Wiki d'activités IMA - Contributions de l’utilisateur [fr]

P5 Filtrage des indicateurs numériques de diagnostic

2015-02-24T08:18:36Z

Iziou : /* Rapport */

== Introduction ==

=== Présentation du système ===

Notre travail se réalise, sur un générateur de vapeur couramment appelé GV, qui est l’une des composantes principales des réseaux électriques thermiques et nucléaires.
Le principe de fonctionnement d’un générateur de vapeur est de pomper une eau à température ambiante d’un réservoir et de la porter ébullition à haute pression. Une fois cette eau portée à ébullition, la vapeur commence à s’échapper sous pression et fait tourner le groupe turbo-alternateur, qui se compose d’une turbine couplée à un alternateur.

Le système se compose donc de :

• Un réservoir qui contient une eau à température ambiante

• Des pompes pour pomper l’eau du réservoir

• Une chaudière pour porter l’eau à ébullition

• Le groupe turbo-alternateur

[[Fichier:GV2014.jpg|400px|center|Le générateur de vapeur]]

==Travail à réaliser ==

Tout procédé industriel nécessitant une supervision logicielle, cette dernière est effectuée pour notre système sous Matlab/Simulink ainsi que dSpace. Cette supervision se base sur les données recueillis à partir des capteurs implantés sur le système, pour prévenir d'un dysfonctionnement ou d'un problème.

[interface de supervision]

Malheureusement les signaux envoyés par les capteurs sont bruités, et la dérivation numérique de ces signaux-là ne fait qu'empirer les choses. Dans le cadre de notre PFE, on essaiera de filtrer ces bruits-là, et donc de rendre la détection de défauts plus fiable et efficace.

== Problématique ==

Le principe de la supervision et la détection d'erreur a partir des équations régissant le fonctionnement du système. Les anomalies détectées au niveaux de ces équations est ce qu'on appelle des erreurs. Les erreurs sont calculées a partir des variables composants les équations suivies ou surveillées. En vue du fait que la supervision effectué sur ce système se base sur les valeurs des différentes grandeurs physiques, l'utilisation de capteur joue un rôle primordial dans notre étude ainsi le traitement des signaux obtenue constitue une grande partie de notre travail.

== Traitement de signal ==

=== Moyenne glissante ===

On peut voir sur les images que les signaux obtenue sont difficilement utilisable dans le cadre d'une supervision optimal. Le but de la supervision étant la détection d'un front montant au niveau des erreurs, le bruit observé sur les signaux obtenue prouve bien l'impossibilité de l'application de cette tache.

[[Fichier:Signal_non_filtre2.JPG‎ ‎|thumb|alt=Texte alternatif pour l'image| signal non filtré]]
Un filtrage est indispensable pour le bon fonctionnement du système de supervision. Les filtres de première ordre étant obsolète pour un bruit d'une telle envergure, le moyen le plus utilisé dans ce cas la est l'utilisation d'un moyennage statistique supprimant les fluctuations transitoires de façon à en souligner les tendances à plus long terme. Le moyenneur le plus efficace et le plus utilisé est ce qu'on appelle une moyenne glissante. Cette moyenne est dite mobile parce qu'elle est recalculée de façon continue, en utilisant à chaque calcul un sous-ensemble d'éléments dans lequel un nouvel élément remplace le plus ancien ou s'ajoute au sous-ensemble.

Plus exactement et de manière plus mathématiques et moins empirique, la moyenne glissante est un filtre numérique avec des coefficients qui peuvent être identiques ou pas, selon notre besoin. Dans le cas de coefficients on donne la même importance à tous les échantillons, mais dans le cas de coefficients différents on accorde une importance différente à chacun des échantillons. L'utilisation de l'un ou de l'autre diffère selon le besoin, dans notre cas on accordera la même importance à tous les échantillons et donc on utilisera une moyenne glissante à coefficients égaux.

On choisira donc comme coefficient : [[Fichier:filtre_coeff.png|70px|]]

La valeur donc de la kième valeur est donc : [[Fichier:yk.png|160px|]]

En terme de fonction de transfert (en z), on obtient donc la fonction suivante : [[Fichier:Fct_transfert.png|280px|]]

La réponse fréquentielle de ce filtre est donc : [[Fichier:Rep_freq.png|240px|]]

Ce qui est une réponse fréquentielle d'un filtre passe-bas, et ce qui nous aidera donc à éliminer les bruits comme on l'a cité de façon empirique plus haut.

Le résultat obtenue est assez extraordinaire, en vue de l'envergure du bruit on a choisit d'utiliser deux moyenne glissante ce qui rend le filtrage plus efficace comme expliqué auparavant. On voit sur l'image que le signal est plus lisse et donc mieux adapté a la détection des erreurs.

[[Fichier:Signal_moyen2.JPG‎ ‎ ‎|thumb|alt=Texte alternatif pour l'image| Bruit faible fuite]]
Lors des essaies effectués on a remarqué que par exemple pour une fuite assez faible le capteur a du mal a détecter la bonne valeur du niveau d'eau dans le réservoir variant au tour d'une certain valeur ce qui implique une variation de l'erreur en cas d'une faible fuite.

Le signal dans ce cas la se trouve alors bruité du fait de la faible précision du capteur. Dans ce cas la le bruit est d'une fréquence assez faible ce qui rend l'utilisation de la moyenne glissante assez peu utile. Etant donné la puissance de ce type de filtre, et le faible signal obtenue lors des petites fuites, la moyenne glissante risque d'effacer le signal recherché en essayant de filtrer ce dernier.

Malgré l'efficacité de la moyenne glissante, le problème de repliement spectral se pose néanmoins. Car vu la courbe de la réponse fréquentielle (cf : courbe ci-dessous), certains signaux ne sont absolument pas filtrés (gain 0dB). Ce qui explique la présence de certains bruits qui n'ont pas été éliminés.

[[Fichier:Rep_freq_courbe.png ‎ ‎|center|alt=Réponse fréquentielle de la moyenne glissante]]

=== Moyenner pour palier aux parasites restantes===

Pour palier a ce problème, on a créer un moyenneur assez ressemblant a la moyenne glissante, utilisant le bock simulink "mean" donnant la moyenne des valeur obtenue a chaque front montant. La moyenne étant contrôler par un signal extérieur le but du travail est de trouvé le signal permettant d'avoir un signal exploitable.

[[Fichier:Signal_filtre2.JPG‎ ‎ ‎|thumb|alt=Texte alternatif pour l'image| Signal filtré]]
Il est possible d'utiliser un signal carre qui nous permettra de définir une certaine durée ( la période du bruit) avant calcul de la moyenne. En vue de la non-homogénéité du bruit, fréquentiellement parlant, le signal carrée peut être une solution au problème mais non la plus adapté.

Le signal approprié a la commande du moyenneur est le signal lui même. En vue de la faible fréquence du signal il est possible d'utilisé ce dernier pour notre commande. Cela se résume en un calcul de la moyenne entre deux front montant du signal ce qui permettra avoir la moyenne de chaque variation du signal est donc avoir un bon fonctionnement du filtre étant donné que celui-ci s'adapte a n'importe quel type de signal étant donnée qu'on utilise le signal même, contrairement a l'utilisation d'un signal carrée qui reste fixe quelques soit le signal a filtré.
[[Fichier:Im.png ‎ ‎|center|alt= méthode de filtrage]]

== Détection du niveau d'erreur ==

La détection d'erreur étant faite ainsi que le traitement du signal , la deuxième partie de notre travail consiste a déterminer le niveau de l'erreur. Pour mieux comprendre le problème, l’exemple d'une fuite dans un réservoir est l'exemple parfait mais aussi la première partie de notre travail. Certes notre système de supervision permet la détection de n'importe quel fuite même la plus petite. Il est intéressant de déterminer le niveau de la fuite au niveau du réservoir. Plus la fuite est grande plus l'erreur le sera, le but de notre travail et de déterminer des paliers d'erreur permettant de connaitre le niveau de l'erreur.

La premier partie consiste a modéliser les niveaux de fuite possible sous la forme d’équation a implémenter au niveau de notre système de supervision.

== Isolation des erreurs ==

Les méthodes basées sur l’identification de paramètres visent à estimer la cohérence entre les paramètres du modèle de bon fonctionnement du système et les paramètres du modèle du système identifié en temps réel. Elles travaillent dans l’espace de structure et sont donc plus pertinentes d’une défaillance liée à une modification structurelle du système. Elles facilitent ainsi l’opération de diagnostic dans le cas où les paramètres du modèle présentent une signification physique immédiate vis-à-vis du processus.

Les écarts ou les résidus constituent une signature, un identificateur d’une défaillance. Le processus de diagnostic consiste à comparer les relevées sur le processus physique à une bibliothèque de signatures théoriques, représentatives de défaillances identifiées afin de localiser l’origine de la défaillance et de l’identifier finement. Il est donc nécessaire de disposer également d’un ou plusieurs modèles de défauts.

Il est possible de procéder, a l’image du raisonnement humain en diagnostic, en faisant un parallèle entre l’expérience des défaillances déjà rencontrées, leurs effets et les résidus relevés dans la situation présente. Pour cette stratégie on parle de Matching. On obtient alors à partir de cette opération une matrice ( Fault Signature Matrix).

(Ici Image de Fault signature Matrix)

La mise en place d’une telle matrice nous permet de parler de notion de détectabilité et isolabilité. Il est donc possible de relever les erreurs décelable mais aussi celles qui sont isolable.

