d'anneaux de court-circuit est plus sévère que celui dû aux
cassures de barres rotoriques.

Par la suite, nous avons proposé une méthode de diagnostic à base du réseau de
neurones. Le choix du modèle neuronal est déterminé après plusieurs essais effectué, puis
nous avons utilisé le modèle neuronal pour simuler le comportement d'un moteur à l'état sain.

88
En suite la génération des résidus par la comparaison des résultats de model neuronal
par celui des models défaillants de la machine asynchrone.

On termine par la méthode de la logique floue basant sur le travail de F. Fellipitti et G.


Franceschini dont la référence [Fel98], qui consiste a utilisé les RMS des courants statoriques
comme des variables d'entrée du système flou et l'état du moteur est choisi comme variable de
sortie.

Le présent travail est loin d’être achevé.

Plusieurs points peuvent constitués des perspectives. Entre autres on suggère:

1. Utiliser les capteurs & l’analyseur de spectre pour plus de validation des
résultats obtenus.

2. Combiner les 02 dernières techniques (RN-LF).

3. Utiliser d’autres techniques (réseaux à base radiale, algorithme génétique,


système expert…) et d’autres modèles ( multi-spires multi-enroulements) .

89
Bibliographie
Bibliographie
[Bac02] S. Bachir « Contribution au diagnostic de la machine asynchrone par estimation
paramétrique ». Thèse de doctorat, Université de Poitiers, 2002.

[Bar05] G. Barakat « Synthèse de plusieurs méthodes de modélisation et de diagnostic de


la machine asynchrone à cage en présence de défauts ». Article de synthèse des travaux de
huit laboratoires dans l’opération “ Détection de Défauts et Diagnostic des Actionneurs” du
thème “Sûreté - Fiabilité”, Revue Internationale de Génie Electrique(RIGE), 2005.

[Bou01] T. Boumegora « Recherche des signatures électromagnétiques des défauts dans une
machine asynchrone et synthèse d’observateurs en vue du diagnostic ». Thèse de doctorat,
Ecole centrale de Lyon, 2001.

[Cas03] R. Casimir «Diagnostic des défauts des machines asynchrones par reconnaissance
des formes ». Thèse de doctorat, Ecole centrale de Lyon, 2003.

[Chr01] C. Christophe « Surveillance des systèmes non linéaires Application aux machines
électriques ». Doctorat de L'Université des Sciences et Technologies de Lille, 16 novembre
2001.

[Deb07] A. Debiolles « Diagnostic de systèmes complexes à base de modèle interne,


reconnaissance des formes et fusion d’informations. Application au diagnostic des Circuits
de Voie ferroviaires ». Thèse de doctorat, Université de Compiègne, 2007.

[Did04] G. Didier « Modélisation et diagnostic de la machine asynchrone en présence de


défaillances ». Thèse de doctorat, Université Henri Poincaré, Nancy- , 2004.

[Fau07] J. Faucher, B. Dagues, J. Regnier « Traitement de l’Information pour la


Modélisation, la Surveillance et le Diagnostic ». (TIMSuD), 2007.

[Fel98] F. Fellipitti, G. Franceschini, P. Vas « Recent developpement of induction motor


drives fault diagnosis using Al techniques ». international electronics society, IEON, vol 4,
pp:1966-1973, IEEE 1998.

[Ham06] E.S. Hamdi « Contribution au Diagnostic d’une Machine Asynchrone Triphasée


à Cage ». Thèse de doctorat, Université de Biskra, Algérie, 2006.

[Hem05] K. E. Hemsas «Développement d'un nouveau modèle de la machine asynchrone


pour la commande et la surveillance ». Thèse de doctorat, Université Farhat Abbes Sétif,
2005.
[Lay07] T. M. Layadi « Diagnostic de défauts des machines asynchrones à l’aide
d’algorithmes intelligents ». Thèse Magistère, Université Farhat Abbes Sétif, 4 février 2007.

[Nez06] M. Nezar « Diagnostic des associations convertisseurs statiques –machine


asynchrone en utilisant les techniques de l’intelligence artificielle ». Thèse de doctorat,
Université de Batna, 2006.

[Ond06] O. Ondel « Diagnostic par reconnaissance des formes : application à un ensemble


convertisseur machine asynchrone ». Thèse de doctorat, Ecole centrale de Lyon, 2006.

[Raz02] H. Razik « le contenu spectral du courant absorbe par la machine asynchrone en


cas de défaillance ». p 48-52, 29-juin 2002.

[Raz03] H. Razik, G. Didier « notes de cours sur le diagnostic de la machine asynchrone ».


7-janvier 2003.

[Sch99] E. Schaeffer « Diagnostic des machines asynchrones : modèles et outils


paramétriques dédiés à la simulation et à la détection de défaut ». Thèse de doctorat,
Université De Nantes 1999.

[Zao05] A. Zaoui, H. Dahmani « Application des réseaux de neurones artificiels pour la


détection et la localisation des défauts de la machine asynchrone ». Thèse d'ingéniorat,
spécialité d'électromécanique, Université de M'sila. 2005.

[Zem03] M.R. Zemouri « Contribution à la surveillance des systèmes de production à


l'aide des réseaux de neurones dynamiques : Application à la maintenance». Thèse de
doctorat, L'UFR des Sciences et Techniques de l'Université de France -Comté, 2003.
Annexes
Annexe A Paramètres du moteur utilisé

Paramètres du moteur utilisé [Ham06]

P = 450 w Puissance nominale


v = 127 v Tension nominale de ligne
fs =50 Hz Fréquence d'alimentation
P=1 Nombre de paire de pole
D = 75 mm Diamètre moyen
l = 60 mm Longueur
e = 0.38 mm Epaisseur d'entrefer
Nr = 27 Nombre de barre
Ns = 193 Nombre de spire par phase
rs = 4.1 Oh Résistance d'une phase statorique
Lsf = 17.5 mH Inductance de fuite statorique
Rb = 74 µ Oh Résistance d'une barre rotorique
Re = 74 µ Oh Résistance d'un anneau de court circuit
Lb = 0.33 µH Inductance de fuite d'une barre rotorique
Le = 0.33 µH Inductance de fuite d'anneau de court circuit
J = 4.5.10-3 Nms2 Moment d'inertie
k0 = 5.10-6 Nms Coefficient de frottement

91
Annexe B Survol sur Réseaux de neurones

Survol sur Réseaux de neurones

1- Introduction
Lors de l’émergence d’une nouvelle technique, l’ingénieur se demande naturellement
en quoi elle peut lui être utile. Si elle est dotée d’un nom plus métaphorique que scientifique
ce qui est évidemment le cas pour les réseaux de neurones, la réponse à cette question doit
être particulièrement précise et motivée. C’est la raison pour laquelle ce travail est consacré à
un exposé des arguments théoriques et pratiques qui justifient l’utilisation des réseaux de
neurones.

