methodes de detection et de diagnostic de defauts …€¦ · methodes de detection et de...

METHODES DE DETECTION ET DE DIAGNOSTIC DE DEFAUTS DANS LES SYSTEMES ELECTRIQUES

Paris le 27 septembre 2007

D. Diallo, M.E.H. Benbouzid

Problème complexe et multidisciplinaire

Méthodes de Détection et de Diagnostic de Défauts dans les Systèmes électriques

Paris le 27 septembre 2007SEEDS - MACS

SOMMAIRE

IntroductionDiagnostic ?Importance des systèmes électriques ?

Techniques de traitement du signal

Techniques de traitement de données

Techniques d’estimation (états et paramètres)

Techniques de l’intelligence artificielle



INTRODUCTION

Sûreté de fonctionnement (RAMS)

FIABILITE

MAINTENABILITE

ORGANISATION DELA MAINTENANCE

SYSTEME DE DIAGNOSTIC

COUT ET DISPONIBILITEDES PIECES DE RECHANGE

DISPONIBILITE DU SYSTEME

COUTDE

MAINTENANCE

SURETEDE

FONCTIONNEMENT

FIABILITE

MAINTENABILITE

ORGANISATION DELA MAINTENANCEORGANISATION DELA MAINTENANCE

SYSTEME DE DIAGNOSTIC

COUT ET DISPONIBILITEDES PIECES DE RECHANGECOUT ET DISPONIBILITEDES PIECES DE RECHANGE

DISPONIBILITE DU SYSTEME

COUTDE

MAINTENANCE

COUTDE

MAINTENANCE

SURETEDE

FONCTIONNEMENT

SURETEDE

FONCTIONNEMENT

Composantes de la disponibilité



Détection et Diagnostic

Détection

Analyse Temporelle et/ou fréquentielle de signaux

Estimation d’états et /ou de paramètres

Techniques I.A.

Diagnostic

Procédé

Modélisation

Méthodes de Classification

Méthodes d’inférence

Données



Pourquoi les systèmes électriques ?

Transport Production d’énergie



Détection et Diagnostic des composants

Machines électriques (défauts électriques et mécaniques)

Convertisseurs statiques (composants actifs et passifs)

Câbles

Connecteurs

Détection et Diagnostic du système

Variateur

Réseau



Grandeurs électromagnétiques

Courants, Tensions, Flux

Grandeurs mécaniques

Vitesse, Position, Accélération

Température

Mesures dans les Systèmes Électriques ?



TECHNIQUES DE TRAITEMENT DU SIGNAL (TdS)

Signal Périodique Signal Stochastique

Signal non-stationnaire

FFT

Filtrage

Densité spectrale

Analyse de corrélation

…

Analyse spectrale

ARMA

Analyse de corrélation

…

STFT

Ondelettes

ARMA

…



Diagnostic de la machine avec les courants

-80 -60 -40 -20 0 20 40 60 80-40

-30

-20

-10

0

10

20

30

40

Iα (A)

Iβ(A

)

Healthy motor

Open phase

-80 -60 -40 -20 0 20 40 60 80-40

-30

-20

-10

0

10

20

30

40

Iα (A)

Iβ(A

)

Healthy motor

Open phase

Ouverture de phase

Reconnaissance de formes

Techniques I.A.

LIME - SPEE Labs



TdS

Transformée de Fourier Rapide – FFT (LIME)

Moteur sain Moteur en défaut 1

Moteur en défaut 2



FFT de la puissance instantanée (GREEN, LIME)

( ) ( ) ( )

( ) ( )

p t p t MV I t

t t

LL Losc

osc osc

= + + − −⎡⎣⎢

⎤⎦⎥

⎧⎨⎩

+ − − −⎡⎣⎢

⎤⎦⎥+ +⎛

⎝⎜⎞⎠⎟

⎫⎬⎭

0 22

6

26

26

cos

cos cos cos

ω ω ϕπ

ω ω ϕπ

ϕπ

ω

TdS



FFT densité spectrale de puissance (Laplace)

TdS



TdS

Bispectre

Transformée de Fourier 2DInformation “Amplitude et Phase”Processus de détection enrichi

Détection de défauts de type électriques

Moteur sain Moteur en défaut



TdS

Analyse spectrale haute résolution (LIME)

Estimateurs de fréquenceMUSIC ou ROOT-MUSICRetient les composantes spectrales utiles

Détection de défauts à signature spectrale

Moteur sain

Moteur en défaut



TdS

Ondelettes

Analyse du courant durant les transitoiresAnalyse de petites sections du signal (STFT)Précision fonction de la taille de la fenêtre