Détectabilité

Une erreur E_j est detectable si il existe au moins un des scalaires de son vecteur est different de zero

Isolabilité

Une erreur Ej est isolable si celle-ci a un vecteur different des autres erreurs en plus du fait qu’elle soit détectable

On place un ‘1’ si la variable fait partie des valeurs de l’équation Arr et un ‘0’ dans le cas contraire. Ceci nous permet de déterminer les erreurs détectable et ceux qui sont isolable afin de mettre en place une stratégie de supervision adéquate aux données dont on dispose.

Il est donc possible à l’aide de ce tableau de mettre en place un programme qui à travers la matrice peut déduire ou isoler l’erreur. Dans le cas du réservoir le script peut s’écrire de la manier suivante :

Après la mise en place du script permettant la détection des erreurs ainsi que l’isolation de ces derniers. Une interface d’affichage sur Dspace a était mise en place afin de faciliter la compréhension des données obtenue. Le dernier point étudié et la configuration des seuils de détection. Ce travail permet de détecter le moment de déclenchement des résidus afin de permettre l’utilisation du script. Pour cela un block simulink a était créer. Celui-ci permet d’envoyer un signal binaire au script mise en place après un dépassement des seuils.

(Ici Image block simulink)

Le filtrage effectué dans la première partie du projet a facilité ce travail. Etant donnée la netteté des signaux la mise en place de seuil a était plus facile.

==Rapport==
[[Fichier:Rapport_Z.pdf]]
==Video==
Lien Youtube:https://www.youtube.com/watch?v=wHaKUxxFIS0&feature=youtu.be

P5 Filtrage des indicateurs numériques de diagnostic

2015-02-24T08:17:21Z

Iziou : /* Introduction */

Fichier:Rapport PFE ZIOU HAMZAOUI.pdf

2015-02-24T02:57:34Z

Iziou : a téléversé une nouvelle version de « Fichier:Rapport PFE ZIOU HAMZAOUI.pdf »

P5 Filtrage des indicateurs numériques de diagnostic

2015-02-22T12:21:16Z

Iziou : /* Introduction */

== Introduction ==

=== Présentation du système ===

Notre travail se réalise, sur un générateur de vapeur couramment appelé GV, qui est l’une des composantes principales des réseaux électriques thermiques et nucléaires.
Le principe de fonctionnement d’un générateur de vapeur est de pomper une eau à température ambiante d’un réservoir et de la porter ébullition à haute pression. Une fois cette eau portée à ébullition, la vapeur commence à s’échapper sous pression et fait tourner le groupe turbo-alternateur, qui se compose d’une turbine couplée à un alternateur.

Le système se compose donc de :

• Un réservoir qui contient une eau à température ambiante

• Des pompes pour pomper l’eau du réservoir

• Une chaudière pour porter l’eau à ébullition

• Le groupe turbo-alternateur

[[Fichier:GV2014.jpg|400px|center|Le générateur de vapeur]]

===Travail à réaliser ===

Tout procédé industriel nécessitant une supervision logicielle, cette dernière est effectuée pour notre système sous Matlab/Simulink ainsi que dSpace. Cette supervision se base sur les données recueillis à partir des capteurs implantés sur le système, pour prévenir d'un dysfonctionnement ou d'un problème.

[interface de supervision]

Malheureusement les signaux envoyés par les capteurs sont bruités, et la dérivation numérique de ces signaux-là ne fait qu'empirer les choses. Dans le cadre de notre PFE, on essaiera de filtrer ces bruits-là, et donc de rendre la détection de défauts plus fiable et efficace.

=== Problématique ===

Le principe de la supervision et la détection d'erreur a partir des équations régissant le fonctionnement du système. Les anomalies détectées au niveaux de ces équations est ce qu'on appelle des erreurs. Les erreurs sont calculées a partir des variables composants les équations suivies ou surveillées. En vue du fait que la supervision effectué sur ce système se base sur les valeurs des différentes grandeurs physiques, l'utilisation de capteur joue un rôle primordial dans notre étude ainsi le traitement des signaux obtenue constitue une grande partie de notre travail.

=== Traitement de signal ===

==== Moyenne glissante ====

On peut voir sur les images que les signaux obtenue sont difficilement utilisable dans le cadre d'une supervision optimal. Le but de la supervision étant la détection d'un front montant au niveau des erreurs, le bruit observé sur les signaux obtenue prouve bien l'impossibilité de l'application de cette tache.

[[Fichier:Signal_non_filtre2.JPG‎ ‎|thumb|alt=Texte alternatif pour l'image| signal non filtré]]
Un filtrage est indispensable pour le bon fonctionnement du système de supervision. Les filtres de première ordre étant obsolète pour un bruit d'une telle envergure, le moyen le plus utilisé dans ce cas la est l'utilisation d'un moyennage statistique supprimant les fluctuations transitoires de façon à en souligner les tendances à plus long terme. Le moyenneur le plus efficace et le plus utilisé est ce qu'on appelle une moyenne glissante. Cette moyenne est dite mobile parce qu'elle est recalculée de façon continue, en utilisant à chaque calcul un sous-ensemble d'éléments dans lequel un nouvel élément remplace le plus ancien ou s'ajoute au sous-ensemble.

Plus exactement et de manière plus mathématiques et moins empirique, la moyenne glissante est un filtre numérique avec des coefficients qui peuvent être identiques ou pas, selon notre besoin. Dans le cas de coefficients on donne la même importance à tous les échantillons, mais dans le cas de coefficients différents on accorde une importance différente à chacun des échantillons. L'utilisation de l'un ou de l'autre diffère selon le besoin, dans notre cas on accordera la même importance à tous les échantillons et donc on utilisera une moyenne glissante à coefficients égaux.

On choisira donc comme coefficient : [[Fichier:filtre_coeff.png|70px|]]

La valeur donc de la kième valeur est donc : [[Fichier:yk.png|160px|]]

En terme de fonction de transfert (en z), on obtient donc la fonction suivante : [[Fichier:Fct_transfert.png|280px|]]

La réponse fréquentielle de ce filtre est donc : [[Fichier:Rep_freq.png|240px|]]

Ce qui est une réponse fréquentielle d'un filtre passe-bas, et ce qui nous aidera donc à éliminer les bruits comme on l'a cité de façon empirique plus haut.

Le résultat obtenue est assez extraordinaire, en vue de l'envergure du bruit on a choisit d'utiliser deux moyenne glissante ce qui rend le filtrage plus efficace comme expliqué auparavant. On voit sur l'image que le signal est plus lisse et donc mieux adapté a la détection des erreurs.

[[Fichier:Signal_moyen2.JPG‎ ‎ ‎|thumb|alt=Texte alternatif pour l'image| Bruit faible fuite]]
Lors des essaies effectués on a remarqué que par exemple pour une fuite assez faible le capteur a du mal a détecter la bonne valeur du niveau d'eau dans le réservoir variant au tour d'une certain valeur ce qui implique une variation de l'erreur en cas d'une faible fuite.

Le signal dans ce cas la se trouve alors bruité du fait de la faible précision du capteur. Dans ce cas la le bruit est d'une fréquence assez faible ce qui rend l'utilisation de la moyenne glissante assez peu utile. Etant donné la puissance de ce type de filtre, et le faible signal obtenue lors des petites fuites, la moyenne glissante risque d'effacer le signal recherché en essayant de filtrer ce dernier.

Malgré l'efficacité de la moyenne glissante, le problème de repliement spectral se pose néanmoins. Car vu la courbe de la réponse fréquentielle (cf : courbe ci-dessous), certains signaux ne sont absolument pas filtrés (gain 0dB). Ce qui explique la présence de certains bruits qui n'ont pas été éliminés.

[[Fichier:Rep_freq_courbe.png ‎ ‎|center|alt=Réponse fréquentielle de la moyenne glissante]]

==== Moyenner pour palier aux parasites restantes====

Pour palier a ce problème, on a créer un moyenneur assez ressemblant a la moyenne glissante, utilisant le bock simulink "mean" donnant la moyenne des valeur obtenue a chaque front montant. La moyenne étant contrôler par un signal extérieur le but du travail est de trouvé le signal permettant d'avoir un signal exploitable.

[[Fichier:Signal_filtre2.JPG‎ ‎ ‎|thumb|alt=Texte alternatif pour l'image| Signal filtré]]
Il est possible d'utiliser un signal carre qui nous permettra de définir une certaine durée ( la période du bruit) avant calcul de la moyenne. En vue de la non-homogénéité du bruit, fréquentiellement parlant, le signal carrée peut être une solution au problème mais non la plus adapté.

Le signal approprié a la commande du moyenneur est le signal lui même. En vue de la faible fréquence du signal il est possible d'utilisé ce dernier pour notre commande. Cela se résume en un calcul de la moyenne entre deux front montant du signal ce qui permettra avoir la moyenne de chaque variation du signal est donc avoir un bon fonctionnement du filtre étant donné que celui-ci s'adapte a n'importe quel type de signal étant donnée qu'on utilise le signal même, contrairement a l'utilisation d'un signal carrée qui reste fixe quelques soit le signal a filtré.
[[Fichier:Im.png ‎ ‎|center|alt= méthode de filtrage]]

=== Détection du niveau d'erreur ===

La détection d'erreur étant faite ainsi que le traitement du signal , la deuxième partie de notre travail consiste a déterminer le niveau de l'erreur. Pour mieux comprendre le problème, l’exemple d'une fuite dans un réservoir est l'exemple parfait mais aussi la première partie de notre travail. Certes notre système de supervision permet la détection de n'importe quel fuite même la plus petite. Il est intéressant de déterminer le niveau de la fuite au niveau du réservoir. Plus la fuite est grande plus l'erreur le sera, le but de notre travail et de déterminer des paliers d'erreur permettant de connaitre le niveau de l'erreur.