La mise en oeuvre des réseaux de neurones est généralement simple ; la tentation peut
être grande d’appliquer cette technique d’une manière irréfléchie ou inadaptée, ce qui ne peut
conduire qu’à des déceptions. Voilà pourquoi on ne cherchera pas à expliquer en détail, dans
ce chapitre, comment on met en oeuvre les réseaux de neurones, Mais plutôt pourquoi ils
peuvent être mis en oeuvre de préférence à d’autres outils, et Dans quel but.

Nous commencerons par introduire les définitions essentielles : nous expliquerons ce


qu’est un neurone (formel), ce qu’est un réseau de neurones, ce qu’est l’apprentissage des
réseaux de neurones (nous préciserons notamment les différents types d’apprentissage
supervisé et non supervisé), et nous introduirons la distinction fondamentale entre réseaux de
neurones non bouclés et réseaux de neurones bouclés (ou «récurrents»)

Et dans ce qui suit on donne un brève historique sur les réseaux de neurones :

Le champ des réseaux neuronaux va démarrer par la présentation en 1943 par


W.MCCulloch et W.Pitts du neurone formel qui est une abstraction du neurone
physiologique. Le retentissement va être énorme. Par cette présentation, ils veulent démontrer
que le cerveau est équivalent à une machine de ’Training’, la pensée devient alors purement
des mécanismes matériels et logiques. Il déclara en 1955 "Plus nous apprenons de choses au
sujet des organismes, plus nous sommes amenés à conclure qu'ils ne sont pas simplement
analogues aux machines, mais qu'ils sont machines." La démonstration de McCulloch et Pitts
sera un des facteurs importants de la création de la cybernétique.

En 1949, D. Hebb présente dans son ouvrage "The Organization of Behavior" une
règle d'apprentissage. De nombreux modèles de réseaux aujourd'hui s'inspirent encore de la
règle de Hebb.

92
Annexe B Survol sur Réseaux de neurones

En 1958, F. Rosenblatt développe le modèle du Perceptron. C'est un réseau de


neurones inspiré du système visuel. Il possède deux couches de neurones : une couche de
perception et une couche lié à la prise de décision. C'est le premier système artificiel capable
d'apprendre par expérience.

Dans la même période, Le modèle de L'Adaline (ADAptive LINar Element) a été


présenté par B. Widrow, chercheur américain à Stanford. Ce modèle sera par la suite le
modèle de base des réseaux multicouches.

En 1969, M. Minsky et S. Papert publient une critique des propriétés du Perceptron.


Cela va avoir une grande incidence sur la recherche dans ce domaine. Elle va fortement
diminuer jusqu'en 1972, où T. Kohonen présente ses travaux sur les mémoires associatives. Et
propose des applications à la reconnaissance de formes.

C'est en 1982 que J. Hopfield présente son étude d'un réseau complètement rebouclé,
dont il analyse la dynamique.

Aujourd'hui, les réseaux neuronaux sont utilisés dans de nombreux domaines (entre
autres, vie artificielle et intelligence artificielle) à cause de leur propriété en particulier, leur
capacité d'apprentissage, et qu'ils soient des systèmes dynamiques.

2- Le neurone biologique
L’homme est certainement la machine la plus complexe et la plus fascinante qui a été
crée à ce jour. Bien des scientifiques ont voulu percer son fonctionnement sans y parvenir.
C’est dans les années 1940, que deux scientifiques ont eu l’idée de copier le fonctionnement
du système nerveux, le connexionnisme était né. Ils créèrent le premier neurone artificiel.

Pour aller de la biologie au connexionnisme, il va falloir donner quelques informations


sur le contexte de l’approche neuromimétique en apportant tout d’abord quelques notions
rudimentaires sur la biologie du système nerveux.

2-1- Structure du neurone biologique.


Le neurone se compose d’un corps cellulaire ou soma et de deux types de
prolongements cellulaires plus ou moins ramifiés : les dendrites et l’axone.

a) Soma
Le soma possède un noyau qui contient l’information génétique de l’organisme dont le
neurone est issu, et un cytoplasme qui contient « la machinerie de synthèse » des protéines
constitutives ou régénératrices de ces neurones (membrane et squelette cytosquelette – de la
cellule, mais aussi neurotransmetteurs, …). Diamètre de la cellule : 0.01 - 0.05 mm, (Figure

93
Annexe B Survol sur Réseaux de neurones

2.1) (Corps cellulaire) formes variables (gén. sphériques), 20 mm de diamètre, contient le


noyau, entourée d’une membrane de 5 nm d'épaisseur.

b) Axone
Unique aux cellules nerveuses, diamètre : 1-25 mm (humain), 1 mm (poulpe),
longueur : 1 mm to 1 m. (!!!), connexion vers les autres neurones (synapses), permet la
transmission d'information.

c) Dendrites
Reçoivent les signaux des autres neurones, chacune couverte de centaines de synapses.

Figure. (B-1) neurone

2.2.- Le cerveau.

Le cerveau humain est composé de trois couches qui sont successives : Le cerveau
reptilien qui est la couche la plus ancienne, gère le niveau le plus instinct. L’hippocampe (ou
cerveau archaïque) est le siège de l’émotivité et de la sensibilité. Le cortex (couche la plus
récente) est propre aux mammifères, c’est le siège du raisonnement et de la pensée
conceptuelle. Le cerveau peut aussi être décomposé en un certain nombre de régions, tant sur
le plan morphologique que fonctionnel. Si la plupart des fonctions sont réparties de manière
symétrique sur les deux hémisphères du cerveau, un certain nombre de fonctions « de haut
niveau » ne sont en fait affectées qu'à un seul hémisphère. Il est aussi important de noter que
plusieurs types de neurones peuvent exister au niveau du cortex (pyramidaux, stellaires, en
panier, ...) et sont structurés à la fois horizontalement et verticalement.

