Si le contrôle et la régulation automatique sont largement maîtrisés par le monde industriel, la supervision en ligne est par contre peu développée. Une ambiguïté dans sa définition la réduit souvent à des tâches de suivi de paramètres (dit monitoring) ou de gestion d'alarmes par un seuillage des variables. Alors que la préservation du personnel et de l'environnement, et l'amélioration de la sûreté de fonctionnement des systèmes industriels reposent essentiellement sur les algorithmes de détection et d'isolation des défauts en ligne.
L'outil bond graph, qui a prouvé son efficacité pour construire des modèles de connaissance de systèmes multiphysiques, est utilisé ici pour la conception intégrée des systèmes de surveillance à base de modèle allant de :
Afin d'améliorer les performances de décision dans l'étape de détection, des seuils adaptatifs tenant compte des incertitudes paramétriques du système physique sont générés directement du modèle bond graph. Cette démarche systématique de conception de système de surveillance est basée sur les propriétés causales, structurelles et comportementales du bond graph. Son aspect graphique permet l'automatisation des procédures de génération d'algorithmes de surveillance, à l'aide d'un outil logiciel dédié. Cette démarche méthodologique de modélisation, l'analyse et la génération d'indicateurs de fautes déterministes, puis robustes, sont illustrées pas à pas par une application pédagogique à un moteur à courant continu.
La première partie présente les principes, définition et rôle de la supervision dans l'industrie.
La deuxième partie présente un état de l'art des méthodes de surveillance en ligne des systèmes continus, ainsi que l'intérêt des bond graphs pour cette tâche.
Après une brève présentation de la modélisation par bond graph (car déjà détaillée dans d'autres articles des Techniques de l'ingénieur) et des propriétés de l'outil, le troisième chapitre décrit la méthodologie bond graph pour la conception des systèmes de surveillance en ligne.
Enfin, la quatrième partie est consacrée à l'amélioration de la robustesse de détection des systèmes de surveillance, en introduisant des modèles bond graph incertains sous forme de transformations linéaires fractionnelles, dites « LFT » (Linear Fractionnal Transformation).
La cinquième partie conclut l'article.