La premier partie consiste a modéliser les niveaux de fuite possible sous la forme d’équation a implémenter au niveau de notre système de supervision.

=== Isolation des erreurs ===

Les méthodes basées sur l’identification de paramètres visent à estimer la cohérence entre les paramètres du modèle de bon fonctionnement du système et les paramètres du modèle du système identifié en temps réel. Elles travaillent dans l’espace de structure et sont donc plus pertinentes d’une défaillance liée à une modification structurelle du système. Elles facilitent ainsi l’opération de diagnostic dans le cas où les paramètres du modèle présentent une signification physique immédiate vis-à-vis du processus.

Les écarts ou les résidus constituent une signature, un identificateur d’une défaillance. Le processus de diagnostic consiste à comparer les relevées sur le processus physique à une bibliothèque de signatures théoriques, représentatives de défaillances identifiées afin de localiser l’origine de la défaillance et de l’identifier finement. Il est donc nécessaire de disposer également d’un ou plusieurs modèles de défauts.

Il est possible de procéder, a l’image du raisonnement humain en diagnostic, en faisant un parallèle entre l’expérience des défaillances déjà rencontrées, leurs effets et les résidus relevés dans la situation présente. Pour cette stratégie on parle de Matching. On obtient alors à partir de cette opération une matrice ( Fault Signature Matrix).

(Ici Image de Fault signature Matrix)

La mise en place d’une telle matrice nous permet de parler de notion de détectabilité et isolabilité. Il est donc possible de relever les erreurs décelable mais aussi celles qui sont isolable.

Détectabilité

Une erreur E_j est detectable si il existe au moins un des scalaires de son vecteur est different de zero

Isolabilité

Une erreur Ej est isolable si celle-ci a un vecteur different des autres erreurs en plus du fait qu’elle soit détectable

On place un ‘1’ si la variable fait partie des valeurs de l’équation Arr et un ‘0’ dans le cas contraire. Ceci nous permet de déterminer les erreurs détectable et ceux qui sont isolable afin de mettre en place une stratégie de supervision adéquate aux données dont on dispose.

Il est donc possible à l’aide de ce tableau de mettre en place un programme qui à travers la matrice peut déduire ou isoler l’erreur. Dans le cas du réservoir le script peut s’écrire de la manier suivante :

Après la mise en place du script permettant la détection des erreurs ainsi que l’isolation de ces derniers. Une interface d’affichage sur Dspace a était mise en place afin de faciliter la compréhension des données obtenue. Le dernier point étudié et la configuration des seuils de détection. Ce travail permet de détecter le moment de déclenchement des résidus afin de permettre l’utilisation du script. Pour cela un block simulink a était créer. Celui-ci permet d’envoyer un signal binaire au script mise en place après un dépassement des seuils.

(Ici Image block simulink)

Le filtrage effectué dans la première partie du projet a facilité ce travail. Etant donnée la netteté des signaux la mise en place de seuil a était plus facile.

==Rapport==
[[Fichier:Rapport_Z.pdf]]

Projets IMA5 2014/2015

2014-12-17T17:15:16Z

Iziou : /* Répartition des binômes */

Merci de référencer vos pages de projets ici. Merci aussi d'uniformiser vos formats que ce soit en regardant la présentation des projets déjà créés ou en allant modifier le format des précédents si votre façon de faire vous semble la meilleure. Dans tous les cas un minimum de communication entre les binômes est conseillée.

== Répartition des binômes ==

<table border="1">
<th>Projet</th>
<th>Elèves</th>
<th>Encadrant Ecole</th>
<th>Rapport décembre</th>
<tr>
<td>[[P1 Modélisation et commande de l'auto-ignition d'un moteur HCCI]]</td>
<td>Moulé Alexandre / Taché Clément </td>
<td> Anne-Lise Gehin / Jean-Yves Dieulot </td>
<td>[[Fichier:Rapport decembre moule tache.pdf]] </td>
</tr>
<tr><td>[[P5 Filtrage des indicateurs numériques de diagnostic]]</td>
<td> ZIOU Ismaïl / HAMZAOUI Oussama </td>
<td> Belkacem Ould Bouamama </td>
<td>[[Fichier:rapport_Z.pdf]]</td>
</tr>
<tr>
<td>[[P6 Gestion des flux thermiques du bâtiment Polytech]]</td>
<td>Florian Royer / Zohour Assaieb </td>
<td> Belkacem Ould Bouamama </td>
<td> </td>
</tr>
<tr><td>[[P7 Utilisation d'un Robot Nao pour les enfants autistes]]</td>
<td> Rodriguez Loïc/Ismaïl Tahry</td>
<td> GAPAS/Laurent Grisoni </td>
<td>[[Fichier:Projetpfenaomi.pdf]]</td>
</tr>
<tr><td>[[P8 Pilulier]]</td>
<td> Alexandre Mercier / Emile Pinet</td>
<td> Thomas VANTROYS / Alexandre BOE </td>
<td>[[Fichier:Rapport decembre PFE pilulier mercier pinet.pdf]]</td>
</tr>
<tr><td>[[P9 Agenda pour personnes non lectrices]]</td>
<td> Cédric DESPREZ & Soufiane HADDAOUI </td>
<td> GAPAS/Laurent Grisoni </td>
<td>[[Fichier:Rapport_MiSoutenance_DESPREZ_HADDAOUI.pdf]]</td>
</tr>
<tr><td>[[P11 Détecteur d'obstacles pour fauteuils électriques]]</td>
<td> Geoffrey ROSE / Marjorie TIXIER </td>
<td> GAPAS / Blaise Conrard </td>
<td></td>
</tr>
<tr><td>[[P12 Automatiser à l'aide d'une interface LabView la procédure de mesure de conductivité électrique d'un alternateur à griffes]]</td>
<td> Hugo FONDU </td>
<td> Abdelkader Benabou </td>
<td></td>
</tr>
<tr><td>[[P13 Construction d'un support motorisé pour la réalisation des essais de décharges électrostatique]]</td>
<td> JEBBARI Zineb / BEKRAOUI Oumaima </td>
<td> Nathalie Rolland </td>
<td> [[Fichier:rapportJebbek.pdf]] </td>
<td></td>
</tr>
<tr><td>[[P21 Balise Bluetooth Low Energy]]</td>
<td> Kévin CHALONO / Armagan YAMNAZ</td>
<td> Thomas VANTROYS </td>
<td> [[ Fichier:ProjetBLE 1 pdf.pdf]]</td>
<td></td>
</tr>
<tr><td>[[P22 Google Glass en logistique ]]</td>
<td> Jérémy Gondry / Vincent Meunier </td>
<td> Laurent Grisoni </td>
<td>[[Fichier:Rapport_intermediaire_Gondry_Meunier.pdf]]</td>
</tr>
<tr><td>[[P24 Robot de surveillance domestique]]</td>
<td> Sébastien DELTOMBE </td>
<td> Xavier Redon </td>
<td>[[Fichier:Rapport_PFE_P24_Deltombe.pdf]]</td>
</tr>
<tr><td>[[P25 SmartMeter]]</td>
<td> Thomas Ederlé / Sylvain Fossaert</td>
<td> Guillaume Renault / Xavier Redon / Alexandre Boé </td>
<td> [[Fichier:RapportFossaertEderle.pdf]] </td>
<td></td>
</tr>
<tr><td>[[P26 Vehicule Electrique ]]</td>
<td> Smain Labdouni / Adnane Jaoui </td>
<td> Arnaud Chielens / Philippe Delarue </td>
<td> [[Fichier:RAPPORT_VE_DEC.pdf]]</td>
</tr>
<tr><td>[[P27 Controle Direct de Puissance d'un Convertisseur Matriciel ]]</td>
<td> Quentin Pesqueux / Nicolas Alexandre </td>
<td> Philippe Delarue </td>
<td> </td>
</tr>
<tr><td>[[P28 Modélisation d'un robot chirurgical déformable pour la simulation et le contrôle]]</td>
<td> Charlotte BRICOUT / Nathan MARTIN </td>
<td> Jérémie DEQUIDT</td>
<td></td>
</tr>
<tr><td>[[P33 Ligthing contactless / "wireless"]]</td>
<td> Benjamin Lafit </td>
<td> Alexandre Boé </td>
<td> [[Fichier:Rapport_Benjamin_Lafit.pdf]] </td>
<td></td>
</tr>
<tr><td>[[P37 Creation d'un composant d'audit des accès cache mémoire sur un microprocesseur LEON3 simulé en FPGA ]]</td>
<td> Jérôme Vaessen </td>
<td> Julien Cartigny / Pierrick Buret </td>
<td> [[Fichier:Rapport_VAESSEN_presoutenance.pdf]] </td>
</tr>
<tr><td>[[P44 Création d'un systeme domotique sans fil ]]</td>
<td> Benoit MALIAR / Thomas MAURICE</td>
<td> Pierrick BURET / Thomas VANTROYS </td>
<td> [[Fichier:RapportMaliarMauriceDecembre.pdf]] </td>
</tr>
<tr><td>[[P45 Aide à la navigation d'un véhicule autonome]]</td>
<td> Pierre APPERCÉ</td>
<td> Rochdi MERZOUKI </td>
<td></td>
</tr>
<tr><td>[[P46 Simulation Temps Réel d'un Environnement de Robots Autonomes Logisticiens]]</td>
<td> Valentin VERGEZ</td>
<td> Rochdi MERZOUKI </td>
<td></td>
</tr>
<tr><td>[[P57 CHRU Lille : Smart Picking]]</td>
<td> Mathieu Bossennec / Florian Caron</td>
<td> Gwénaëlle Maton / Alexandre Boé / Thomas Vantroys </td>
<td></td>
</tr>
<tr><td>[[P59 Assistance globale pour aide au parking]]</td>
<td> Mathieu GERIER / Céline LY </td>
<td> Alexandre BOE / Thomas VANTROYS </td>
<td></td>
</tr>
</table>

