Search

International audience; System diagnosis has been of a great interest for all aspects of industrial processes more precisely to gain in quality. It is based essentially on the analysis of the links between the variables of a system and more precisely on the changes of the relations between these variables, which testify to the presence of faults or anomalies. For that purpose, data modeling is the process of finding a mathematical expression that provides a good fit between given finite sample values of the independent variables and the associated values of the dependent variables of the process.The aim of this paper is to detect and, above all, localize faults affecting a system with nonlinear behavior, when its model is not known a priori. An important part of the presentation is dedicated to the construction of fault indicators capable of locating faults, ie, recognizing the input or output of a system affected by a fault. The first part of this paper is devoted to how to predict the output of a nonlinear behavior system. The second part proposes a way for the detection and isolation of measurement faults based on the proposed prediction model. The relevance of the proposed technique, for modeling and system diagnosis, is illustrated on a simulated example in the context of SIMO and MIMO systems.

International audience; This paper suggests a method for damage detection and localization in pipelines. It was proposed to address the problem of the effects of environmental and operational conditions on the monitoring signals. It consists of establishing a model on demand of the reference state of the structure whenever a new measured signal is presented. This model is constructed by calculating sparse estimation of the actual signal. In this case, damage detection is accomplished by using the estimation error as a damage index. To localize the damage, the idea is to calculate the estimation error only on a sliding window over the signal from the damaged pipeline. The proposed method is evaluated on a pipeline segment placed in a facility where the temperature is the only environmental factor that varies during the monitoring period. Damage was created at the end of the monitoring period by removing material from the inside of the pipeline in order to simulate corrosion. Results have shown that the damage was detected successfully and localized with a minor error.

International audience; Artificial intelligence using machine learning techniques has become omnipresent in different field of studies. Structural health monitoring is an emerging field which should take advantage of these techniques in order to be efficient and more reliable. It aims mainly at detecting and localizing damage in structures automatically without the need of the interpretation of data (i.e. human analysis) as it is done in non-destructive techniques. In this work, some cases of study of detection and localization of damage in pipeline during a monitoring period will be presented. Two types of learning environment: stationary and non-stationary will be considered. In the latter, the variation of environmental and operational conditions could have an impact on the reference signals and hence, as these signals are generally compared to the actual signals, this will give rise to false alarm. To deal with this issue, we propose to build a model of reference data whenever a new measured signal is available. In the former, intelligent feature extraction and selection methods are considered to ensure a better damage detectability and to avoid overfitting. In the case of learning in stationary environment, reference data are supposed to be constant. These data was gathered on a tube where an artificial damage was placed on the surface. However, in non-stationary environment, data was collected on pipe segment where temperature fluctuates due to the weather changes. A corrosion-like damage was machined in this case in several steps in order to increase its size. In both cases, damage was detected successfully using the above mentioned machine learning techniques. Besides, a procedure for damage localization was developed in the second case. Further technical details will be provided in the oral presentation.

International audience; This paper addresses the problem of multiple fault isolation based on kernel principal component analysis and proposes a sparse fault estimation method to evaluate the reconstruction-based contribution. The fault magnitude estima- tion is here formulated as an optimization problem under non- negativity and sum-to-one constraints. A multiplicative iterative scheme and its initialization procedure are proposed to solve it. The effectiveness of the proposed method is demonstrated on the simulated continuous stirred tank reactor (CSTR) process.

National audience; Dans certains cas, le contrôle non destructif classique (i.e. par le biais de transducteurs amovibles) ne peut pas être utilisé et ce, pour des raisons de contraintes de temps, de budgets ou d’accès. Le Contrôle Santé Intégré (connu par son appellation anglaise Structural Health Monitoring, SHM) a vu le jour pour apporter des remèdes à ces contraintes. Cette discipline consiste à surveiller l’état de santé des structures moyennant des transducteurs vivant en permanence avec elles. Cependant, le déploiement des systèmes de SHM en ligne requiert la maîtrise des variations des conditions environnementales et opérationnelles qui sont de nature aléatoire. Ceci passe par le développement de certaines techniques statistiques adéquates. S’appuyant sur des simulations numériques, les approches ont été développées et testées sur des bases de données construites sur des structures de grande échelle. Des résultats montrant l’efficacité des algorithmes statistiques mis au point seront présentés. Bien que le SHM est une technologie bénéfique par rapport au CND classique, elle génère malheureusement, avec le temps, des données volumineuses et variées qu'il faut traiter en temps réel pour pouvoir prendre des décisions immédiates et fiables (on parle alors de la vitesse de traitement). Des solutions issues du Big Data seront proposées.