STFT + Ondelettes

STFT

STFT + Ondelettes



TdS

Techniques temps-fréquence

Courant = Signal aléatoire non stationnaireCadre statistique adaptatifMéthode de traitement de signal statistique

Cassures de barres et usure de roulements

Moteur sain Moteur en défaut



Analyse de signaux à fréquence variable (Laplace)

TdS



Traitement de données (G2ELab)

TD Fouille de données (data mining)



Traitement de données (G2ELab)

TD



TECHNIQUES D’ESTIMATION

PrincipalementSurveillance thermiqueDétection de défauts mécaniquesDétection de défauts électriquesPrise en compte de la températurePrise en compte de la saturation

Application industrielle – CapteursCourants statoriquesTensions statoriquesEventuellement un capteur de vitesse

Est.



TECHNIQUES D’ESTIMATION DE PARAMETRES

Rr identification après 300 min



Rr identification au démarrage

Temps (s)

Identification de Rr

Temps (s)

Surveillance thermique

Est.

LIME




• Utilisation directe du modèle

• Relations de Redondance Analytique

• Observateurs

Méthodes de Redondance Analytique pour la surveillance de la Machine à Induction

CEGELY, LAG, LAIL, LAP, LEGBanc d’essais du LAII

Est.




LAG, LAIL, LEG : Utilisation directe des équations du modèle

Modèle

Modèles locaux

Génération et Traitement de résidus

MesuresSimulation ou

Substitution

Est.




LAIL : Relations de Redondance Analytique

Génération de résidus

Modèle

Détermination des RRA

Est.




CEGELY, LAG, LAP, LEG : Utilisation des observateurs

Modèle de référence adaptatif (MRA)

Filtre de Kalman étendu

Observateur (s) à entrée inconnue

Observateur à grand gain étendu d’ordre réduit

Est.

Rs, Rr, Ω

Rs, Rr

Rs, Ls, Rr, I, Ω, Onduleur

Rr



TECHNIQUES DE L’INTELLIGENCE ARTIFICIELLE

Pourquoi ?Alternative aux méthodes traditionnellesSurmonter les limitations

AvantagesNe nécessitent pas de modélisation exacteSimplicité de modification et d’extension

Ce qu’elles nécessitentMinimum d’expertise et de données

TechniquesRéseaux de neuronesLogique floueAlgorithmes génétiques, systèmes experts, …

TIA



Flux d’information

Couche d’entrée Couches cachées Couche de sortie

x1

xn

y1

ym

Flux d’information

Couche d’entrée Couches cachées Couche de sortie

x1

xn

y1

ym

TIA

Les réseaux de neurones artificiels

Application industrielle – CapteursCourants statoriquesEventuellement un capteur de vitesseArchitecture de base pour le diagnostic



TIA


Approche classiqueCapteurs de courantCapteur de vitesse

Approche évolutive mais coûteuse en capteursDétecteur de Défauts

I ΩNc

Bc

PC

ConvertisseurAnalogiqueNumérique

Architecturedécentralisée



TIA Approche hybrideCapteurs de courantArchitecture de base

Entrée : Capteurs de courant

CS1

CS2

CS3

Transformée

CS1

CS2CS3

CSd

CSq

Contourde Concordia

-1.5 -1 -0.5 0 0.5 1 1.5-10

-8

-6

-4

-2

0

2

4

6

8

10

Id (A)

Iq (A)

RN

Sortie : Détection du défaut

CS1

CS2

CS3

TransforméeTransformée

CS1

CS2CS3

CSd

CSq

Contourde Concordia

Contourde Concordia

-1.5 -1 -0.5 0 0.5 1 1.5-10

-8

-6

-4

-2

0

2

4

6

8

10

Id (A)

Iq (A)

-1.5 -1 -0.5 0 0.5 1 1.5-10

-8

-6

-4

-2

0

2

4

6

8

10

Id (A)

Iq (A)

RN

Sortie : Détection du défautSortie : Détection du défaut




TIA Approche hybrideCapteurs de courantArchitecture de base

MAS

ChargeRéseaux

3φ

Acquisition de Données

Data Acquisition & TreatmentContour de Park

φ

φ

φ

Traitement des Données

-20 -15 -10 -5 0 5 10 15 20-20

-15

-10

-5

0

5

10

15

20

Id (A)

Iq (A)Stator Currents

0 0.005 0.01 0.015 0.02-15

-10

-5

0

5

10

15

Réseaux de Neurones

Détection / Alarmes

Acquisition et Traitement des Données

Défaut 1

Défaut 2

Défaut n

FFNN1

FFNNn

FFNN2

RN

Architecture décentralisée




TIA

0 2 4 6 8 1090

91

92

93

94

95

96

97

98

99

100

Number of hidden nodes

Performance of fault detection (%)