P5 Filtrage des indicateurs numériques de diagnostic

2014-12-17T17:06:39Z

Iziou : /* Rapport */

== Introduction ==

=== Présentation du système ===

Notre travail se réalise, sur un générateur de vapeur couramment appelé GV, qui est l’une des composantes principales des réseaux électriques thermiques et nucléaires.
Le principe de fonctionnement d’un générateur de vapeur est de pomper une eau à température ambiante d’un réservoir et de la porter ébullition à haute pression. Une fois cette eau portée à ébullition, la vapeur commence à s’échapper sous pression et fait tourner le groupe turbo-alternateur, qui se compose d’une turbine couplée à un alternateur.

Le système se compose donc de :

• Un réservoir qui contient une eau à température ambiante

• Des pompes pour pomper l’eau du réservoir

• Une chaudière pour porter l’eau à ébullition

• Le groupe turbo-alternateur

[[Fichier:GV2014.jpg|400px|center|Le générateur de vapeur]]

===Travail à réaliser ===

Tout procédé industriel nécessitant une supervision logicielle, cette dernière est effectuée pour notre système sous Matlab/Simulink ainsi que dSpace. Cette supervision se base sur les données recueillis à partir des capteurs implantés sur le système, pour prévenir d'un dysfonctionnement ou d'un problème.

[interface de supervision]

Malheureusement les signaux envoyés par les capteurs sont bruités, et la dérivation numérique de ces signaux-là ne fait qu'empirer les choses. Dans le cadre de notre PFE, on essaiera de filtrer ces bruits-là, et donc de rendre la détection de défauts plus fiable et efficace.

=== Problématique ===

Le principe de la supervision et la détection d'erreur a partir des équations régissant le fonctionnement du système. Les anomalies détectées au niveaux de ces équations est ce qu'on appelle des erreurs. Les erreurs sont calculées a partir des variables composants les équations suivies ou surveillées. En vue du fait que la supervision effectué sur ce système se base sur les valeurs des différentes grandeurs physiques, l'utilisation de capteur joue un rôle primordial dans notre étude ainsi le traitement des signaux obtenue constitue une grande partie de notre travail.

=== Traitement de signal ===

==== Moyenne glissante ====

On peut voir sur les images que les signaux obtenue sont difficilement utilisable dans le cadre d'une supervision optimal. Le but de la supervision étant la détection d'un front montant au niveau des erreurs, le bruit observé sur les signaux obtenue prouve bien l'impossibilité de l'application de cette tache.

[[Fichier:Signal_non_filtre2.JPG‎ ‎|thumb|alt=Texte alternatif pour l'image| signal non filtré]]
Un filtrage est indispensable pour le bon fonctionnement du système de supervision. Les filtres de première ordre étant obsolète pour un bruit d'une telle envergure, le moyen le plus utilisé dans ce cas la est l'utilisation d'un moyennage statistique supprimant les fluctuations transitoires de façon à en souligner les tendances à plus long terme. Le moyenneur le plus efficace et le plus utilisé est ce qu'on appelle une moyenne glissante. Cette moyenne est dite mobile parce qu'elle est recalculée de façon continue, en utilisant à chaque calcul un sous-ensemble d'éléments dans lequel un nouvel élément remplace le plus ancien ou s'ajoute au sous-ensemble.

Plus exactement et de manière plus mathématiques et moins empirique, la moyenne glissante est un filtre numérique avec des coefficients qui peuvent être identiques ou pas, selon notre besoin. Dans le cas de coefficients on donne la même importance à tous les échantillons, mais dans le cas de coefficients différents on accorde une importance différente à chacun des échantillons. L'utilisation de l'un ou de l'autre diffère selon le besoin, dans notre cas on accordera la même importance à tous les échantillons et donc on utilisera une moyenne glissante à coefficients égaux.

On choisira donc comme coefficient : [[Fichier:filtre_coeff.png|70px|]]

La valeur donc de la kième valeur est donc : [[Fichier:yk.png|160px|]]

En terme de fonction de transfert (en z), on obtient donc la fonction suivante : [[Fichier:Fct_transfert.png|280px|]]

La réponse fréquentielle de ce filtre est donc : [[Fichier:Rep_freq.png|240px|]]

Ce qui est une réponse fréquentielle d'un filtre passe-bas, et ce qui nous aidera donc à éliminer les bruits comme on l'a cité de façon empirique plus haut.

Le résultat obtenue est assez extraordinaire, en vue de l'envergure du bruit on a choisit d'utiliser deux moyenne glissante ce qui rend le filtrage plus efficace comme expliqué auparavant. On voit sur l'image que le signal est plus lisse et donc mieux adapté a la détection des erreurs.

[[Fichier:Signal_moyen2.JPG‎ ‎ ‎|thumb|alt=Texte alternatif pour l'image| Bruit faible fuite]]
Lors des essaies effectués on a remarqué que par exemple pour une fuite assez faible le capteur a du mal a détecter la bonne valeur du niveau d'eau dans le réservoir variant au tour d'une certain valeur ce qui implique une variation de l'erreur en cas d'une faible fuite.

Le signal dans ce cas la se trouve alors bruité du fait de la faible précision du capteur. Dans ce cas la le bruit est d'une fréquence assez faible ce qui rend l'utilisation de la moyenne glissante assez peu utile. Etant donné la puissance de ce type de filtre, et le faible signal obtenue lors des petites fuites, la moyenne glissante risque d'effacer le signal recherché en essayant de filtrer ce dernier.

Malgré l'efficacité de la moyenne glissante, le problème de repliement spectral se pose néanmoins. Car vu la courbe de la réponse fréquentielle (cf : courbe ci-dessous), certains signaux ne sont absolument pas filtrés (gain 0dB). Ce qui explique la présence de certains bruits qui n'ont pas été éliminés.

[[Fichier:Rep_freq_courbe.png ‎ ‎|center|alt=Réponse fréquentielle de la moyenne glissante]]

==== Moyenner pour palier aux parasites restantes====

Pour palier a ce problème, on a créer un moyenneur assez ressemblant a la moyenne glissante, utilisant le bock simulink "mean" donnant la moyenne des valeur obtenue a chaque front montant. La moyenne étant contrôler par un signal extérieur le but du travail est de trouvé le signal permettant d'avoir un signal exploitable.

[[Fichier:Signal_filtre2.JPG‎ ‎ ‎|thumb|alt=Texte alternatif pour l'image| Signal filtré]]
Il est possible d'utiliser un signal carre qui nous permettra de définir une certaine durée ( la période du bruit) avant calcul de la moyenne. En vue de la non-homogénéité du bruit, fréquentiellement parlant, le signal carrée peut être une solution au problème mais non la plus adapté.

Le signal approprié a la commande du moyenneur est le signal lui même. En vue de la faible fréquence du signal il est possible d'utilisé ce dernier pour notre commande. Cela se résume en un calcul de la moyenne entre deux front montant du signal ce qui permettra avoir la moyenne de chaque variation du signal est donc avoir un bon fonctionnement du filtre étant donné que celui-ci s'adapte a n'importe quel type de signal étant donnée qu'on utilise le signal même, contrairement a l'utilisation d'un signal carrée qui reste fixe quelques soit le signal a filtré.
[[Fichier:Im.png ‎ ‎|center|alt= méthode de filtrage]]

=== Détection du niveau d'erreur ===

La détection d'erreur étant faite ainsi que le traitement du signal , la deuxième partie de notre travail consiste a déterminer le niveau de l'erreur. Pour mieux comprendre le problème, l’exemple d'une fuite dans un réservoir est l'exemple parfait mais aussi la première partie de notre travail. Certes notre système de supervision permet la détection de n'importe quel fuite même la plus petite. Il est intéressant de déterminer le niveau de la fuite au niveau du réservoir. Plus la fuite est grande plus l'erreur le sera, le but de notre travail et de déterminer des paliers d'erreur permettant de connaitre le niveau de l'erreur.

La premier partie consiste a modéliser les niveaux de fuite possible sous la forme d’équation a implémenter au niveau de notre système de supervision.

==Rapport==
[[Fichier:Rapport_Z.pdf]]

Fichier:Rapport Z.pdf

2014-12-17T17:06:17Z

Iziou :

P5 Filtrage des indicateurs numériques de diagnostic

2014-12-17T17:05:00Z

Iziou : /* Rapport */

== Introduction ==

=== Présentation du système ===

Notre travail se réalise, sur un générateur de vapeur couramment appelé GV, qui est l’une des composantes principales des réseaux électriques thermiques et nucléaires.
Le principe de fonctionnement d’un générateur de vapeur est de pomper une eau à température ambiante d’un réservoir et de la porter ébullition à haute pression. Une fois cette eau portée à ébullition, la vapeur commence à s’échapper sous pression et fait tourner le groupe turbo-alternateur, qui se compose d’une turbine couplée à un alternateur.

