fault diagnosis for wastewater treatment plants …batton/presentations/laouti-final.pdf19/05/2011 1...
TRANSCRIPT
19/05/2011
1
Fault diagnosis for wastewater treatment plants using Support Vector Machines
Laouti Nassim
Encadré par: Nida Sheibat-Othman et Sami Othman
Laboratoire d’Automatique et de Génie de Procédés
Introduction
SVM classification
SVM régression
Application au procédé de traitement des eaux usées
Conclusion et perspectives
19/05/2011 2STIC & ENVIRONNEMENT 2011
Diagnostique de défauts par SVMProcédé de traitement des eaux usées
19/05/2011
2
19/05/2011 3STIC & ENVIRONNEMENT 2011
Objective
Introduction
Diagnostique des défauts d’un procédé de traitement des eaux usées
Détection Isolation Identification
• Planifier l’entretient et la réparation (Réduire les coûts)• Eviter des dégradations supplémentaires • Préserver l’environnement, la sécurité et la productivité
Choix des SVMs- Par rapport aux techniques basées sur les modèles: Méthode statistique (pas besoin de modèle)
- Par rapport aux autres techniques statistiques: - Minimisation du risque structurelle => bonne généralisation- Fonctions noyaux => cas non linéaire
- Classification + Régression
- Validée pour la détection des défauts pour des systèmes mécaniques, chimiques, ..
SVM Classification
( ) ),( 1
bxxzsignxfN
iiii +><= ∑
=
α
La fonction de décision:Lagrange
Support Vectors
1).( +=+>< bxw i
1).( −=+>< bxw i
Hyperplan canonique
Classe +1
Classe -1
Hyperplan optimale
w
1
( ) bxwx += ,f
=≥ ......N i)f(xz
w
ii
w,b
11
:contrainte sous2
1min
2
Problème à optimiser:
19/05/2011 4STIC & ENVIRONNEMENT 2011
Cas non linéaire: <xi,x> est remplacée par une fonction Noyau (Kernel) K(xi,x):
( ) ( )
+= ∑
=
b ,xxKzα xf i
N
ii i
1
sgndéfautunz
défautdepasz
i
i
1
1
+=−=
( ) ( ) ( ){ } 1111 ±=ℜ∈== ip
iNNii z,x,..,Ni,pour,zx,...,,zx,...,,zxD
19/05/2011
3
SVM Régression
Les étiquettes zi = l’amplitude du défaut
L’objectif de SVR est de trouver une fonction plate
x
ε+=−zxf )(
ε−=−zxf )(
0)( =−zxf
z
+iξ
−jξ
Perte
)(xfz−ε+ε− εξ ++i
insensible−ε
bxwxfz +>=<= ,)(
≥+≤−+≤−
+ ∑=
0,;)(;)(
),(2
1
**
1
*2
iiiiiiii
l
iii
zxfxfz
CwMinimiser
ξξξεξε
ξξ
Le problème à optimiser:
19/05/2011 5STIC & ENVIRONNEMENT 2011
( ) ( ) ( ){ } Rz,Ravec:x,..,Ni,pour,zx,...,,zx,...,,zxD ip
iNNii ∈∈== 111
Eaux usées
Bassin d’aération
Section anoxique
Qr: débit de recyclage
Section aérobie
Clarificateur
À la rivière
Qin
QL
Qw: débit de purge
19/05/2011 6STIC & ENVIRONNEMENT 2011
Procédé de traitement des eaux usées (à boue activée)
19/05/2011
4
Modèle du procédé du traitement des eaux uséesModèle ASM1 (Henze 1987)
+−+=
+−
+=
+−+=
µ−−−β+−=
µ−µ+−+−=
µ−µ−+−+−=
µ+−+−=
µ+µ−−=
−=
rec,Sdec
wrS
dec
rinrec,S
rec,I
dec
wrI
dec
rinrec,I
rec,Hdec
wrH
dec
rinrec,H
1H
Hos
sLOin,O
r
inO
21Hrec,H
r
rHin,H
r
inH
32XSrec,S
r
rSin,S
r
inS
2XIrec,Ir
rIin,I
r
inI
31H
Sin,Sr
in
Iin,Ir
inI
XV