La notion de Population de Neurones définie par Hebb a permis de décrire une sorte
de Coopération entre neurones. Chacun des neurones de cette population est nécessaire pour
maintenir l’activation des autres. On retrouve l’opposé de cette notion pour décrire des
neurones ayant un fonctionnement concurrentiel. Lorsque dans un ensemble de neurones

94
Annexe B Survol sur Réseaux de neurones

concurrentiel seul un neurone reste actif, on dit qu’il y a eu un choix ou un phénomène de


type « winner takes all » ou le gagnant prends tout. Le système nerveux est aussi capable de
s’adapter, c’est à dire de modifier les efficacités synaptiques. La règle de Hebb qui renforce
les corrélations les plus importantes est l’une des premières à avoir été formalisée. Cette règle
semble d’ailleurs être utilisée dans le cerveau.

Le cerveau n’est donc pas composé d’un seul type de neurones mais au contraire de
plusieurs types de neurones avec des topologies et des ensembles de connexions variés en
relation avec la fonction du neurone (ouïe, vue, mémoire, ...).

2.3.- Modélisation du neurone.

2.3.1- Le neurone Formel.

a) Structure.
Un neurone formel est la représentation mathématique d’un neurone biologique. Il
comporte une arborisation dendritique en contact synaptique avec d’autres neurones.

L’envoi d’un potentiel d’action par un de ces neurones se présente par le signal xi. Il
provoque une modification du potentiel de membrane d’amplitude wi*xi, wi représentant «
l’efficacité synaptique ». On considère que le signal d’entré du neurone est la combinaison
linéaire des wi*xi (on place souvent une entrée supplémentaire pour représenter le seuil
d’activation membranaire, caractérisée par un signal constant et un poids figurant le seuil).

La sortie (potentiel émis dans l’axone) est assimilée à une fonction de l’entrée (somme
des wi*xi), souvent de type sigmoïde. Figure. (B.2)

Figure (B-2) neurone Formel


b) Comportement.

On distingue deux phases. La première est habituellement le calcul de la somme


pondérée des entrées (p) selon l'expression suivante :

p =x1 * W1 + x2 * W2 + x3 * W3 +..... + xn * Wn.....................(A2.1)

95
Annexe B Survol sur Réseaux de neurones

A partir de cette valeur, une fonction de transfert calcule la valeur de l'état du neurone.
C'est cette valeur qui sera transmise aux neurones avals.

Il existe de nombreuses formes possibles pour la fonction de transfert. Les plus


courantes sont présentées sur les figures suivant ce paragraphe. On remarquera qu'à la
différence des neurones biologiques dont l'état est binaire, la plupart des fonctions de
Transfert sont continues, offrant une infinité de valeurs possibles comprissent dans l'intervalle
[0, +1] (ou [-1, +1]).

F(x) F(x) F(x)


1 1
1

X X X
-1 -1

Signe Echelon Sigmoïde [-1 1]


F(x) F(x)
F(x)

1 1
1
X X
-1 -1 X
-1

Linéaire (x=y) Saturé Sigmoïde

Figure (B-3) les fonctions de Transfert

Nous constatons que les équations décrivant le comportement des neurones artificiels
n'introduisent pas la notion de temps. En effet, et c'est le cas pour la plupart des modèles
actuels de réseaux de neurones, nous avons affaire à des modèles à temps discret, synchrone,
dont le comportement des composants ne varie pas dans le temps.

2.3.2. Les connexions


La topologie des réseaux de neurones peut être très variée. On peut concevoir
plusieurs types de réseaux seulement en modifiant les règles de connexion. Mais qu'est ce
qu'une connexion ?

96
Annexe B Survol sur Réseaux de neurones

Par analogie à la biologie, on peut dire que les connexions représentent l'axone et les
différentes dendrites qui relient le neurone aux autres neurones. La particularité de la
connexion est d'être pondérée. On simule ainsi la relation entre les neurones, c'est à dire
l'influence de l'activation (désactivation) d'un neurone sur un autre. Dans la majorité des cas,
les connexions servent à calculer l'entrée du neurone tandis que les fonctions d'activation
détermineront la sortie.

2.4. Les Réseaux de Neurones Artificiels.

L’utilité du Réseaux de Neurones Artificiels (R.N.A) réside dans le fait que la


résolution de certains problèmes qui par des méthodes classiques est très longue et très dure,
peut être facilitée, et améliorée. Les problèmes peuvent être de toutes sortes, de l’analyse de
signaux à la prise de décision.

Les RNA, nés il y a environs une soixantaine d’années, ont évolués jusqu’à
aujourd’hui. Leurs évolutions n’ont pas toujours été d’actualité car les premiers RNA ne
peuvent pas exécuter de fonction XOR, mais seul quelques scientifiques tels que Aderson,
Albus, Kohonen et W.Willsha. y ont cru. Kohonen développa le SOM, qui est une carte auto
organisatrice.

C’est dans les années 80 que les RNA revinrent « au goût du jour » grâce à ALBUS et
surtout à Kohonen.

Principe
- Graphe orienté : interconnexion d'éléments simples (Les neurones).
- échange d'information via les connexions.
- Calcul distribué et coopératif.

Utilisation :
- système de décision.
- approximation de fonctions.
- résolution de problèmes.
- mémorisation et compression.

Avantages :
- Tolérance par rapport aux fautes (élimination d'un neurone...).
- Apprentissage automatique des poids.
- Capacité de généralisation.

Inconvénients :
- Représentation complexe.
- Paramètres difficiles à interpréter physiquement (boite noire).

97
Annexe B Survol sur Réseaux de neurones

2.4.1-. Types d'architectures courantes.


2.4.1.1. Les réseaux "feed-forward" ou unidirectionnels.
a) Le Perceptron mono-couche
C'est historiquement le premier RNA, le perceptron de Rosenblatt est un réseau
simple, puisqu’il ne se compose que d'une couche d'entrée et d'une couche de sortie. Il est
calqué, à la base, sur le système visuel et de ce fait a été connu dans un but premier de
reconnaissance des formes. Cependant, il peut aussi être utilisé pour faire de la classification
et pour résoudre des opérations logiques simples (telle "ET" ou "OU"). Sa principale limite
est qu'il ne peut résoudre que des problèmes linéairement séparables. Il suit généralement un
apprentissage supervisé selon la règle de correction (ou selon la règle de Hebb).

b) Le Perceptron multi-couches (PMC)


C'est une extension du précédent, avec une ou plusieurs couches cachées entre l'entrée
et la sortie. Chaque neurone dans une couche est connecté à tous les neurones de la couche
précédente et de la couche suivante, et il n'y a pas de connexions entre les cellules d'une
même couche. Les fonctions d'activation utilisées dans ce type de réseaux sont principalement
les fonctions à seuil ou sigmoïde. Il peut résoudre des problèmes non linéairement séparables
et des problèmes logiques plus compliqués, et notamment le fameux problème du XOR. Il suit
aussi un apprentissage supervisé selon la règle de correction de l'erreur.