Le système se compose donc de :

• Un réservoir qui contient une eau à température ambiante

• Des pompes pour pomper l’eau du réservoir

• Une chaudière pour porter l’eau à ébullition

• Le groupe turbo-alternateur

[[Fichier:GV2014.jpg|400px|center|Le générateur de vapeur]]

===Travail à réaliser ===

Tout procédé industriel nécessitant une supervision logicielle, cette dernière est effectuée pour notre système sous Matlab/Simulink ainsi que dSpace. Cette supervision se base sur les données recueillis à partir des capteurs implantés sur le système, pour prévenir d'un dysfonctionnement ou d'un problème.

[interface de supervision]

Malheureusement les signaux envoyés par les capteurs sont bruités, et la dérivation numérique de ces signaux-là ne fait qu'empirer les choses. Dans le cadre de notre PFE, on essaiera de filtrer ces bruits-là, et donc de rendre la détection de défauts plus fiable et efficace.

=== Problématique ===

Le principe de la supervision et la détection d'erreur a partir des équations régissant le fonctionnement du système. Les anomalies détectées au niveaux de ces équations est ce qu'on appelle des erreurs. Les erreurs sont calculées a partir des variables composants les équations suivies ou surveillées. En vue du fait que la supervision effectué sur ce système se base sur les valeurs des différentes grandeurs physiques, l'utilisation de capteur joue un rôle primordial dans notre étude ainsi le traitement des signaux obtenue constitue une grande partie de notre travail.

=== Traitement de signal ===

==== Moyenne glissante ====

On peut voir sur les images que les signaux obtenue sont difficilement utilisable dans le cadre d'une supervision optimal. Le but de la supervision étant la détection d'un front montant au niveau des erreurs, le bruit observé sur les signaux obtenue prouve bien l'impossibilité de l'application de cette tache.

[[Fichier:Signal_non_filtre2.JPG‎ ‎|thumb|alt=Texte alternatif pour l'image| signal non filtré]]
Un filtrage est indispensable pour le bon fonctionnement du système de supervision. Les filtres de première ordre étant obsolète pour un bruit d'une telle envergure, le moyen le plus utilisé dans ce cas la est l'utilisation d'un moyennage statistique supprimant les fluctuations transitoires de façon à en souligner les tendances à plus long terme. Le moyenneur le plus efficace et le plus utilisé est ce qu'on appelle une moyenne glissante. Cette moyenne est dite mobile parce qu'elle est recalculée de façon continue, en utilisant à chaque calcul un sous-ensemble d'éléments dans lequel un nouvel élément remplace le plus ancien ou s'ajoute au sous-ensemble.

Plus exactement et de manière plus mathématiques et moins empirique, la moyenne glissante est un filtre numérique avec des coefficients qui peuvent être identiques ou pas, selon notre besoin. Dans le cas de coefficients on donne la même importance à tous les échantillons, mais dans le cas de coefficients différents on accorde une importance différente à chacun des échantillons. L'utilisation de l'un ou de l'autre diffère selon le besoin, dans notre cas on accordera la même importance à tous les échantillons et donc on utilisera une moyenne glissante à coefficients égaux.

On choisira donc comme coefficient : [[Fichier:filtre_coeff.png|70px|]]

La valeur donc de la kième valeur est donc : [[Fichier:yk.png|160px|]]

En terme de fonction de transfert (en z), on obtient donc la fonction suivante : [[Fichier:Fct_transfert.png|280px|]]

La réponse fréquentielle de ce filtre est donc : [[Fichier:Rep_freq.png|240px|]]

Ce qui est une réponse fréquentielle d'un filtre passe-bas, et ce qui nous aidera donc à éliminer les bruits comme on l'a cité de façon empirique plus haut.

Le résultat obtenue est assez extraordinaire, en vue de l'envergure du bruit on a choisit d'utiliser deux moyenne glissante ce qui rend le filtrage plus efficace comme expliqué auparavant. On voit sur l'image que le signal est plus lisse et donc mieux adapté a la détection des erreurs.

[[Fichier:Signal_moyen2.JPG‎ ‎ ‎|thumb|alt=Texte alternatif pour l'image| Bruit faible fuite]]
Lors des essaies effectués on a remarqué que par exemple pour une fuite assez faible le capteur a du mal a détecter la bonne valeur du niveau d'eau dans le réservoir variant au tour d'une certain valeur ce qui implique une variation de l'erreur en cas d'une faible fuite.

Le signal dans ce cas la se trouve alors bruité du fait de la faible précision du capteur. Dans ce cas la le bruit est d'une fréquence assez faible ce qui rend l'utilisation de la moyenne glissante assez peu utile. Etant donné la puissance de ce type de filtre, et le faible signal obtenue lors des petites fuites, la moyenne glissante risque d'effacer le signal recherché en essayant de filtrer ce dernier.

Malgré l'efficacité de la moyenne glissante, le problème de repliement spectral se pose néanmoins. Car vu la courbe de la réponse fréquentielle (cf : courbe ci-dessous), certains signaux ne sont absolument pas filtrés (gain 0dB). Ce qui explique la présence de certains bruits qui n'ont pas été éliminés.

[[Fichier:Rep_freq_courbe.png ‎ ‎|center|alt=Réponse fréquentielle de la moyenne glissante]]

==== Moyenner pour palier aux parasites restantes====

Pour palier a ce problème, on a créer un moyenneur assez ressemblant a la moyenne glissante, utilisant le bock simulink "mean" donnant la moyenne des valeur obtenue a chaque front montant. La moyenne étant contrôler par un signal extérieur le but du travail est de trouvé le signal permettant d'avoir un signal exploitable.

[[Fichier:Signal_filtre2.JPG‎ ‎ ‎|thumb|alt=Texte alternatif pour l'image| Signal filtré]]
Il est possible d'utiliser un signal carre qui nous permettra de définir une certaine durée ( la période du bruit) avant calcul de la moyenne. En vue de la non-homogénéité du bruit, fréquentiellement parlant, le signal carrée peut être une solution au problème mais non la plus adapté.

Le signal approprié a la commande du moyenneur est le signal lui même. En vue de la faible fréquence du signal il est possible d'utilisé ce dernier pour notre commande. Cela se résume en un calcul de la moyenne entre deux front montant du signal ce qui permettra avoir la moyenne de chaque variation du signal est donc avoir un bon fonctionnement du filtre étant donné que celui-ci s'adapte a n'importe quel type de signal étant donnée qu'on utilise le signal même, contrairement a l'utilisation d'un signal carrée qui reste fixe quelques soit le signal a filtré.
[[Fichier:Im.png ‎ ‎|center|alt= méthode de filtrage]]

=== Détection du niveau d'erreur ===

La détection d'erreur étant faite ainsi que le traitement du signal , la deuxième partie de notre travail consiste a déterminer le niveau de l'erreur. Pour mieux comprendre le problème, l’exemple d'une fuite dans un réservoir est l'exemple parfait mais aussi la première partie de notre travail. Certes notre système de supervision permet la détection de n'importe quel fuite même la plus petite. Il est intéressant de déterminer le niveau de la fuite au niveau du réservoir. Plus la fuite est grande plus l'erreur le sera, le but de notre travail et de déterminer des paliers d'erreur permettant de connaitre le niveau de l'erreur.

La premier partie consiste a modéliser les niveaux de fuite possible sous la forme d’équation a implémenter au niveau de notre système de supervision.

==Rapport==
[[Fichier:Rapport_ZI_OH.pdf]]]]

P5 Filtrage des indicateurs numériques de diagnostic

2014-12-17T17:03:51Z

Iziou : /* Rapport */

== Introduction ==

=== Présentation du système ===

Notre travail se réalise, sur un générateur de vapeur couramment appelé GV, qui est l’une des composantes principales des réseaux électriques thermiques et nucléaires.
Le principe de fonctionnement d’un générateur de vapeur est de pomper une eau à température ambiante d’un réservoir et de la porter ébullition à haute pression. Une fois cette eau portée à ébullition, la vapeur commence à s’échapper sous pression et fait tourner le groupe turbo-alternateur, qui se compose d’une turbine couplée à un alternateur.

Le système se compose donc de :

• Un réservoir qui contient une eau à température ambiante

• Des pompes pour pomper l’eau du réservoir

• Une chaudière pour porter l’eau à ébullition

• Le groupe turbo-alternateur

[[Fichier:GV2014.jpg|400px|center|Le générateur de vapeur]]

===Travail à réaliser ===

Tout procédé industriel nécessitant une supervision logicielle, cette dernière est effectuée pour notre système sous Matlab/Simulink ainsi que dSpace. Cette supervision se base sur les données recueillis à partir des capteurs implantés sur le système, pour prévenir d'un dysfonctionnement ou d'un problème.

[interface de supervision]

Malheureusement les signaux envoyés par les capteurs sont bruités, et la dérivation numérique de ces signaux-là ne fait qu'empirer les choses. Dans le cadre de notre PFE, on essaiera de filtrer ces bruits-là, et donc de rendre la détection de défauts plus fiable et efficace.

