Soumission de votre résumé

outil d’aide à la sélection des capteurs pour la détection de fautes et le diagnostic

ORANTES Antonio¹, LE LANN Marie-Véronique^1,2, AGUILAR-MARTIN Joseph<sup>1

1</sup>LAAS-CNRS, 7, Avenue du Colonel Roche 31077 TOULOUSE cedex 4 (France)

² INSA-DGEI, 135, Avenue de Rangueil 31077 Toulouse cedex 4 (France)

[e-mail], [e-mail], [e-mail]

Résumé
L’objectif de cette étude est de montrer que l’on peut grâce à une technique de classification, identifier le nombre et la place des capteurs nécessaires pour pouvoir effectuer la détection de fautes et le diagnostic de dysfonctionnements sur une unité de production chimique. Le procédé complexe choisi est celui de production d’éthylène glycol à partir d’oxyde d’éthylène. Il est composé d’un mélangeur, d’un réacteur chimique et d’une colonne de rectification. Il a été simulé grâce au simulateur HYSYS qui offre la possibilité de simuler le fonctionnement dynamique d’une installation décrite par un schéma de procédés avec ses différents régulateurs. Grâce à ce simulateur, il a été possible de simuler le fonctionnement de l’unité non seulement au cours d’une phase de fonctionnement normal mais aussi lors de différents dysfonctionnements et défaillances rencontrés sur ce type d’installation.

Le point clé de cette étude est d’isoler l’information pertinente pour détecter non seulement des défauts sur la colonne de rectification multi-constituant (variation des concentrations) grâce à la seule information sur les températures le long de la colonne (en s’affranchissant donc d’une mesure des concentrations), mais aussi de dysfonctionnements dus à des modifications du fonctionnement du réacteur (changement de l’activité du catalyseur par exemple). L’identification des capteurs nécessaires ainsi que leur localisation est basée sur l’utilisation d’une technique de classification: « LAMDA » (Learning Algorithm for Multivariate Data Analysis). C’est une technique d’Analyse Multidimensionnelle de Données avec apprentissage qui est à la base du logiciel « SALSA ». Cette méthode mêlant des concepts de représentation par modèle neuronal, de logique floue permet, sans changer de technique d’effectuer des classifications par apprentissage supervisé (les classes sont prédéfinies par un expert) ou non supervisé (apprentissage dit aussi « automatique »), de manipuler des entrées (descripteurs) de nature différente : quantitatif ou qualitatifs.

Une première étude a permis d’isoler les 8 descripteurs (sur 21 possibles) donnant l’information significative capable de discriminer les différentes fautes (il est à noter qu’aucun descripteur ne fait intervenir des mesures de concentration). Nous donnons ci-contre un exemple de classification obtenue de manière automatique (sans apprentissage) par analyse de ces 8 descripteurs lors d’une succession de défauts : variation du débit molaire d’oxyde à l’entrée du procédé, variation de la température d’alimentation du fluide de refroidissement du réacteur, modification de la vitesse de la réaction chimique (modification du facteur de fréquence permettant de simuler un vieillissement du catalyseur, baisse de réactivité des réactifs, changement de matière première). Le graphe supérieur donne 7 classes différentes : 4 sont bien définies et correspondent à l’opération normale et aux défaillances affectant le procédé, les autres à des états de transition (utiles pour faire de la prévention).