Architecture

Les unités cachées réalisent une transformation non linéaire des entrées. Dans un
espace où une séparation/régression linéaire devient possible, cette solution linéaire étant
réalisée par la dernière couche de poids du réseau (Assimilable à un Perceptron monocouche).
Dans le cadre de la classification supervisée : réalisation d'une projection Discriminante non
linéaire généralisant le modèle de Fisher, Chaque unité cachée peut être interprétée
grossièrement comme un facteur discriminant non linéaire. (Figure B-4)

Sortie
Transformation
linéaire
classes

Transformation
non-linéaire Couche

Entrées

Figure (B-4) L’Architecture d’un MLP

98
Annexe B Survol sur Réseaux de neurones

Approximateur universel

On peut (dans le cadre général de l'approximation de Fonction) démontrer qu'un


réseau MLP muni d'une seule couche Cachée (avec activation sigmoïdale) est
"théoriquement" apte à modéliser (Avec une précision arbitraire) n'importe quelle fonction
"entrée-sortie",Pour autant qu'il y ait suffisamment d'unités cachées.

c) Les réseaux à fonction radiale (RBF)


Ce sont les réseaux que l'on nomme aussi RBF (pour "Radial Basis Functions").
L'architecture est la même que pour les MLP cependant, les fonctions de base utilisées ici sont
des fonctions Gaussiennes. Les RBF seront donc employés dans les mêmes types de
problèmes que les MLP à savoir, en classification et en approximation de fonctions. Les
réseaux RBF sont des réseaux avec une couche cachée dont les fonctions d'activation des
unités cachées sont des fonctions radiales (RBF) (généralement gaussiennes), dont les
paramètres (mj et sj pour j) sont à déterminer lors de l'apprentissage. [Rodrigue]

Les sorties réalisent une combinaison linéaire des fonctions radiales :

p p
y K (x ) W jk j (x ) W 0K W jk j (x ) (Avec 0(x)=1)……..……(A2-2)
j 1 j 1

Où wkj est le poids de la connexion entre l'unité cachée j et la sortie yk.

Les poids de connexion sont des paramètres à adapter (en plus des paramètres des j)
lors de la phase d'apprentissage, afin que les sorties du réseau soient proches des sorties
désirées.

Une couche cachée à poids variables : vecteur de paramètres pi déterminant la position


des prototypes dans l'espace des entréesSorties
et, si modèle non compétitif, l'étendue de leur zone
d'influence. Couche de sortie (pas tjrs représentée) : poids binaires et fixes indiquant
l'allocation des prototypes aux différentes classes. (Figure B-5)

Poids binaires (fixés)


Prototype
Poids adaptatifs

Entrées

Figure. (B-5) L’Architecture d’un réseau RBF

99
Annexe B Survol sur Réseaux de neurones

Approximateur universel :

Comme un MLP, un réseau RBF (muni de suffisamment d'unités cachées) est capable
d'approcher toute fonction entrée-sortie.Il est apte à modéliser un classificateur bayésien.
(Même rôle joué par les unités cachées que celles d'un MLP).

2.4.1.2- Les réseaux "feedback" ou récurrents.

a) Les cartes auto organisatrices de Kohonen


Ce type de réseau, aussi appelé SOM (je pense pour : "Self Organised Maps"), est un
réseau à apprentissage non supervisé qui établit une carte discrète, ordonnée topo
logiquement, en fonction de patterns d'entrée. Le réseau forme ainsi une sorte de treillis où,
chaque noeud du treillis est un neurone associé à un vecteur de poids. La correspondance
entre chaque vecteur de poids est calculée pour chaque entrée. Par la suite, le vecteur de poids
ayant la meilleure corrélation, ainsi que certains de ses voisins, vont être modifiés afin
d'augmenter encore cette corrélation. Figure (B-6)

Les LVQ (pour "Learning Vector Quantization") sont un cas particulier des SOM, où
seul le noeud ayant la meilleure corrélation est adapté. On parle, pour ce type de réseau où
seul le "vainqueur" est sélectionné, de réseaux à compétition.

Figure. (B-6) Les cartes auto-organisatrices


b) Les réseaux de Hopfield
Les réseaux de Hopfield sont donc des réseaux récurrents et entièrement connectés.
Dans ce type de réseau, chaque neurone est connecté à chaque autre neurone et il n'y a aucune
différenciation entre les neurones d'entrée et de sortie. Ils fonctionnent comme une mémoire
associative non linéaire et sont capables de trouver un objet stocké en fonction de

100
Annexe B Survol sur Réseaux de neurones

représentations partielles ou bruitées. L'application principale des réseaux de Hopfield est


l'entrepôt de connaissances mais aussi la résolution de problèmes d'optimisation. Le mode
d'apprentissage utilisé ici est le mode non supervisé.

c) Les ART
Les réseaux ART (pour "Adaptative Resonnance Theorie") sont des réseaux à
apprentissage par compétition. Le problème majeur qu'il se pose dans ce type de réseaux est le
dilemme « stabilité/plasticité ». En effet, dans un apprentissage par compétition, rien ne
garantit que les catégories formées vont rester stables.

La seule possibilité, pour assurer la stabilité, serait que le coefficient d'apprentissage


tende vers zéro, mais le réseau perdrait alors sa plasticité. Les ART ont été connus
spécifiquement pour contourner ce problème. Dans ce genre de réseaux, les vecteurs de poids
ne seront adaptés que si l'entrée fournie est suffisamment proche, d'un prototype déjà connu
par le réseau. On parlera alors de résonance. A l'inverse, si l'entrée s'éloigne trop des
prototypes existants, une nouvelle catégorie va alors se créer, avec pour prototype, l'entrée qui
a engendrée sa création. Il est à noter qu'il existe deux principaux types de réseaux ART : les
ART-1 pour des entrées binaires et les ART-2 pour des entrées continues. Le mode
d'apprentissage des ART peut être supervisé ou non.

2.5-. L’apprentissage.
L’un des grands attraits des réseaux de neurone est en effet leur faculté
d’apprentissage .le besoin d’apprentissage se manifeste lorsque l’information que possède un
réseau de neurone Est représentée dans les poids de connexions entre les neurones
l’apprentissage consiste donc à ajuster des poids de telles façons que le réseau présente
certains comportement désirés .mathématiquement l’apprentissage est définit par :

W
0
t

2.5.1- Apprentissage supervisé.