International audience; Cet article s’initie dans le cadre du monitoring des structures par le biais de la technique des ondes ultrasonores guidées. Il porte sur la classification des données de cette technique par le biais des machines à vecteurs de supports, dont la fiabilité est conditionnée par la sélection ciblée du séparateur optimal. Deux types de séparateur existent: linéaire et non-linéaire. Différents algorithmes ont été antérieurement développés et peuvent être trouvés dans la littérature. La présente étude vise à appliquer ces algorithmes sur des données expérimentales de monitoring, par le biais de la technique des ondes ultrasonores guidées, dans l’objectif d’identifier le séparateur le plus pertinent afin de réduire voire annuler complètement les fausses alarmes et fiabiliser ainsi au mieux le monitoring in-situ.

National audience

National audience; Dans cet article, une méthode analytique est proposée en vue d'obtenir un multimodèle (MM) strictement équivalent à un modèle non-linéaire représentable sous une forme quasi-LPV. La méthode proposée ne produit pas de perte d'information, contrairement aux méthodes de réduction d'ordre existantes. Plusieurs formes multimodèle peuvent être obtenues. Pour cette raison on propose aussi une méthode de choix de la meilleure forme pour des études d'analyse et de contrôle basées sur la formulation LMI (inégalités matricielles linéaires).

International audience; This article proposes an analytical method for decomposing a dynamic nonlinear system into a multiple model form in order to reduce its complexity and to study more easily identification, stability analysis and controller design problems. The majority of existing methods are order reduction based techniques, which come with an information loss of the initial system, whereas the method proposed here avoids this particular loss. The multiple model constitutes an efficient tool to represent nonlinear systems. These are decomposed into several linear time invariant systems (LTI) which are weighted and aggregated that allows to benefit from important analysis tools. This method is applied to a simplified activated sludge reactor model.

National audience; Cet article propose une méthode analytique de décomposition de systèmes non-linéaires dynamiques, afin d'en réduire la complexité et de pouvoir étudier plus facilement des problèmes d'identification, de commande, d'analyse de stabilité. La plupart des méthodes existantes sont basées sur des techniques de réduction d'ordre, qui s'accompagnent d'une perte d'information. La méthode développée produit un multimodèle qui est un outil très efficace pour la modélisation des systèmes non-linéaires. Le résultat ne constitue pas une approximation basée sur une réduction d'ordre, mais une réécriture du système sous une forme ayant une structure dotée de propriétés particulières. Cette méthode est appliquée au modèle d'un réacteur à boues activées

International audience

International audience; L'Analyse en Composantes Principales (ACP) est une méthode efficace pour la détection et la localisation de défauts. Cependant, l'ACP classique est très sensible à la présence de valeurs aberrantes. Cette communication présente un algorithme à deux niveaux pour la détection et la localisation de défauts de mesures. Tout d'abord un MM-estimateur est utilisé pour déterminer un modèle robuste. Cet estimateur est calculé avec un algorithme itératif, initialisé par une estimation robuste de la matrice de covariance. Cette approche consiste à minimiser une mesure robuste des distances orthogonales des observations au sous-espace de l'ACP (espace résiduel). Ensuite, des résidus structurés sont utilisés pour détecter et localiser des défauts multiples. La génération de ces résidus structurés est basée sur l'utilisation d'un indicateur combiné qui permet de détecter des défauts sur l'ensemble des variables et sur le principe de reconstruction des variables. De plus, l'analyse, limitée aux défauts isolables, permet d'éviter l'explosion combinatoire des scénarios de défauts dans le cas de défauts multiples. Cette procédure est appliquée avec succès sur un système soumis à des défauts multiples.

International audience; Dans ce papier, on compare les performances d'indices de détection de changements de modes de fonctionnement de systèmes par analyse en composantes principales (ACP). L'utilisation des indices basés sur l'espace résiduel de la représentation des données permet d'avoir de bons résultats de détection, qui dépendent cependant étroitement du niveau de bruit. Le comportement théorique des indices existants et proposés est validé pratiquement par une simulation sur un système statique à plusieurs modes de fonctionnement et affecté par des bruits.

National audience; Cet article propose une méthode analytique de décomposition de systèmes non-linéaires dynamiques sous forme multimodèle, afin d'en réduire la complexité. Cette réduction s'avère nécessaire afin de pouvoir étudier plus facilement des problèmes d'identification, de commande, d'analyse de stabilité. La plupart des méthodes existantes sont basées sur des techniques de réduction d'ordre, qui s'accompagnent d'une perte d'information du système non-linéaire initial, la méthode proposée ici ne l'apportant pas. La structure multimodèle constitue un outil efficace de représentation des systèmes non-linéaires, car présente l'avantage de décomposer un système non-linéaire en plusieurs sous-modèles linéaires à temps invariant (LTI) qui sont pondérés et qui permettent de bénéficier de propriétés importantes comme l'analyse de la stabilité, la contrôlabilité, l'observabilité. Cette méthode est appliquée au modèle ASM1 simplifié d'une station d'épuration à boues activées.