=== Problématique ===

Le principe de la supervision et la détection d'erreur a partir des équations régissant le fonctionnement du système. Les anomalies détectées au niveaux de ces équations est ce qu'on appelle des erreurs. Les erreurs sont calculées a partir des variables composants les équations suivies ou surveillées. En vue du fait que la supervision effectué sur ce système se base sur les valeurs des différentes grandeurs physiques, l'utilisation de capteur joue un rôle primordial dans notre étude ainsi le traitement des signaux obtenue constitue une grande partie de notre travail.

=== Traitement de signal ===

==== Moyenne glissante ====

On peut voir sur les images que les signaux obtenue sont difficilement utilisable dans le cadre d'une supervision optimal. Le but de la supervision étant la détection d'un front montant au niveau des erreurs, le bruit observé sur les signaux obtenue prouve bien l'impossibilité de l'application de cette tache.

[[Fichier:Signal_non_filtre2.JPG‎ ‎|thumb|alt=Texte alternatif pour l'image| signal non filtré]]
Un filtrage est indispensable pour le bon fonctionnement du système de supervision. Les filtres de première ordre étant obsolète pour un bruit d'une telle envergure, le moyen le plus utilisé dans ce cas la est l'utilisation d'un moyennage statistique supprimant les fluctuations transitoires de façon à en souligner les tendances à plus long terme. Le moyenneur le plus efficace et le plus utilisé est ce qu'on appelle une moyenne glissante. Cette moyenne est dite mobile parce qu'elle est recalculée de façon continue, en utilisant à chaque calcul un sous-ensemble d'éléments dans lequel un nouvel élément remplace le plus ancien ou s'ajoute au sous-ensemble.

Plus exactement et de manière plus mathématiques et moins empirique, la moyenne glissante est un filtre numérique avec des coefficients qui peuvent être identiques ou pas, selon notre besoin. Dans le cas de coefficients on donne la même importance à tous les échantillons, mais dans le cas de coefficients différents on accorde une importance différente à chacun des échantillons. L'utilisation de l'un ou de l'autre diffère selon le besoin, dans notre cas on accordera la même importance à tous les échantillons et donc on utilisera une moyenne glissante à coefficients égaux.

On choisira donc comme coefficient : [[Fichier:filtre_coeff.png|70px|]]

La valeur donc de la kième valeur est donc : [[Fichier:yk.png|160px|]]

En terme de fonction de transfert (en z), on obtient donc la fonction suivante : [[Fichier:Fct_transfert.png|280px|]]

La réponse fréquentielle de ce filtre est donc : [[Fichier:Rep_freq.png|240px|]]

Ce qui est une réponse fréquentielle d'un filtre passe-bas, et ce qui nous aidera donc à éliminer les bruits comme on l'a cité de façon empirique plus haut.

Le résultat obtenue est assez extraordinaire, en vue de l'envergure du bruit on a choisit d'utiliser deux moyenne glissante ce qui rend le filtrage plus efficace comme expliqué auparavant. On voit sur l'image que le signal est plus lisse et donc mieux adapté a la détection des erreurs.

[[Fichier:Signal_moyen2.JPG‎ ‎ ‎|thumb|alt=Texte alternatif pour l'image| Bruit faible fuite]]
Lors des essaies effectués on a remarqué que par exemple pour une fuite assez faible le capteur a du mal a détecter la bonne valeur du niveau d'eau dans le réservoir variant au tour d'une certain valeur ce qui implique une variation de l'erreur en cas d'une faible fuite.

Le signal dans ce cas la se trouve alors bruité du fait de la faible précision du capteur. Dans ce cas la le bruit est d'une fréquence assez faible ce qui rend l'utilisation de la moyenne glissante assez peu utile. Etant donné la puissance de ce type de filtre, et le faible signal obtenue lors des petites fuites, la moyenne glissante risque d'effacer le signal recherché en essayant de filtrer ce dernier.

Malgré l'efficacité de la moyenne glissante, le problème de repliement spectral se pose néanmoins. Car vu la courbe de la réponse fréquentielle (cf : courbe ci-dessous), certains signaux ne sont absolument pas filtrés (gain 0dB). Ce qui explique la présence de certains bruits qui n'ont pas été éliminés.

[[Fichier:Rep_freq_courbe.png ‎ ‎|center|alt=Réponse fréquentielle de la moyenne glissante]]

==== Moyenner pour palier aux parasites restantes====

Pour palier a ce problème, on a créer un moyenneur assez ressemblant a la moyenne glissante, utilisant le bock simulink "mean" donnant la moyenne des valeur obtenue a chaque front montant. La moyenne étant contrôler par un signal extérieur le but du travail est de trouvé le signal permettant d'avoir un signal exploitable.

[[Fichier:Signal_filtre2.JPG‎ ‎ ‎|thumb|alt=Texte alternatif pour l'image| Signal filtré]]
Il est possible d'utiliser un signal carre qui nous permettra de définir une certaine durée ( la période du bruit) avant calcul de la moyenne. En vue de la non-homogénéité du bruit, fréquentiellement parlant, le signal carrée peut être une solution au problème mais non la plus adapté.

Le signal approprié a la commande du moyenneur est le signal lui même. En vue de la faible fréquence du signal il est possible d'utilisé ce dernier pour notre commande. Cela se résume en un calcul de la moyenne entre deux front montant du signal ce qui permettra avoir la moyenne de chaque variation du signal est donc avoir un bon fonctionnement du filtre étant donné que celui-ci s'adapte a n'importe quel type de signal étant donnée qu'on utilise le signal même, contrairement a l'utilisation d'un signal carrée qui reste fixe quelques soit le signal a filtré.
[[Fichier:Im.png ‎ ‎|center|alt= méthode de filtrage]]

=== Détection du niveau d'erreur ===

La détection d'erreur étant faite ainsi que le traitement du signal , la deuxième partie de notre travail consiste a déterminer le niveau de l'erreur. Pour mieux comprendre le problème, l’exemple d'une fuite dans un réservoir est l'exemple parfait mais aussi la première partie de notre travail. Certes notre système de supervision permet la détection de n'importe quel fuite même la plus petite. Il est intéressant de déterminer le niveau de la fuite au niveau du réservoir. Plus la fuite est grande plus l'erreur le sera, le but de notre travail et de déterminer des paliers d'erreur permettant de connaitre le niveau de l'erreur.

La premier partie consiste a modéliser les niveaux de fuite possible sous la forme d’équation a implémenter au niveau de notre système de supervision.

==Rapport==
[[Fichier:Rapport_ZI_OH.pdf]]

P5 Filtrage des indicateurs numériques de diagnostic

2014-12-17T17:01:53Z

Iziou : /* Introduction */

== Introduction ==

=== Présentation du système ===

Notre travail se réalise, sur un générateur de vapeur couramment appelé GV, qui est l’une des composantes principales des réseaux électriques thermiques et nucléaires.
Le principe de fonctionnement d’un générateur de vapeur est de pomper une eau à température ambiante d’un réservoir et de la porter ébullition à haute pression. Une fois cette eau portée à ébullition, la vapeur commence à s’échapper sous pression et fait tourner le groupe turbo-alternateur, qui se compose d’une turbine couplée à un alternateur.

Le système se compose donc de :

• Un réservoir qui contient une eau à température ambiante

• Des pompes pour pomper l’eau du réservoir

• Une chaudière pour porter l’eau à ébullition

• Le groupe turbo-alternateur

[[Fichier:GV2014.jpg|400px|center|Le générateur de vapeur]]

===Travail à réaliser ===

Tout procédé industriel nécessitant une supervision logicielle, cette dernière est effectuée pour notre système sous Matlab/Simulink ainsi que dSpace. Cette supervision se base sur les données recueillis à partir des capteurs implantés sur le système, pour prévenir d'un dysfonctionnement ou d'un problème.

[interface de supervision]

Malheureusement les signaux envoyés par les capteurs sont bruités, et la dérivation numérique de ces signaux-là ne fait qu'empirer les choses. Dans le cadre de notre PFE, on essaiera de filtrer ces bruits-là, et donc de rendre la détection de défauts plus fiable et efficace.

=== Problématique ===

Le principe de la supervision et la détection d'erreur a partir des équations régissant le fonctionnement du système. Les anomalies détectées au niveaux de ces équations est ce qu'on appelle des erreurs. Les erreurs sont calculées a partir des variables composants les équations suivies ou surveillées. En vue du fait que la supervision effectué sur ce système se base sur les valeurs des différentes grandeurs physiques, l'utilisation de capteur joue un rôle primordial dans notre étude ainsi le traitement des signaux obtenue constitue une grande partie de notre travail.

=== Traitement de signal ===

==== Moyenne glissante ====

On peut voir sur les images que les signaux obtenue sont difficilement utilisable dans le cadre d'une supervision optimal. Le but de la supervision étant la détection d'un front montant au niveau des erreurs, le bruit observé sur les signaux obtenue prouve bien l'impossibilité de l'application de cette tache.

[[Fichier:Signal_non_filtre2.JPG‎ ‎|thumb|alt=Texte alternatif pour l'image| signal non filtré]]
Un filtrage est indispensable pour le bon fonctionnement du système de supervision. Les filtres de première ordre étant obsolète pour un bruit d'une telle envergure, le moyen le plus utilisé dans ce cas la est l'utilisation d'un moyennage statistique supprimant les fluctuations transitoires de façon à en souligner les tendances à plus long terme. Le moyenneur le plus efficace et le plus utilisé est ce qu'on appelle une moyenne glissante. Cette moyenne est dite mobile parce qu'elle est recalculée de façon continue, en utilisant à chaque calcul un sous-ensemble d'éléments dans lequel un nouvel élément remplace le plus ancien ou s'ajoute au sous-ensemble.