On fournit à l’algorithme une série d’exemples (x) + résultats (y), trouver W tel que

y = FW(x) (+ bonne généralisation).

Ex : méthodes de gradient stochastique en discrimination linéaire

2.5.2- Apprentissage semi supervisé (renforcement).


On fournit des exemples et des indications sur le résultat (vrai|faux).

101
Annexe B Survol sur Réseaux de neurones

2.5.3- Apprentissage non supervisé.


On fournit seulement les exemples (x), trouver W tel que les x soient correctement
groupés selon FW (+ Bonne généralisation).

Remarque : suite a notre choix d’utiliser les deux types de réseaux de neurones MLP
et RBF nous allons étudier brièvement leurs deux algorithmes.

2.6- . Algorithme d'apprentissage pour les (MLP).

La Méthode de descente de gradient est utilisée pour minimiser le critère de


performance (algorithme de rétro propagation de l'erreur).

Principe de l'algorithme de rétro propagation : adaptation pratique de la descente


de gradient dans un réseau multicouche.

Pour un critère d'erreur à minimiser : chaque couche de connections contribue à


l'erreur calculée en sortie.

Pour chaque vecteur d'entrée x :

Propagation du signal de couche en couche :

ni
L 1
y K (x ) F w ikl 1 y il ( x ) ………………………………………………..………
i 1
…(A2-3)
l
Avec y i
= sortie de la i ém e
unité de la couche l

w ikl 1 =poids de connections entre i ém e


unité de la couche l

Et K ém e unité de la couche (l 1)

L’erreur calculée en sortie, est "rétro propagée" jusqu'aux unités d’entrées, avec
modification des poids en commençant par la dernière couche.
K

Couche l+1

E
W L1 wikl
ik wikl
Couche l

102
Annexe B Survol sur Réseaux de neurones

L'adaptation finalement réalisée correspond à :

- Pour la régression (approximation de fonction : y = F(x)) :

La méthode de descente de gradient pour minimiser le critère des moindres carrés.

- Pour la classification supervisée : même type d'algorithme, ou Mieux : sorties munies


de fct. Softmax et minimisation (par méthode de Gradient) du critère de –log-vraisemblance
(comme en régression logistique) :

c y *(x (i ) )log(y i (x (i ) )) …………..……………………………….(II-4)


i

2.7- Algorithme d'apprentissage pour les (RBF).


Deux ensembles de paramètres à adapter durant l'apprentissage : les paramètres
déterminant les fonctions RBF (centres et rayons, ou matrice var.-covar., des gaussiennes) et
les poids wjk de la combinaison linéaire Déterminant les sorties. Contrairement au MLP (un
seul type de paramètre), ces deux ensembles de paramètres jouent des rôles différents et
peuvent être adaptés séparément. [Decaestecker]

Procédure en 2 étapes généralement conseillée :

Déterminer les positions et rayons (ou matrices var.-covar.) des RBF,

Par exemple, par une méthode non supervisée (comme "k-means")

- Découpage de l'espace des entrées en "clusters"

- Chaque cluster représenté par une unité RBF (centre et rayon, ou Matrice var.
/covar.) Dans le cas de la classification : il est conseillé d'effectuer le processus de clustering
par classe (pour garantir une bonne représentation de Chaque classe).

Calculer les poids de la combinaison linéaire des RBF

(Couche de Sortie) par minimisation du critère des moindres carrés (calcul de Matrice
pseudo inverse, cf. régression linéaire multiple). Dans le cadre de la classification, possibilité
d'appliquer le modèle de Régression logistique en sortie.

103
Annexe B Survol sur Réseaux de neurones

Les fonctions Matlab utilisées dans notre application


Pour les Réseaux de Neurones Artificiels

Newff : (new feed-forward backpropagation network) Crée un réseau de neurones de type


Perceptron Multi Couche, et la méthode d’apprentissage est la rétropropagation du gradient.
Premnmx : Traite les données de telle façon que les entrées et les valeurs désirées soient
comprises entre –1 et +1.
Minmax : Pour avoir deux colonnes des minimums et des maximums d’une matrice.
Init : Pour initialiser les différentes couches (entrées, sorties, et internes).
Trainlm : Fonction d’apprentissage du réseau de neurones ; elle fait la mise à jour des poids
suivant l’optimisation de Levenberg-Marquardt.
Train : Pour lancer l’apprentissage.
Sim : Pour simuler les sorties du réseau qui a été appris.
Postmnmx : Pour convertir les sorties normalisées par ‘Premnmx’ à des valeurs réelle
comme elles ont été originalement.
Tansig : Fonction d’activation sigmoïd.
Purelin : Fonction d’activation linéaire.

104
Annexe C Survol sur logique floue

Survol sur logique floue


1- Introduction

Les recherches et les applications concernant la logique floue datent de plus d’une
trentaine d’années. Elle a été introduite pour la première fois par Lotfi.A.Zadeh (professeur à
l’université de Californie à Berkeley), internationalement connu pour ses travaux en
automatique et théorie des systèmes, qui a éprouvé le besoin de formaliser la présentation et le
traitement des connaissances imprécises ou approximatives, afin de pouvoir traiter des
systèmes de grandes complexités.

La logique floue représente une extension de la logique classique, dans le but de


raisonner sur des connaissances imparfaites. Elle a pour préoccupation principale le
raisonnement approximatif, dans le contexte de l’analyse, de la représentation des
connaissances, de la classification des formes et des systèmes experts (un système expert est
tout système capable de prendre des décisions), et plus récemment (les deux dernières
décades), l’attention a commencé à se déplacer vers le contrôle, et elle a prouvé une grande
efficacité grâces aux propriétés suivantes qu’elle offre:Souplesse, Facilité de réalisation et
Rentabilité.

2- Pourquoi la logique floue?

La logique floue est considérée comme un outil de plus, ajouté à la panoplie des outils
traditionnellement disponibles (logique classique, automatique, recherche opérationnelle,
…etc.). Elle ne doit être considérée à priori comme devant apporter une solution à la
réalisation de toute application, mais il convient de se demander si la réalisation à effectuer
présente des caractéristiques telles que la logique floue soit intéressante.

Il convient d’utiliser la logique floue lorsque :

Les connaissances concernant le système à réaliser sont imparfaites, c’est à dire que
certaines d’entre elles sont soumises à des imprécisions, éventuellement à des
incertitudes. Par exemple, des données sont fournies par des instruments d’observation
dont la précision n’est pas absolue.