National audience; L'Analyse en Composantes Principales (ACP) est largement utilisée pour le diagnostic de fonctionnement de système. Cependant, l'un des inconvénients majeurs de l'ACP résulte de l'utilisation de techniques d'estimation par moindres carrés, techniques qui échouent souvent à s'affranchir des biais de mesure accidentels. Ce papier présente une procédure de détection et de localisation de défauts de mesure robuste aux valeurs aberrantes. La méthode proposée ne nécessite pas d'étude préliminaire relative à la détection et au rejet de valeurs aberrantes dans les données utilisées pour la conception du modèle ACP. Le modèle ACP obtenu étant robuste, c'est-à-dire non contaminé par les valeurs aberrantes, son utilisation pour le diagnostic est alors efficace. Cette méthode est illustrée sur des données issues d'une station d'épuration

International audience; This article deals with identification design for sensor fault diagnosis of a wastewater treatment station. First, we established a physical model of this station by simplifying and linearizing the model ASM1 (Henze et al., 1987). Then, we study the measurement values in order to find other redundancy equations. Multiple linear regression allowed the determination of a static black box type model, coherent with the physical model. The addition of temporal lags between the signals makes possible to improve the performances of this model. We show finally the use of this model for detection-localization of faults measurements.

National audience; Cette article traite de l'identification, en vu du diagnostic de fonctionnement de capteur, d'un modèle d'une station d'épuration des eaux usées. Il existe une équivalence entre modèle et relations de redondance analytique, en effet, le modèle défini des relations entre l'entrée et la sortie du système et les relations de redondances lient les variables entres elles, dont celle d'entrée et celle de sortie. Nous recherchons alors les équations de redondances du système, c'est-à-dire les relations liant entre elles uniquement les variables mesurées. Nous avons tout d'abord établi un modèle de connaissance de la station en simplifiant et en linéarisant le modèle ASM1. Pour compléter le modèle de connaissance ainsi déterminé, nous étudions les données afin de trouver d'autres équations de redondances. Une régression linéaire multiple a permis la détermination d'un modèle statique de type boîte noire, cohérent avec le modèle de connaissance. L'ajout de décalages temporels entre les signaux permet d'améliorer les performances de ce modèle. Nous montrons finalement l'utilisation de ce modèle pour donner le principe de détection/localisation des défauts de mesure.

National audience; L'Analyse en Composantes Principales possède des propriétés intéressantes pour la détection et l'isolation de défauts de capteurs. Cependant, dans le cas où le système est perturbé par des bruits de mesure non identiquement distribués, le modèle ACP construit est biaisé. Une variante de l'ACP, nommée ACPI (Analyse en composantes Principales Itérative) développée par Narasimhan et Shah (2004), permet, dans le cas où les variances des bruits de mesure sont inconnues, de déterminer à la fois les paramètres du modèle et la matrice de covariance des bruits de mesure. L'ACPI est une méthode itérative à deux niveaux ce qui rend difficile la démonstration de la convergence et l'absence de biais de cette méthode. Après avoir appliqué l'ACPI aux données d'un réseau de surveillance de la qualité de l'air, nous comparons les résultats obtenus avec ceux de l'ACP en termes de détection de défauts.

International audience; Diagnosis method based on Principal Component Analysis (PCA) has been widely developed. However, this method deals only with data which are described by single-valued variables. The purpose of the present paper is to generalize the diagnosis method to interval PCA. The fault detection is performed using the new indicator [SPE]. To identify the faulty variables, this work proposes a new method based on the reconstruction principle to this indicator. It aims to solve an interval linear system to obtain the reconstructed variables. The analysis of the reconstruction conditions permits to determine the useful directions. Then, the residuals structuring according to these directions allows to identify the set of faulty variables. This new diagnosis method based on interval PCA model is validated by a simulation example.

National audience

International audience; In this paper, we propose a method to model a fleet of identical machines. These latest may work in the same or in different operating conditions. Firstly, the method consists in estimating a linear model, using PCA, based on the data collected on the machine itself. Secondly, the common parts of the models of the different machines are identified. New models for the machines are then generated taking into account the identified common parts. An academic example is finally presented to illustrate the results of the method.