Plus exactement et de manière plus mathématiques et moins empirique, la moyenne glissante est un filtre numérique avec des coefficients qui peuvent être identiques ou pas, selon notre besoin. Dans le cas de coefficients on donne la même importance à tous les échantillons, mais dans le cas de coefficients différents on accorde une importance différente à chacun des échantillons. L'utilisation de l'un ou de l'autre diffère selon le besoin, dans notre cas on accordera la même importance à tous les échantillons et donc on utilisera une moyenne glissante à coefficients égaux.

On choisira donc comme coefficient : [[Fichier:filtre_coeff.png|70px|]]

La valeur donc de la kième valeur est donc : [[Fichier:yk.png|160px|]]

En terme de fonction de transfert (en z), on obtient donc la fonction suivante : [[Fichier:Fct_transfert.png|280px|]]

La réponse fréquentielle de ce filtre est donc : [[Fichier:Rep_freq.png|240px|]]

Ce qui est une réponse fréquentielle d'un filtre passe-bas, et ce qui nous aidera donc à éliminer les bruits comme on l'a cité de façon empirique plus haut.

Le résultat obtenue est assez extraordinaire, en vue de l'envergure du bruit on a choisit d'utiliser deux moyenne glissante ce qui rend le filtrage plus efficace comme expliqué auparavant. On voit sur l'image que le signal est plus lisse et donc mieux adapté a la détection des erreurs.

[[Fichier:Signal_moyen2.JPG‎ ‎ ‎|thumb|alt=Texte alternatif pour l'image| Bruit faible fuite]]
Lors des essaies effectués on a remarqué que par exemple pour une fuite assez faible le capteur a du mal a détecter la bonne valeur du niveau d'eau dans le réservoir variant au tour d'une certain valeur ce qui implique une variation de l'erreur en cas d'une faible fuite.

Le signal dans ce cas la se trouve alors bruité du fait de la faible précision du capteur. Dans ce cas la le bruit est d'une fréquence assez faible ce qui rend l'utilisation de la moyenne glissante assez peu utile. Etant donné la puissance de ce type de filtre, et le faible signal obtenue lors des petites fuites, la moyenne glissante risque d'effacer le signal recherché en essayant de filtrer ce dernier.

Malgré l'efficacité de la moyenne glissante, le problème de repliement spectral se pose néanmoins. Car vu la courbe de la réponse fréquentielle (cf : courbe ci-dessous), certains signaux ne sont absolument pas filtrés (gain 0dB). Ce qui explique la présence de certains bruits qui n'ont pas été éliminés.

[[Fichier:Rep_freq_courbe.png ‎ ‎|center|alt=Réponse fréquentielle de la moyenne glissante]]

==== Moyenner pour palier aux parasites restantes====

Pour palier a ce problème, on a créer un moyenneur assez ressemblant a la moyenne glissante, utilisant le bock simulink "mean" donnant la moyenne des valeur obtenue a chaque front montant. La moyenne étant contrôler par un signal extérieur le but du travail est de trouvé le signal permettant d'avoir un signal exploitable.

[[Fichier:Signal_filtre2.JPG‎ ‎ ‎|thumb|alt=Texte alternatif pour l'image| Signal filtré]]
Il est possible d'utiliser un signal carre qui nous permettra de définir une certaine durée ( la période du bruit) avant calcul de la moyenne. En vue de la non-homogénéité du bruit, fréquentiellement parlant, le signal carrée peut être une solution au problème mais non la plus adapté.

Le signal approprié a la commande du moyenneur est le signal lui même. En vue de la faible fréquence du signal il est possible d'utilisé ce dernier pour notre commande. Cela se résume en un calcul de la moyenne entre deux front montant du signal ce qui permettra avoir la moyenne de chaque variation du signal est donc avoir un bon fonctionnement du filtre étant donné que celui-ci s'adapte a n'importe quel type de signal étant donnée qu'on utilise le signal même, contrairement a l'utilisation d'un signal carrée qui reste fixe quelques soit le signal a filtré.
[[Fichier:Im.png ‎ ‎|center|alt= méthode de filtrage]]

=== Détection du niveau d'erreur ===

La détection d'erreur étant faite ainsi que le traitement du signal , la deuxième partie de notre travail consiste a déterminer le niveau de l'erreur. Pour mieux comprendre le problème, l’exemple d'une fuite dans un réservoir est l'exemple parfait mais aussi la première partie de notre travail. Certes notre système de supervision permet la détection de n'importe quel fuite même la plus petite. Il est intéressant de déterminer le niveau de la fuite au niveau du réservoir. Plus la fuite est grande plus l'erreur le sera, le but de notre travail et de déterminer des paliers d'erreur permettant de connaitre le niveau de l'erreur.

La premier partie consiste a modéliser les niveaux de fuite possible sous la forme d’équation a implémenter au niveau de notre système de supervision.

==Rapport==
[[Fichier:Rapport_ZI_OH.pdf.pdf]]

P5 Filtrage des indicateurs numériques de diagnostic

2014-04-15T00:18:31Z

Iziou : /* SÉANCE 2 */

== Présentation du projet ==
Une installation photovoltaïque autonome comporte une ou plusieurs batteries pour stocker l'énergie produite par les panneaux photovoltaïques. Ces batteries sont conçues pour restituer un courant stable pendant de longues périodes en conservant leurs aptitudes à la recharge, et ceci à un grand nombre de reprises (cycles).

Le nombre de cycle de charge et de décharge d’une batterie est assez faible, tandis que le but d’une installation photovoltaïque est de rendre le système énergétiquement autonome. Dans le cadre d’une optimisation de la durée de vie de l’aménagement photovoltaïque, notre projet prévoit une amélioration du principe de charge/décharge des batteries. En effet, le défaut le plus contraignant d’une batterie est le phénomène appelé effet mémoire. L'effet mémoire entraîne une diminution de la quantité d'énergie que l'accumulateur peut restituer, il est causé par l’accommodation de celle-ci à une certaine quantité d’énergie chargé/déchargé.

== Constitution du système à réaliser ==

[[Fichier:PV.jpg]]

'''Caractéristiques du panneau photovoltaïque''' :
- Sources d'énergie à convertir : solaire
- Tension de sortie : 4 V
- Alimentation en sortie : 0.4 W
- Température de fonctionnement max. : +50 C
- Dimensions : 70 mm x 65 mm x 3.2 mm
- Température de fonctionnement min. : - 10 C

'''MPPT (Maximum power point tracker)''' :
Un générateur photovoltaïque est un générateur dont la caractéristique I=f(U) est fortement non linéaire. En conséquence, pour un même éclairement, la puissance délivrée sera différente selon la charge. Un contrôleur MPPT permet de suivre le point de puissance maximale d’un générateur électrique non linéaire afin de manière fournir en permanence le maximum de puissance à la charge (batterie et supercondensateur).

== Ressources disponibles ==

Nous avons déjà à disposition différents composants pour concevoir notre système :
* Un panneau photovoltaïque de 4V en sortie et de 0.4W.
* Un choix de supercondensateurs allant jusqu’à 100F.
* Une batterie de type NIMH.
* Différents composants afin de réaliser une carte électronique. ''Alexandre : Avez-vous regarder le LTC3105 comme MPPT ?''

== Prestation attendue ==

Nous allons répartir le travail en plusieurs étapes :

1/ Etudier le MPPT le mieux adapté au panneau photovoltaïque.

2/ Etudier le système de charge : supercondensateur et batterie, ainsi que la régulation de l’alimentation de la batterie (car la batterie se charge qu’avec une certaine valeur de tension imposée).

3/ Calculer les pertes de chaque élément présents dans le système.

4/ Commander les composants manquants et concevoir une carte électronique du système MPPT + charge. ''Alexandre : Les commandes doivent être envisagées très rapidement''

5/ Tester la ou les solution(s) optimale(s) avec différents ensoleillement.

== Résultats attendus ==
Dans l’optique de se rapprocher d’un système optimal, notre projet devra parfaire certaines contraintes. Notre principal objectif sera de jongler entre l’optimisation de la durée de vie de la batterie implémentée dans notre installation photovoltaïque tout en préservant, au maximum, la puissance délivrée en sortie de notre système.

*Dans le cadre d’une optimisation de l’utilisation de la batterie, notre système a pour but principal de diminuer le nombre de cycle de charge/décharge au minimum possible.

*Afin d’éviter tout détérioration de la capacité énergétique de la batterie, notre solution devra disposer d’un système limitant l’effet mémoire au minimum dans les batteries.

*Notre système sera composé de plusieurs sous-systèmes ayant des rôles différents convergents vers une solution fonctionnelle. Ces composants ayant un rendement en puissance spécifique influant sur le rendement général du système. Notre but sera donc d’avoir pour une entrée de 0.4 W une sortie de 1 mW minimum. ''Alexandre : Présenté comme ça, le rendement annoncé parait vraiment ridicule ?''