Open phase detection

Voltage unbalance detection

Test du détecteur classique

Test du détecteur à architecture décentralisée

Open phase classification

Voltage unbalance classification

Résultats expérimentaux


LIME



TIA

La logique floue

Application industrielle – CapteursCourants statoriquesFonctions d’appartenance & règlesArchitecture de base pour le diagnostic

Alim

enta

tion

Trip

hasé

e

Inférence Floue

Basedes Règles

Basede Données

Base de Connaissances


Etat de la Machine

Alim

enta

tion

Trip

hasé

e

Inférence Floue

Basedes Règles

Basede Données

Base de Connaissances


Etat de la Machine



TIA

La logique floue

Bon Endommagé SérieusementEndommagé

VariablesLinguistiques

Valeursdes VariablesLinguistiques

Universde discours

Etat de la Machine

Bon Endommagé SérieusementEndommagé

VariablesLinguistiques

Valeursdes VariablesLinguistiques

Universde discours

Etat de la Machine

Variables linguistiques



TIA

La logique floue

Fonctions d’appartenance

0 70 Q

μQ

1 Z P M G

Q = Ia, Ib, Ic

Courants

0 1 CM

μCM

1B E SE

Etat de la machine



TIA

La logique floue

Tests du détecteur flou – Diagramme d’inférence

Machine saine LIME



TIA

La logique floue


Machine endommagée LIME



TIA

La logique floue


Machine sérieusement endommagée LIME



MAS

Charge3φ

~

Acquisition des Données

Acquisition & Traitement des DonnéesContour de Concordia

φ

φ

φ

Traitement des DonnéesStator Currents

0 0.005 0.01 0.015 0.02-15

-10

-5

0

5

10

15

Fuzzy Fault Detector


Règles Données

-80 -60 -40 -20 0 20 40 60 80-40

-30

-20

-10

0

10

20

30

40

Iα (A)

Iβ(A

)

Healthy motor

Open phase

-80 -60 -40 -20 0 20 40 60 80-40

-30

-20

-10

0

10

20

30

40

Iα (A)

Iβ(A

)

Healthy motor

Open phase

MAS

Charge3φ

~3φ

~

Acquisition des Données

Acquisition & Traitement des DonnéesContour de Concordia

φ

φ

φ

Traitement des DonnéesStator Currents

0 0.005 0.01 0.015 0.02-15

-10

-5

0

5

10

15Stator CurrentsStator Currents

0 0.005 0.01 0.015 0.02-15

-10

-5

0

5

10

15

Fuzzy Fault Detector


RèglesRègles DonnéesDonnées

-80 -60 -40 -20 0 20 40 60 80-40

-30

-20

-10

0

10

20

30

40

Iα (A)

Iβ(A

)

Healthy motor

Open phase

-80 -60 -40 -20 0 20 40 60 80-40

-30

-20

-10

0

10

20

30

40

Iα (A)

Iβ(A

)

Healthy motor

Open phase

TIA

La logique floue

Approche hybrideCourants statoriquesTransformée de Concordia

Diagnostic & Sévérité



TIA

Autres techniques

NeuroflouCapacité de mémorisation des RNRaisonnement heuristique de la LF

Algorithmes génétiquesDiagnostic de défauts à évolution lente

Systèmes experts



Vers la commande tolérante ?

Fonctionnement en présence de défautsSurveillance, diagnostic puis commande

Induction Motor

Sensorless Fuzzy ControlFVBCFVBC

Encoder-BasedSliding Mode Control SMCSMC

Fuzzy Switchover BlockFSBFSB

PWM Inverter

Flux Estimation

Us

Is

Ω

Us-vf

Us-sm

fs-ref

φr

φr-ref

•

Fault Tolerant Controller

HybridHybrid Electric Electric VehicleVehicle

Induction Motor




PWM Inverter

Flux Estimation

Us

Is

Ω

Us-vf

Us-sm

fs-ref

φr

φr-ref

•


Induction Motor




PWM Inverter

Flux Estimation

Us

Is

Ω

Us-vf

Us-sm

fs-ref

φr

φr-ref

•


HybridHybrid Electric Electric VehicleVehicle

Time (sec)

Rot

or S

peed

(rad

/sec

)

Speed sensor failure

Speed sensor recovery

Time (sec)

Rot

or S

peed

(rad

/sec

)

Speed sensor failure

Speed sensor recovery

Vitesse

LIME – SPEE Labs

methodes de detection et de diagnostic de defauts …€¦ · methodes de detection et de...

Documents