Certaines des connaissances sont exprimées avec des termes du langage naturel, par un
expert ou un observateur humain. Le traitement simultané de connaissances numériques
et symboliques sur les mêmes variables n’est réalisable de façon simple que dans le
cadre de la logique floue.

105
Annexe C Survol sur logique floue

Il existe des connaissances graduelles sur le système.

Il existe des classes aux limites mal définies, dont les frontières ne peuvent pas être
indiquées précisément ou des catégories mal séparées qui se chevauchent partiellement.

Une grande flexibilité est recherchée, soit dans la précision de la présentation afin de
s’adapter aux conditions d’observation, soit dans l’adaptation aux conditions
d’utilisation du système réalisé.

Il n’existe pas de modèle rigoureux du problème que l’on traite ou il est d’une très
grande complexité.

Notre façon naturelle de l’aborder passe par une vue globale de certains de ses aspects.
En effet, certain cas demandent un simple raisonnement humain sans avoir aucun
modèle mathématique à l’esprit, alors que l’utilisation d’un modèle mathématique serait
trop lourde.

Pour mettre au profit cet outil (la logique floue), il a fallu introduire une nouvelle
théorie capable de compléter l’insuffisance de la logique classique (standard). Cette théorie
doit être en mesure de traiter la partie vague de nos perceptions et d’utiliser un processus de
raisonnement baser sur un langage naturel.

3- Théorie des sous-ensembles flous


3.1- Concept de sous-ensemble flou

Le concept de sous ensembles flous à été introduit pour éviter les passages brusques
d’une classe à une autre (ex : de la classe noire à la classe blanche) et d’autoriser des élément
à n’appartenir complètement ni à l’une ni à l’autre (à être gris par exemple), ou encore à
appartenir partiellement à chacune (avec un fort degré à la classe noire et un faible degré à la
classe blanche dans le cas du gris foncé).

La définition d’un sous-ensemble flou répond au besoin de représenter des


connaissances imprécises, soit parce qu’elles sont exprimées en langage naturel par un
observateur qui n’éprouve pas le besoin de fournir des précisions ou n’en est pas capable, soit
parce qu’elles sont obtenues avec des instruments d’observation qui produisent des erreurs de
mesures.

Le caractère graduel des sous-ensembles flous correspond à l’idée que, plus en se


rapproche de la caractérisation typique d’une classe, plus l’appartenance à cette classe est
forte.

106
Annexe C Survol sur logique floue

La notion des sous ensembles flous permet de traiter :

des catégories aux limites mal définies

des situations intermédiaires entre le tout et le rien.

le passage progressif d’une propriété à une autre.

des valeurs approximatives.

des classes en évitant l’utilisation arbitraire de limites rigides.

3.1.1. Ensemble classique et fonction caractéristique

Un ensemble classique est un ensemble dont les limites sont bien définies. La notation
classique qui désigne l’inclusion d’un sous ensemble ‘A’ dans un ensemble X est : A X

Cette notation a pour valeur 0 pour les éléments x de X n’appartenant pas à A, et la


valeur 1 pour ceux qui appartiennent à A.

On peut reformuler cette notation en utilisant une fonction caractéristique, soit A(x)
cette fonction:
1 pour x A
A(x) =
0 pour x A

Comme exemple, on peut prendre la figure C-1 qui schématise un ensemble classique.
A(x)

x
A
X

Fig.(C-1) Représentation d’un ensemble classique

3.1.2. Sous-ensemble flou et fonction d’appartenance

Un sous-ensemble flou A de X est défini par une fonction d’appartenance qui associe
à chaque élément x de X, le degré fA(x), compris entre 0 et 1, avec lequel x appartient à A.

Donc A sera défini par le couple x et fA(x), et on note :

107
Annexe C Survol sur logique floue

A = { x, fA(x) } avec x X et 0 fA(x) 1

Dans le cas particulier où fA(x) ne prend que des valeurs égales à 0 ou 1, le sous-
ensemble A est un sous-ensemble classique de X. Donc un sous-ensemble classique est un cas
particulier de sous-ensemble flou.

Les éléments x de X qui constituent l’ensemble A, doivent satisfaire une propriété


commune entre eux, c’est à dire que chaque élément de A doit posséder cette propriété, soit
de façon absolue, soit partiellement en indiquant avec quel degré il la possède, et c’est cette
propriété qui va caractériser le sous-ensemble flou A. Elle est notée Prop(A)

Ainsi, un élément x de X pourrait ne pas appartenir à A (fA(x) = 0 ), appartenir un peu


à A (fA(x) voisine de 0), appartenir assez à A (fA(x) voisine de 1), et enfin appartenir à A
(fA(x)= 1).

La figure c-2 représente quelques formes que peut prendre une fonction d’appartenance
fA(x) [6].
fA(x) fA(x) fA(x)

1 1 1

x x x

fA(x) fA(x)

1 1

x x

Fig.(C-2) Quelques fonctions d’appartenances


On cite quelques exemples de sous ensemble flous :

Ex1 :
Soit A un sous ensemble flou d’élément x ;
Soit Prop(A) = « de la région oranaise » ;
x représente une ville de la région oranaise.

Il est claire que plus la distance d’une ville à Oran augmente plus elle n’appartient pas
à la région oranaise.

108
Annexe C Survol sur logique floue

Dans ce cas, A peut être représenté par :


fA(x)

Distance

Prop(A) = « de la région oranaise »


Ex2 :
Soit maintenant deux sous-ensembles flous A1 et A2 avec :
Prop(A1) = «proche »
Prop(A2) = «éloigné »
Les propriétés «proche » et « éloigné » seront évaluées par rapport à un repère.
Les sous ensembles peuvent être représentés comme suit :

fA(x) , fB(y) Prop(A1)= « proche »

Prop(A2)= «éloigné »

distance
Ex 3 :
Considérons maintenant A1, A2, A3 tel que
Prop(A1)= « proche »
Prop(A2)= « moyennement distant »
Prop(A3)= «éloigné »
Dans ce cas on peut avoir le schéma suivant :

« proche »
fA1, fA2, fA3 « éloigné »
« moyennement distant »

distance

109
Annexe C Survol sur logique floue

3.2. Variable linguistique

Toutes les variables que l’on considère, en physique ou en économie, par exemple,
prennent une valeur unique dans leur ensemble de définition X dans une situation donnée (la
distance est égale à 232 mètres, le prix de revient est de 252 357 dinars). Néanmoins, les
conditions d’observation ne permettent pas toujours de connaître parfaitement cette valeur
unique. Dans bien de cas, la valeur est seulement approximative (environ 250 000 ) ou
évaluées grossièrement ( entre 200 et 250 mètres), l’instrument de mesure est légèrement
imprécis (252 mètres à 1% prés), ou elle est décrite de façon qualitative « la distance est
faible ». Une variable linguistique sert à modéliser les connaissances imprécises ou vagues sur
une variable dont la valeur précise peut être inconnue.