QQX
VQQ
dt
dX
XV
QQX
V
dt
dX
XV
QQX
V
dt
dX
Y
Y1)SC(
CQ)SS(
V
Q
dt
dS
)XX(V
Q)XX(
V
Q
dt
dX
)f1()XX(V
Q)XX(
V
Q
dt
dX
f)XX(V
Q)XX(
VQ
dtdX
Y
1)SS(
V
Q
dt
dSs
)SS(V
Q
dt
dS
I
I HOO
o
SHX
SH
HH
HOO
o
SS
SH
XSK
S
XXK
XK
Xb
XSK
S
SK
S
.)()(
.)()(
3
2
max,1
++=
=++
=
µ
µ
µµ
19/05/2011 7STIC & ENVIRONNEMENT 2011
[ ] [ ] [ ]OHSISIT
wrLinT
recSrecIrecHOHSISIT SXXXSSyQQQQuXXXSXXXSSx === ,,,
- Grand nombre de variables
- Dépend de la variation du temps (manque de précision)
819/05/2011 STIC & ENVIRONNEMENT 2011
Données réelles sans défaut (une classe)
Défauts de capteurs (non utilisés en BF)
Défauts de capteurs utilisés en BF, actionneurs et procédé
Modèle du procédéOuDonnées réelles avec défaut
Apprentissage bi-classe
Diagnostique de défauts par SVM
Base d’apprentissage
Réaliser l’apprentissage par les SVMs
Validation du modèle
obtenu
Paramètres d’apprentissage (noyau, C)
Modèle valide à appliquer pour le diagnostique de
défaut en ligne
Non
Oui
( ) bxwx += )(,f φ
( )ii ,zx
19/05/2011
5
RésultatsUn défaut de procédé (toxicité) : simulé par une réduction de 0.2 L/j (30%) du paramètre (µH,max) introduit au 50ème jours.
19/05/2011 9STIC & ENVIRONNEMENT 2011
0 50 100-2
0
2
Rési
dus
Temps(jours)
Détection de défaut sur la capteur Si
0 50 100-20
0
20
Rési
dus
Temps(jours)
Détection de défaut sur la capteur Ss
0 50 100-2
0
2
Rési
dus
Temps(jours)
Détection de défaut sur la capteur Xi
0 50 100-5
0
5
Rési
dus
Temps(jours)
Détection de défaut sur la capteur Xs
0 50 100-5
0
5
Rési
dus
Temps(jours)
Détection de défaut sur la capteur Xh
0 50 100-10
0
10
Rési
dus
Temps(jours)
Détection de défaut sur la capteur So
0 50 100-5
0
5
Rés
idus
Temps(jours)
Détection de défaut sur l'actionneur Qin
0 50 100-5
0
5
Rés
idus
Temps(jours)
Détection de défaut sur l'actionneur Qr
0 50 100-2
0
2
Rés
idus
Temps(jours)
Détection de défaut sur l'actionneur Qw
0 50 100-5
0
5
Rési
dus
Temps(jours)
Détection de défaut sur l'actionneur QL
0 50 100-5
0
5
Rési
dus
Temps(jours)
Détect ion de défaut sur le procédé
Résultats
19/05/2011 10STIC & ENVIRONNEMENT 2011
0 10 20 30 40 50 60 70 80 90 100-0.35
-0.3
-0.25
-0.2
-0.15
-0.1
-0.05
0
Am
plit
ude
(l/j)
Temps(jours)
Estimation du défaut sur le procédé
Identification du niveau de défaut:
19/05/2011
6
Conclusion et Perspectives
Efficacité de SVM dans le diagnostique des défauts.
L’algorithme SVR a prouvé son efficacité pour l’identification des défauts.
Cette approche peut être facilement utilisée pour le diagnostique de défauts en ligne dans les procédés industriels: ne demande pas un modèle précis.
Utilisation de SVM pour la reconfiguration de la loi de commande.
La combinaison de cette méthode statistique avec celles basées sur les modèles doit permettre de mieux superviser le procédé
Combinaison de SVM avec PCA, PLS comme prétraitement des données
19/05/2011 11STIC & ENVIRONNEMENT 2011