== Deroulement du projet ==

=== SEANCE 1 ===

* Etude de la charge du système avec convertisseur buck pour délivrer une tension de 1.2V à la batterie.
* Recherche d'un MPPT adapté au panneau photovoltaïque.
Le rôle principal de cette fonction est le suivi le point de puissance maximale d'un générateur électrique non linéaire. Les systèmes MPPT sont généralement associés avec les générateurs photovoltaïques ou encore avec les générateurs éoliens.
L'objectif est d'obtenir la puissance maximale possible depuis un (ou plusieurs) panneau photovoltaïque, typiquement un panneau solaire. L'énergie délivrée par les cellules photovoltaïques dépend d'une équation complexe mettant en relation le rayonnement solaire, la température, et la résistance totale du circuit, ce qui conduit à une puissance de sortie non linéaire. Cette puissance peut être analysée dans un graphique I=f(U) à double entrée, en comparant l'intensité I de sortie en fonction d'une tension U (aussi appelée V dans le graphique). Le principe de fonctionnement du système est d'analyser en permanence la sortie du panneau solaire, afin d'appliquer la résistance la plus appropriée pour un environnement et des conditions donnés.
La puissance électrique P est fonction de l'intensité I et de la tension U. Ainsi, on maximise la puissance P si on arrive à maximiser les deux variables I et U. De plus, avec une intensité I donnée, on peut faire varier la tension U en faisant varier la résistance R, selon la loi d'Ohm.
Dans le cas d'un panneau solaire, l'intensité maximale possible I est dépendante de la puissance lumineuse reçue par la cellule photovoltaïque. Tant que la charge ne dépasse pas la capacité de la cellule, l'intensité I est maximisée par l'ensoleillement reçu. Quand la charge augmente trop, l'intensité I baisse, jusqu'à zéro. Dans ce cas, la puissance de sortie est elle aussi nulle. Pour maximiser la puissance P, on va faire varier la tension U circulant dans la cellule, et atteindre la tension U la plus haute possible sans faire baisser l'intensité I.

=== SÉANCE 2 ===
* La solution la plus apparente à une problématique de protection de composant et de seuillage en tension est l’utilisation d’un convertisseur Buck.Un convertisseur Buck bien conçu possède un fort rendement (jusqu'à 95 %) et offre la possibilité de réguler la tension de sortie. Cette caractéristique présente un avantage dans le cadre de notre projet. Le mini-panneau solaire ne délivrant en sortie qu’une faible puissance, une préservation de la puissance à travers le système s’avère être l’un des challenge de ce projet.Quand un convertisseur Buck travaille en mode de conduction continue, le courant IL traversant l'inductance ne s'annule jamais.
Le fonctionnement d'un convertisseur Buck peut être divisé en deux configurations suivant l'état de l'interrupteur S.

• Dans l'état passant, l'interrupteur S est fermé, la tension aux bornes de l'inductance vaut . Le courant traversant l'inductance augmente linéairement. La tension aux bornes de la diode étant négative, aucun courant ne la traverse.
• Dans l'état bloqué, l'interrupteur est ouvert. La diode devient passante afin d'assurer la continuité du courant dans l'inductance. La tension aux bornes de l'inductance vaut . Le courant traversant l'inductance décroît.

La commande du transistor peut se faire à l’aide d’un microcontrôleur PIC. En effet, celui-ci ne consomme que peu de puissance et donc ne risque pas d’affecter le rendement du système.
L’inconvenant que comporte cette solution est en rapport étroit avec l’avantage principale de celui-ci. Un convertisseur Buck bien conçu possède un fort rendement. Cependant, afin d’avoir un résultat aussi avantageux, celui-ci demande une perfection dans sa conception. La solution serait donc d’utiliser un abaisseur commercial, or la tension désirée de 1.2v en en sortie est difficilement trouvable.

* Mise en place du programme de commande du microprocesseur pic.

* Recherche du MPPT.

=== SÉANCE 3 ===

* Abandon de la méthode de charge avec le convertisseur buck et le microprocesseur pic. Ce système de charge est peu rentable pour notre projet puisqu'il existe des convertisseurs, plus performants et avec moins de pertes, dans le commerce.
* Nous allons donc nous orienter vers un convertisseur abaisseur.
* Commande du MPPT LTC3105 : http://www.linear.com/product/LTC3105

=== SÉANCE 4 ===
* Le seuil de la tension de la batterie étant de 1.2V, l’abaisseur le plus proche de la configuration recherché est un convertisseur délivrant une tension au minimum de 1,8v. N'aboutissant pas, l'idée de commander un convertisseur abaisseur est mise de coté au profit de la recherche d'un chargeur spécial pour les batteries NIMH.
http://www.ti.com/product/tps62202

=== SÉANCE 5 ===
* MPPT reçu.
* Commande du chargeur BQ2002 : http://www.ti.com/product/bq2002
* Seuillage de la tension avec diode Zener et deux panneaux photovoltaïque en série.
Le chargeur a besoin d'une tension de 5v qu'un seul panneau ne peut pas fournir, on choisit d'utiliser deux panneaux pour avoir une tension assez grande. La tension a l'entrée du MPPT et du chargeur ne peuvent pas dépasser 5v, on utilisera une diode de Zener.
* Réalisation des PCB du MPPT et du chargeur.

[[Fichier:BRD_LTC3105.PNG|upright=2.5 |thumb|alt = PCB du MPPT LTC3105|gauche|PCB du MPPT LTC3105]] [[Fichier:BRD_BQ2002.PNG|upright=2.5 |thumb|alt = PCB chargeur BQ2002|droite|PCB chargeur BQ2002]] 

=== SÉANCE 6 ===
* Carte électronique du chargeur et du MPPT reçu.
* Perçage des pins sur la carte.
* Le composant MPPT étant de type CMS, il est donc impossible de le souder nous même à la main. Thierry Flamen nous a proposé de lui donner pour qu'il le soude lui-même.
* Seuillage de la tension à l'aide d'une diode Zener:

La décision de prendre deux panneaux photovoltaïques en série implique la mise en place d'un système permettant de seuiller la tension.Chaque panneau délivrant au maximum une tension de 4 volts ce qui revient à délivré une tension de 8V au bornes de l'entrée de notre système. Nos composants ne pouvant supporter une valeur supérieure à 6V en entrée, l'utilisation d'une diode Zener s'avère être une solution à notre problème.
[[Fichier:Zener_reg.png‎|thumb|alt=Texte alternatif pour l'image| Système de seuillage]]
'''Solution proposée:'''

Afin d'avoir un Système fonctionnel et de ne pas endommager la diode Zener, la résistance R1 doit être choisie avec précaution, R2 représentant ici la charge en sortie. La diode Zener ne pouvant supporter plus de 250 mA, on se propose d'y faire passer une valeur de 50 mA pour un fonctionnement sous un ensoleillement normal, procurant une tension de 6v. R1 = (6-5,1)/0,05 = 18 Ohms.

=== SÉANCE 7 ===
* Réception du chargeur BQ2002.
* Thierry Flamen nous a aidé pour souder le chargeur sur notre carte électronique car c'est un composant CMS.
* Nous avons testé la tension que délivre les panneaux photovoltaïque exposé plein soleil. La tension est d'environ 4V et le courant de 17mA.
* Pour le LTC3105, il est impossible de souder ce type de composant CMS à Polytech. Alexandre Boe va donc s'occuper de souder ce composant.
* Solution avec la diode Zener abandonnée :
-L'idée de mettre deux panneaux photovoltaïques n'est pas très optimale, puisque une grande partie de la puissance fournie se perd dans le circuit de seuillage. Malgré le fait d'ajouter un deuxième panneau, il est impossible de fournir une tension entre 4v et 6v au niveau du chargeur car le MPPT ne peut fournir au max que 3.2V. Un élévateur entre les deux composant pourrait résoudre ce problème.

=== SEANCE 8 ===
*Commande de l’élévateur http://www.ti.com/product/tps61202
*Configuration CTN:
Notre chargeur nous permet d’arrêter la charge de la batterie quand celle-ci arrive à sa limite. Arrivée a un certain moment de charge, la batterie NIMH commence à chauffer.Un capteur CTN mis a coté de celle-ci nous permet, en fonction de la température, d’arrêter la charge. Pour celà, la CTN doit être collée a la batterie afin de limiter le temps de réponse de celle-ci. On utilise une patte thermique permettant la conduction de chaleur.

*Test du chargeur:
[[Fichier:montage_BQ2002.PNG|upright=4]]

Nous avons testé le chargeur seul (avec la batterie et le Capteur de température), avec une alimentation de 5V en entrée :

-La batterie commence à chauffer après un certain moment de charge.

-Aucune réponse au niveau de la LED nous permettant de connaitre le niveau de charge. Cela peut être dut a la faible puissance que nous fournis le panneau solaire.

=== SEANCE 9 ===
* Réception de la carte MPPT soudée.
* Nous avons testé le montage du MPPT LTC3105 :
[[Fichier:montage_MPPT.PNG|upright4]]

Avec un panneau photovoltaïque en entrée, le MPPT délivre bien 3,2V en sortie et 281µA.

* Il faut maintenant un élévateur en sortie du MPPT pour avoir une tension de 5V en entrée du chargeur.
*Création du PCB du système en entier.
[[Fichier:BRD_complet1.PNG|upright=2.5 |thumb|alt = PCB de la carte finale partie MPPT|gauche|PCB de la carte finale partie MPPT]] [[Fichier:BRD_complet2.PNG|upright=2.5 |thumb|alt = PCB de la carte finale partie elevateur et chargeur de batterie|droite|PCB de la carte finale partie elevateur et chargeur de batterie]]
 

* Nous avons percé la carte finale partie MPPT et nous avons soudé les composants.