Définition : Une variable linguistique est un triplet (V,X,TV) dans lequel V une
variable définie sur un ensemble de référence X. L’ensemble TV={A1,A2,..}, fini ou infini,
contient des sous ensembles flous normalisés de X, utilisables pour caractériser V.(un sous
ensemble flou normalisé de X , est un sous ensemble flou dont la valeur maximale que peut
prendre sa fonction d’appartenance est égale à 1).

Les sous-ensembles flous de TV définissent des restrictions des valeurs que prend V
dans X. Pour simplifier, on note Ai à la fois le terme linguistique (« faible », « cher »…) et le
sous-ensemble flou qui lui est associé.

Prenons l’exemple suivant :

Considérons l’énergie d’un signal comme variable V, définie sur l’ensemble X des
réels positifs

TV={très petite, Petite, Moyenne, Grande, très grande} ;

Donc notre variable linguistique sera définie par :

V = Energie.

X= +

TV={ très petite, Petite, Moyenne, Grande, très grande }.

On pourra choisir la fonction d’appartenance sous forme trapézoïdale. Cette situation


est représentée sur la figure C-3.

110
Annexe C Survol sur logique floue

Fonction d’appartenance

Tp P M G Tg

x
Fig.(C-3) Exemple d’une variable linguistique utilisée
pour décrire l’énergie d’un signal

Selon le type et le besoin de l’utilisation, le nombre des éléments de TV est plus ou


moins grand, ce qui veut dire que la description de V est plus ou moins fine.

3.3. Propositions floues


3.3.1. Propositions floues élémentaires

Une proposition élémentaire est définie à partir d’une variable linguistique (V,X,TV)
par la qualification « V est A », où A est une caractérisation floue appartenant à TV.

3.3.2. Propositions floues générales

Une proposition floue générale est obtenue par l’utilisation conjointe de propositions
floues élémentaires.

Généralement, on peut construire des propositions floues par conjonction, disjonction


ou implication portant sur des propositions floues quelconques.

3.3.2.1. La conjonction

Si x et y sont des éléments des ensembles X et Y respectivement, la conjonction


s’exprime par « x est A et y est B ». Cette dernière prend ses valeurs dans l’ensemble X Y
avec des degrés de flous calculés à partir d’une fonction d’appartenance fAB(x,y), où la forme
générale de fAB(x,y) est :

fAB(x,y) = min ( fA(x), fB(y) )

3.3.2.2. La disjonction

Elle est exprimée par : « x est A ou y est B ».

La fonction d’appartenance la plus simple qui peut être associée à la disjonction est de
la forme :

fAB(x,y) = max( fA(x) , fB(y) ).

111
Annexe C Survol sur logique floue

3.3.2.3. L’implication

Une implication entre deux propositions floues élémentaires définit aussi une
proposition floue que l’on peut exprimer par « x est A implique y est B » ou « si x est A alors
y est B ».

Une proposition floue utilisant une implication floue est appelée « règle floue », cette
notation est très utilisée en logique floue surtout en ce qui concerne la prise des décisions et
l’extraction des conclusions.

Considérons la règle floue suivante « si v est A alors w est B », ou « v est A » est


appelée prémisse, et « w est B » est appelée conclusion. Cette règle est construite à partir des
deux variables linguistiques ( v, X, Tx ) et ( w, Y, Ty). Elle définit une relation R définie sur
X Y entre les valeurs prises par v et celles prises par w. Comme ces variables sont restreintes
par les caractéristiques floues A et B, la relation est elle même floue. Elle mesure la force
entre la prémisse « v est A » et la conclusion « w est B » de cette règle, mettant en évidence
l’influence du fait que la prémisse soit satisfaite, (c’est à dire que v soit effectivement
caractérisée par A), sur le fait que la conclusion que la règle soit satisfaite (c’est à dire que w
soit caractérisée par B). De même que la valeur de vérité de la prémisse « v est A » est définie
par une fonction d’appartenance à A, l’implication floue est définie par une fonction
d’appartenance de R, pour cela plusieurs fonctions d’appartenances existent, par exemple:

fR(x , y) = 1 – fA(x) + fA(x) fB(y) ………………..(Reichenbach).

fR(x , y) = max( 1 – fA(x) , min(fA(x) , fB(y) ) ) …….(Willmot).

fR(x , y) = fA(x) fB(y) ……………………………..(Larsen).

1 si fA(x) fB(y)
fR(x , y) = ……………………….(Brouwer-Godel)
fB(y) sinon.

4. Inférence floue et raisonnement approximatif

La logique floue est une extension de la logique classique. Les propositions floues
définies à partir d’un ensemble L de variables linguistiques (v, X, Tv). Dans le cas particulier
où toutes les propositions floues sont booléennes, c’est à dire où elles sont absolument vraies,
soit absolument fausses, la logique floue est identique à la logique classique.

De même, le raisonnement en logique floue est une extension du raisonnement en


logique classique conventionnelle.

112
Annexe C Survol sur logique floue

4.1. Raisonnement en logique classique conventionnelle

De manière générale, le raisonnement en logique classique s’établit sous la forme de


ce qu’on appelle le Modus Ponens, qui se traduit de la façon suivante :

Règle : si x est A Alors y est B

Le fait observé : x est A

conclusion : y est B

Dans cette logique une conclusion ne peut être établie que lorsque x correspond
exactement à A, c’est à dire seulement lorsque la prémisse est absolument vraie.

4.2. Raisonnement en logique floue par généralisation du Modus Ponens

Dans la logique classique, le Modus Ponens ne permettrait d’obtenir une conclusion


que lorsque la prémisse est vraie ; il convient donc d’élaborer une forme assouplie du Modus
Ponens pour répondre à nos besoins, lorsque x est légèrement différent de A, par exemple.

Le Modus Ponens se généralise de la façon suivante : Que déduire de la règle « si x est


A alors y est B », pour un fait « x est A’ » ? (A’ est plus au moins différent de A) ; dans ce cas
on procède comme suit :

Règle : si x est A alors y est B

Fait observé : x est A’

Conclusion : y est B’

B’ le résultat de l’inférence floue, sera lui aussi un sous-ensemble flou.

