No description available.

Les systèmes réels sont généralement de nature non-linéaire, et leurs modélisations etsurveillance restent une tâche difficile à accomplir. Néanmoins, avec les progrès technologiqueson dispose maintenant d'un atout de taille sur ces systèmes qui est les données.Ce travail présente une technique de diagnostic de défaut et de modélisation basée en grandepartie sur la méthode d'apprentissage automatique « Les Machines à Vecteurs de Support,SVM » qui est basée sur les données. La méthodologie proposée est appliquée à différentessystèmes multivariables et non linéaires, à savoir : un procédé de traitement des eaux usées, unsystème éolien et un réacteur chimique parfaitement agité.L'objectif de cette thèse de doctorat est d'examiner la possibilité d'extraire le maximumd'information à partir de données afin de surveiller efficacement le comportement de systèmesréels et de détecter rapidement tout défaut qui peut compromettre leur bon fonctionnement. Lamême méthode est utilisée pour la modélisation des différents systèmes. Plusieurs défis ont étérelevés tels que la complexité du comportement des systèmes, le grand nombre de mesuresvariant à différentes échelles de temps, la présence de bruit et les perturbations. Une méthodegénérique de diagnostic de défauts est proposée par la génération des caractéristiques de chaquedéfaut suivie d’une étape d'évaluation de ces caractéristiques avec une amélioration du transfertde connaissances en modélisation.Dans cette thèse ont a démontré l'utilité de l'outil Machines à Vecteurs de Support, enclassification par la construction de modèles de décision SVM dédiés à l'évaluation descaractéristiques de défaut, et aussi en tant qu'estimateur non linéaire/ou pour la modélisation parl'utilisation des machines à vecteurs de support dédiés pour la régression (SVR).La combinaison de SVM et d’une méthode basée sur le modèle "observateur" a été aussi étudiéeet a été nécessaire dans certains cas pour garantir un bon diagnostic de défauts. / Real systems are usually nonlinear and their modeling and monitoring remains adifficult task. However, with advances in technology and the availability of big amounts of data,we have a facility to operate these systems.This work presents a methodology for fault diagnosis and modeling which is in large part basedon the method of Support Vector Machines (SVM) which data-based. The proposedmethodology is applied to various nonlinear multivariable systems including: wastewatertreatment processes, wind turbines and stirred tank reactors.The objective of this PhD is to examine the possibility of extracting the maximum of informationfrom data to effectively monitor the behavior of real systems and rapidly detect any faults whichmay impair their proper functioning. The same method is used for modeling the differentsystems. Several challenges were identified and surmounted such as the complexity of thesystem behavior, large amount of data varying at different time scales, the presence of noise anddisturbances. A generic method of fault diagnosis is proposed for the generation of the faultcharacteristics followed by an evaluation of these characteristics as well as an improved transferof knowledge in modeling.In this thesis the usefulness of the tool Support Vector Machines in Classification has beendemonstrated by the construction of decision models dedicated to evaluating the characteristicsof faults, and also its usefulness for modeling/ or as estimator for the nonlinear systems usingsupport vector machines dedicated for regression (SVR).The combination of SVM and a method based on models “observer” was also considered andwas found to be interesting in some cases to ensure proper fault diagnosis.

La gestion en temps réel (GTR) est considérée comme une solution économiquement efficace pour réduire les déversements par temps de pluie car elle optimise la capacité disponible des réseaux d'assainissement. La GTR permet d'éviter la construction de volumes de rétention supplémentaires, d'augmenter l'adaptabilité du réseau aux changements de politiques de gestion de l'eau et surtout d'atténuer l'impact environnemental des déversoirs d'orage. À la suite de l'intérêt croissant pour la GTR fondée sur la qualité de l'eau (QBR), cette thèse démontre une stratégie simple et efficace pour les charges polluantes déversées par temps de pluie. La performance de la stratégie QBR, basée sur la prédiction des courbes masse-volume (MV), est évaluée par comparaison avec une stratégie typique de GTR à base hydraulique (HBR). Une étude de validation de principe est d'abord réalisée sur un petit bassin versant de 205 ha pour tester le nouveau concept de QBR en utilisant 31 événements pluvieux sur une période de deux ans. Par rapport à HBR, QBR offre une réduction des charges déversées pour plus d'un tiers des événements, avec des réductions de 3 à 43 %. La stratégie QBR est ensuite mise en oeuvre sur le bassin versant de Louis Fargue (7700 ha) à Bordeaux, France et comparée à nouveau à la stratégie HBR. En implémentant QBR sur 19 événements pluvieux sur 15 mois, ses performances sont constantes et apportent des avantages précieux par rapport à HBR, 17 des 19 événements ayant une réduction de charge variant entre 6 et 28.8 %. La thèse évalue en outre l'impact de l'incertitude de prédiction de la courbe MV (due à l'incertitude de prédiction du modèle) sur la performance de la stratégie QBR, en utilisant un événement pluvieux représentatif. La marge d'incertitude qui en résulte est faible. En outre, l'étude de sensibilité montre que le choix de la stratégie QBR ou HBR doit tenir compte des dimensions réelles des bassins et de leur emplacement sur le bassin versant. / Real time control (RTC) is considered as a cost-efficient solution for combined sewer overflow (CSO) reduction as it optimises the available capacity of sewer networks. RTC helps to prevent the need for construction of additional retention volumes, increases the network adaptability to changes in water management policies, and above all alleviates the environmental impact of CSOs. Following increasing interest in water quality-based RTC (QBR), this thesis demonstrates a simple and nothing-to-lose QBR strategy to reduce the amount of CSO loads during storm events. The performance of the QBR strategy, based on Mass-Volume (MV) curves prediction, is evaluated by comparison to a typical hydraulics-based RTC (HBR) strategy. A proof-of-concept study is first performed on a small catchment of 205 ha to test the new QBR concept using 31 storm events during a two-year period. Compared to HBR, QBR delivers CSO load reduction for more than one third of the events, with reduction values from 3 to 43 %. The QBR strategy is then implemented on the Louis Fargue catchment (7700 ha) in Bordeaux, France and similarly compared with the HBR strategy. By implementing QBR on 19 storm events over 15 months, its performance is consistent, bringing valuable benefits over HBR, with 17 out of 19 events having load reduction varying between 6 and 28.8 %. The thesis further evaluates the impact of MV curve prediction uncertainty (due to model prediction uncertainty) on the performance of the QBR strategy, using a representative storm event. The resulting range of uncertainty is limited. Besides, results of the sensitivity study show that the choice of the QBR or HBR strategy should take into account the current tank volumes and their locations within the catchment.