4.3. Raisonnement en logique floue multidimensionnelle (MFR)

(Multidimensionnelle Fuzzy Reasonning)

Ce raisonnement est utilisé lorsque le système à traiter, présente comme entrée


plusieurs variables indépendantes, où chacune a son propre domaine de variation. Dans un
cas pareil, on fait appel à ce type de raisonnement en utilisant des règles floues
multidimensionnelles, ces dernières sont générées par des implications floues
multidimensionnelles.

4.3.1. Implication floue multidimensionnelle (MFI)

Soit l’implication floue multidimensionnelle (MFI, Multidimensionnelle Fuzzy


Implication) suivante :

« si x est A et y est B alors z est C »


113
Annexe C Survol sur logique floue

Où :

A, B, et C sont des sous-ensembles flous.

x, et y sont deux variables linguistiques indépendantes, donc dans ce cas on a seulement


deux dimensions.

Z étant le résultat de la MFI, soit disant sa valeur de vérité.

Pour calculer la valeur de vérité d’une telle implication floue MFI; cette dernière peut
être décomposée en plusieurs autres implications simples (unidimensionnelle). Une fois la
décomposition est établie, on traite chacune des implications résultantes à part. C'est à dire de
calculer la valeur de vérité de chacune d’elle. Par la suite, on fait le travail inverse. C'est à
dire, faire l’assemblage des différentes valeurs de vérités, pour en sortir une valeur globale,
qui sera considérée comme étant la valeur de vérité de l’implication floue
multidimensionnelle. Pour cela il existe plusieurs techniques, dont les plus connues sont les
suivantes.

1- Pour Tsukamoto(1979) l’implication précédente peut être décomposée de la façon


suivante :

si x est A alors z est C , soit le résultat de cette implication C’ …..(1)

si y est B alors z est C , soit le résultat de cette implication C’’ …..(2)

L’intersection entre C’ et C’’ (C’ C’’) sera considérée comme étant le résultat final.

2- une autre approche plus, récente est utilisée ; Elle est représentée comme suit :

si x est A alors z est C1, soit son résultat C1’ ……………….(3)

si y est B alors z est C2, soit son résultat C2’ ……………….(4)

où : C1 C2 = C ………………..(5)

C1’ est le résultat inféré à partir de l’implication (3)

C2’ est la résultat inféré à partir de l’implication (4)

La valeur finale sera donnée par C1’ C2’.

La différence essentielle qui existe entre les deux modèles réside dans la partie
conséquence de chaque implication floue décomposée (DFI, Decomposed Fuzzy
Implication) ; D’après Tsukamoto, les parties conséquences des DFI (équations 1 et 2) sont
identiques, tandis que dans le deuxième modèle proposé, les parties conséquences (C) est
l’intersection des deux parties conséquences C1 et C2 (équations 3, 4, 5). Donc dans le

114
Annexe C Survol sur logique floue

deuxième modèle, l’opérateur linguistique de conjonction « ET » a une interprétation logique


pour l’intersection « » plus significative que celle donnée dans le premier modèle.

C’est le deuxième modèle qui fera l’objet de notre application ; Une fois le modèle est
choisi.

4.3.2. Le vecteur flou


Considérons toujours l’implication floue multidimensionnelle (MFI) précédente « si x
est A et y est B alors z est C », pour mieux manipuler les variables linguistiques d’un système
qui utilise une telle règle, on introduit la notion du vecteur flou.

Les éléments qui constituent le vecteur flou, sont les parties antécédentes des
implications floues décomposées (DFI). Ces derniers sont des variables linguistiques floues,
par exemple, x est petit, y est moyen …etc., où « petit et moyen …etc. » sont représentés par
des sous-ensembles flous .

Dans cet exemple, le vecteur flou est VF = ( x y )T, où T désigne le transposé. C’est ce
vecteur flou qui sera par la suite l’ensemble des données d’entrées.

5. La chaîne de traitement de données en logique floue

Pour traiter les données acquises, il faut passer par plusieurs étapes. Ces dernières sont
résumées dans l’organigramme de la figure C-4.

La toute première opération d’un système d’inférence flou, est la fuzzification, elle
consiste à convertir les entrées crispes (brutes) en leurs représentations floues. Dans
cette étape, les domaines de variation des variables d’entrée sont divisés en sous-
ensembles flous caractérisés par les propriétés linguistiques, cette conversion est réalisée
simplement en calculant les degrés d’appartenance des entrées à chaque sous-ensemble
flou.

La deuxième étape consiste à faire passer les entrées floues dans la base de règle qui
comporte les connaissances concernant le procédé.

Les décisions sont effectuées par le traitement des règles floues. Ces règles sont activées
dès que leurs propositions élémentaires initiales (prémisses) ont un degré
d’appartenance non nul.

La dernière opération, la défuzzification, a pour rôle la conversion des inférences floues


en données de sortie non floue, c’est à dire directement utilisables. Ces données de
sortie sont choisies à partir des sous-ensembles flous. Ce choix peut être réalisé par

115
Annexe C Survol sur logique floue

plusieurs méthodes, la plus utilisée consiste à calculer le centre de gravité des valeurs
obtenues par la base de règle.

Entrées crispes

Interface de fuzzification

Base de
règles

Interface de
défuzzification

Sorties
crispes
Fig.(C-4) Chaîne de traitement en logique floue

116
.
.
.
.
:
.

Abstract
The presented work concern the diagnosis of squirrel cage induction motors failures,
using new techniques such as spectral analysis, neural networks and fuzzy logic.
It is obviously impossible to identify, simultaneously, all failures possibilities and
combinations.
So we will examine more precisely the rotor failures. For this reason we used the multi-
winding model to analyze the machine behavior's, in absence and presence failure's.
Keywords: Squirrel cage induction machine, neural networks, fuzzy, failures, diagnosis,
surveillance, detection.

Résumé
Le travail présenté s'inscrit dans le cadre du diagnostic des défauts rotoriques dans les
moteurs asynchrones triphasés à cage d'écureuil, utilisant des nouvelles techniques tel
que l'analyse spectrale, les réseaux de neurones et la logique floue.
Il est évidemment qu’il est impossible de cerner, simultanément, toutes les
combinaisons possibles des défauts où peuvent apparaître. Nous avons examiné plus
précisément les défauts qui peuvent apparaître au niveau du rotor. Pour cela nous avons
utilisé le modèle multi -enroulements de pour analyser le comportement de la machine
en absence et en présence des défaillances.
Mots-clés: Machine asynchrone triphasée à cage, réseaux de neurones, logique floue,
défauts, diagnostic, surveillance, détection.